一种信息过滤方法、装置及终端设备

技术领域

本申请属于数据处理技术领域，尤其涉及一种信息过滤方法、装置及终端设备。

背景技术

随着科技的发展，互联网进入了千家万户，人们可以在互联网上查阅和发布各式各样的信息。

在互联网的海量信息中，有一部分信息属于不良信息，这些不良信息会影响人们的上网体验，并且会影响未成年人的身心健康发展。为了减少这些不良信息，IT从业人员希望对这些不良信息进行过滤。

当前的信息过滤方法中，往往只能针对特定类型的数据进行信息的识别和过滤，但是由于互联网上大部分的信息都是混合类型的数据，比如文字和图像的结合、文字和视频的结合等等。如果只能过滤特定类型的数据，则对于混合类型的数据中其他类型的数据无法进行信息的识别和过滤，过滤效果不佳。

综上，现有的信息过滤方法只能过滤单一类型的不良数据，过滤效果不佳。

发明内容

有鉴于此，本申请实施例提供了一种信息过滤方法、装置及终端设备，以解决现有的信息过滤方法只能过滤单一类型的数据，过滤效果不佳的问题。

本申请实施例的第一方面提供了一种信息过滤方法，包括：

获取待处理信息，所述待处理信息至少包括两种数据类型的信息；

识别所述待处理信息包括的数据类型，将所述待处理信息中不同数据类型的信息输入神经网络组中对应的神经网络中进行处理，得到所述待处理信息中不同数据类型的信息的标签；

过滤所述待处理信息中标签为预设过滤标签的信息。

本申请实施例的第二方面提供了一种信息过滤装置，包括：

信息获取模块，用于获取待处理信息，所述待处理信息至少包括两种数据类型的信息；

标签识别模块，用于识别所述待处理信息包括的数据类型，将所述待处理信息中不同数据类型的信息输入神经网络组中对应的神经网络中进行处理，得到所述待处理信息中不同数据类型的信息的标签；

信息过滤模块，用于过滤所述待处理信息中标签为预设过滤标签的信息。

本申请实施例的第三方面提供了一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述方法的步骤。

本申请实施例的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上述方法的步骤。

本申请实施例与现有技术相比存在的有益效果是：

本申请的信息过滤方法中，当接收到的待处理信息包含至少两种数据类型的信息时，可以对待处理信息包括的数据类型进行识别，将待处理信息中不同数据类型的信息输入神经网络组中对应的神经网络中进行处理，神经网络组中包含多种神经网络，通过多种神经网络的分工合作可以识别多种数据类型的信息，全面地对待处理信息中各种数据类型的信息进行识别和过滤，解决了现有的信息过滤方法只能过滤单一类型的数据，过滤效果不佳。

附图说明

为了更清楚地说明本申请实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本申请实施例提供的一种信息过滤方法的实现流程示意图；

图2是本申请实施例提供的一种信息过滤装置的示意图；

图3是本申请实施例提供的终端设备的示意图；

图4是本申请实施例提供的LSTM-Jump网络的应用示例图；

图5是本申请实施例提供的卷积神经网络的应用示例图；

图6是本申请实施例提供的3D卷积神经网络的应用示例图。

具体实施方式

以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。

为了说明本申请所述的技术方案，下面通过具体实施例来进行说明。

应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。

还应当理解，在此本申请说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本申请。如在本申请说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。

还应当进一步理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。

如在本说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。

下面对本申请实施例一提供的一种信息过滤方法进行描述，请参阅附图1，本申请实施例一中的信息过滤方法包括：

步骤S101、获取待处理信息，所述待处理信息至少包括两种数据类型的信息；

获取待处理信息，由于当前网络上大多数信息为混合信息，所以待处理信息中可能包括两种或两种以上数据类型的信息，例如，待处理信息中可以包括文本类型、图像类型、视频类型中两种或两种以上数据类型的信息。

步骤S102、识别所述待处理信息包括的数据类型，将所述待处理信息中不同数据类型的信息输入神经网络组中对应的神经网络中进行处理，得到所述待处理信息中不同数据类型的信息的标签；

