(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111182850.4 (22)申请日 2021.10.1 1 (71)申请人 北京百度网讯科技有限公司 地址 100085 北京市海淀区上地十街10号 百度大厦2层 (72)发明人 孙钰清　邵世臣　李永恒　邹仁华　 赵廷辉　 (74)专利代理 机构 北京市通商律师事务所 11951 代理人 巩靖 (51)Int.Cl. G06F 16/35(2019.01) G06N 20/00(2019.01) (54)发明名称 试题文件筛选方法、 模 型训练方法、 装置、 设 备及介质 (57)摘要 本公开提供了一种试题文件筛选方法、 模 型 训练方法、 装置、 设备及介质， 本公开涉及人工智 能技术领域， 具体涉及目标识别的技术领域， 可 应用于试题文件筛选等场景。 具体实现方案为： 提取待识别的目标文件的多个维度的特征信息， 目标文件的维度包括标题维度、 摘要维度、 正文 维度和文件格式维度； 基于多个维度的特征信息 确定出目标文件 是否属于试题文件的识别结果； 当目标文件为试题文件时， 从目标文件提取出至 少一种预设的试题标签信息， 基于试题标签信息 对目标文件进行分类。 上述过程可以提高文件的 识别结果的准确率， 试题文件的筛选过程可以自 动完成， 既提高了试题筛选的效率， 又可 以降低 人工成本 。 权利要求书3页 说明书12页 附图5页 CN 114020904 A 2022.02.08 CN 114020904 A 1.一种试题文件筛 选方法， 包括： 提取待识别的目标文件的多个维度的特征信息， 所述目标文件的维度包括标题维度、 摘要维度、 正文维度和文件格式维度； 基于所述多个维度的特 征信息确定出 所述目标文件是否属于试题文件的识别结果； 当所述目标文件为试题文件时， 从所述目标文件提取出至少一种预设的试题标签信 息， 基于所述试题标签信息对所述目标文件进行分类。 2.根据权利要求1所述的方法， 其中， 所述基于所述多个维度的特征信 息确定出所述目 标文件是否属于试题文件的识别结果， 包括： 将所述多个维度的特征信 息输入到预先训练 的试题识别模型， 利用所述试题识别模型 输出所述目标文件是否属于试题文件的识别结果。 3.根据权利要求2所述的方法， 其中， 所述利用所述试题识别模型输出所述目标文件是 否属于试题文件的识别结果， 包括： 针对每个维度的特征信 息， 利用所述试题识别模型根据 特征信息确定出所述目标文件 属于试题文件的可信度； 根据多个维度的特征信 息分别对应的可信度， 确定出所述目标文件是否属于试题文件 的识别结果。 4.根据权利要求3所述的方法， 其中， 所述根据多个维度的特征信息分别对应的可信 度， 确定出 所述目标文件是否属于试题文件的识别结果， 包括： 对多个维度的特 征信息分别对应的可信度进行加权求和， 得到综合可信度； 基于所述综合可信度和预设的可信度阈值， 确定出所述目标文件是否属于试题文件的 识别结果； 其中， 每个维度的特征信息对应的可信度的权重， 是通过对所述试题识别模型进行训 练而得到的。 5.根据权利要求1至4中任一项所述的方法， 其中， 所述提取待识别的目标文件的多个 维度的特 征信息， 包括： 针对所述目标文件的标题维度， 在待识别的目标文件的标题文本中提取出标题关键 词， 将所述标题关键词作为所述标题维度的特 征信息； 和/或， 针对所述目标文件的摘要维度， 在待识别的目标文件的摘要文本 中提取出摘要 关键词， 将所述摘要关键词作为所述标题维度的特 征信息。 6.根据权利要求1至4中任一项所述的方法， 其中， 所述提取待识别的目标文件的多个 维度的特 征信息， 包括： 针对所述目标文件的正文维度， 在待识别的目标文件的正文中提取出高频词汇和/或 题目问句； 将所述高频词汇和/或所述题目问句作为所述 正文维度的特 征信息。 7.根据权利要求1至4中任一项所述的方法， 其中， 所述提取待识别的目标文件的多个 维度的特 征信息， 包括： 针对所述目标文件的文件格式维度， 检测出待识别的目标文件的格式类型； 将所述格式类型作为所述文件格式维度的特 征信息。 8.根据权利要求1至4中任一项所述的方法， 所述目标文件的维度还包括文件类型维权　利　要　求　书 1/3 页 2 CN 114020904 A 2度； 所述提取待识别的目标文件的多个维度的特 征信息， 包括： 针对所述目标文件的文件类型维度， 检测出待识别的目标文件的文件类型； 将所述文件类型作为所述文件类型维度的特 征信息。 9.根据权利要求1至4中任一项所述的方法， 其中， 所述从所述目标文件提取出至少一 种预设的试题标签信息， 包括： 所述从所述目标文件提取出地 区信息、 学段信 息和科目信 息中的至少一个作为试题标 签。 10.一种试题 识别模型训练方法， 包括： 标注多个样本文件中每 个样本文件是否属于试题文件的实际结果； 提取所述多个样本文件中每个样本文件的多个维度的特征信 息， 所述样本文件的维度 包括标题维度、 摘要维度、 正文维度和文件格式维度； 将所述多个维度的特征信 息输入到试题识别模型， 利用所述试题识别模型输出所述样 本文件是否属于试题文件的识别结果； 基于各所述样本文件的所述实际结果和所述识别结果， 确定出所述试题识别模型的识 别准确率； 基于所述识别准确率和预设的准确率阈值， 调整所述试题 识别模型的参数。 11.根据权利要求10所述的方法， 其中， 所述利用所述试题识别模型输出所述样本文件 是否属于试题文件的识别结果， 包括： 针对每个维度的特征信 息， 利用所述试题识别模型根据 特征信息确定出所述样本文件 属于试题文件的可信度； 根据多个维度的特征信 息分别对应的可信度， 确定出所述样本文件是否属于试题文件 的识别结果。 12.根据权利要求1 1所述的方法， 其中， 所述根据多个维度的特征信 息分别对应的可信度， 确定出所述样本文件是否属于试题 文件的识别结果， 包括： 对多个维度的特征信息分别对应的可信度进 行加权求和， 得到综合 可信度； 基于所述综合可信度和预设的可信度阈值， 确定出所述样本文件是否属于试题文 件的识别结果； 所述调整所述试题识别模型的参数， 包括： 调整所述试题识别模型中每个维度的特征 信息对应的可信度的权 重。 13.一种试题文件筛 选装置， 包括： 目标特征提取模块， 用于提取待识别的目标文件的多个维度的特征信息， 所述目标文 件的维度包括标题维度、 摘要维度、 正文维度和文件格式维度； 目标结果输出模块， 用于基于所述多个维度的特征信 息确定出所述目标文件是否属于 试题文件的识别结果； 试题分类模块， 用于当所述目标文件为试题文件时， 从所述目标文件提取出至少一种 预设的试题标签信息， 基于所述试题标签信息对所述目标文件进行分类。 14.根据权利要求13所述的装置， 其中， 所述目标特征提取模块在用于基于所述多个维 度的特征信息确定出 所述目标文件是否属于试题文件的识别结果时， 具体用于： 将所述多个维度的特征信 息输入到预先训练 的试题识别模型， 利用所述试题识别模型权　利　要　求　书 2/3 页 3 CN 114020904 A 3