获取到待处理信息后，可以对待处理信息中包含的数据类型进行识别，例如可以根据文件后缀名识别数据类型。

根据数据类型对待处理信息中的信息进行分类，将待处理信息中不同数据类型的信息输入神经网络组中对应的神经网络中进行处理，各个神经网络输出对应数据类型的信息的标签。

步骤S103、过滤所述待处理信息中标签为预设过滤标签的信息。

待处理信息的标签可以包括非预设过滤标签和预设过滤标签，过滤所述待处理信息中标签为预设过滤标签的信息，例如，待处理信息包括文本类型的信息和图像类型的信息，如果图像类型的信息的标签为预设过滤标签，则过滤待处理信息中图像类型的信息。

预设过滤标签可以根据实际需求进行设置，例如，可以将不良信息标签设置为预设过滤标签。

进一步地，所述识别所述待处理信息包括的数据类型，将所述待处理信息中不同数据类型的信息输入神经网络组中对应的神经网络中进行处理，得到所述待处理信息中不同数据类型的信息的标签具体包括：

A1、识别所述待处理信息包括的数据类型；

A2、当所述待处理信息包含文本类型的信息时，将所述文本类型的信息输入神经网络组中的文本识别神经网络，得到所述文本类型的信息的标签；

当待处理信息中包含文本类型的信息时，可以将文本类型的信息输入神经网络组中的文本识别神经网络，得到文本类型的信息的标签。文本识别神经网络的类别可以根据实际需求进行选择，例如可以选用RNN网络、LSTM网络、LSTM-Jump网络中的一种作为文本识别神经网络。

当采用LSTM-Jump网络作为文本识别神经网络时，可以提高文本识别神经网络在长文本上的处理速度，并且因为跳跃取词可以过滤大量噪声，从而提高LSTM-Jump网络的识别准确率。

用户可以设置LSTM-Jump网络的超参数，例如，每次跳跃间需要读的词个数R、允许跳过的最大词个数K和允许的总跳跃次数N。

构建了LSTM-Jump网络的框架之后，使用训练样本对LSTM-Jump网络进行训练。

训练完成后可以使用LSTM-Jump网络识别文本类型的信息，将文本类型的信息以词向量的形式嵌入LSTM-Jump网络中，根据设定的每次跳跃间需要读取的词个数R为起始数值进行计算，如图4中的LSTM-Jump网络为例，设置R的数值为2，则先读入2个词，分别为“To”和“be”，传入隐藏层，再传入softmax层，计算出下一次需要跳跃的step，比如step为3，则跳跃3步后进入下一次循环，继续读入2个词，分别为“not”和“to”，重复上述步骤进行传播，直至满足预设停止条件，传播结束，预设停止条件可以为总跳跃次数超过了允许的总跳跃次数N，或softmax输出了0，表示已读完了文本。

传播结束后，LSTM-Jump网络的主干路会输出文本类型的数据对应预设过滤标签的概率，在标签判定时可以设置文本判定阈值，当LSTM-Jump网络输出的预设过滤标签的概率大于或等于文本判定阈值时，则该文本类型的信息的标签为预设过滤标签，文本判定阈值的具体取值可以实际情况进行设置，例如可以设置为0.5、0.6、0.7等。

A3、当所述待处理信息包含图像类型的信息时，将所述图像类型的信息输入神经网络组中的图像识别神经网络，得到所述图像类型的信息的标签；

当待处理信息中包含图像类型的信息时，可以将图像类型的信息输入神经网络组中的图像识别神经网络，得到图像类型的信息的标签。

图像识别神经网络的类别可以根据实际需求进行选择，例如可以选用常规的卷积神经网络作为图像识别神经网络。

当采用常规的卷积神经网络作为图像识别神经网络时，可以通过卷积层、池化层等进行图像特征提取，通过全连接层中的分类器进行分类输出各个标签的概率。

在标签判定时可以设置图像判定阈值，当常规的卷积神经网络输出的不良信息的标签的概率大于或等于图像判定阈值时，则该图像类型的信息的标签为不良信息，图像判定阈值的具体取值可以实际情况进行设置，例如可以设置为0.5、0.6、0.7等。

当图像类型的信息中包含多张图像时，分别识别各图像的标签。

A4、当所述待处理信息包含视频类型的信息时，将所述视频类型的信息输入神经网络组中的视频识别神经网络，得到所述视频类型的信息的标签。

当待处理信息中包含视频类型的信息时，可以将视频类型的信息输入神经网络组中的视频识别神经网络，得到视频类型的信息的标签。视频识别神经网络的类别可以根据实际需求进行选择。

进一步地，所述当所述待处理信息包含文本类型的信息时，将所述文本类型的信息输入神经网络组中的文本识别神经网络，得到所述文本类型的信息的标签具体包括：

B1、当所述待处理信息包含文本类型的信息时，对所述文本类型的信息进行分句处理和分词处理；

当待处理信息包含文本类型的信息时，可以对文本类型的信息进行分词处理，以方便将文本类型的信息输入至文本识别神经网络中。

同时，如果每一次识别都是对整个文本类型的信息进行识别，则在不良信息过滤时可能存在过度过滤的情况，例如文章中只存在几个敏感词，但是直接把整篇文章当成不良信息过滤了，因此，可以对文本类型的信息进行分句处理，例如根据句号将文章分成多个文本句子，以文本句子为单位进行信息的过滤，减少过度过滤的情况发生。

B2、将分词处理后的文本句子输入神经网络组中的文本识别神经网络，得到所述文本类型的信息中各个文本句子的标签。

此后，可以将分词处理后的文本句子输入神经网络组中的文本识别神经网络，得到文本类型的信息中各个文本句子的标签，根据标签过滤被判定为预设过滤标签的文本句子。

过滤文本句子的方式可以根据实际情况进行选择，例如可以在展示该文本类型的信息时，用屏蔽字符替代被判定为预设过滤标签的文本句子。

进一步地，所述当所述待处理信息包含图像类型的信息时，将所述图像类型的信息输入神经网络组中的图像识别神经网络，得到所述图像类型的信息的标签具体包括：

C1、当所述待处理信息包含图像类型的信息时，将所述图像类型的信息输入神经网络组中的卷积神经网络的卷积层进行第一特征提取处理，得到第一特征信息；

在一些实施例中，可以采用卷积神经网络作为图像识别神经网络，卷积神经网络中可以包括卷积层、池化层、全连接层、Softmax层和输出层。

以图5中的卷积神经网络为例，当待处理的信息包含图像类型的信息时，可以将图像类型的信息输入卷积神经网络的卷积层进行第一特征提取，得到第一特征信息。

C2、将经过所述第一特征信息输入所述卷积神经网络的池化层进行第二特征提取处理，得到第二特征信息；

然后将第一特征信息输入池化层进行第二特征提取，得到第二特征信息。

C3、将所述第二特征信息输入所述卷积神经网络的第一全连接层进行第一分类处理，得到第一分类结果；

将第二特征信息输入第一全连接层进行第一分类处理，得到第一分类结果。

C4、将所述第一分类结果输入所述卷积神经网络的Softmax层进行第二分类处理，得到所述图像类型的信息对应各个标签的概率，以概率最大的标签作为所述图像类型的信息的标签。

将第一分类结果输入Softmax层进行第二分类处理，在一些实施例中，可以只设置两个标签，标签0表示非预设过滤标签，标签1表示预设过滤标签，则此时Softmax层相当于进行了一次二分类，得到标签0和标签1的概率并通过输出层输出至卷积神经网络外部，此时可以将概率最大的标签作为图像类型的信息的标签，例如，标签1的概率为0.6，大于标签0的概0.4，则将标签1作为图像类型的信息的标签，此时该图像类型的信息为需要过滤的信息。

应理解，图5中的卷积神经网络结构只是示意性举例，在实际应用过程中，可以选取其他类型的神经网络或其他结构的卷积神经网络作为图像识别神经网络，具体的设置方式可以根据实际需求进行选择。

过滤图像类型的信息的方式可以根据实际情况进行选择，例如，可以在展示图像类型的信息时，以空白图像替代被判定为预设过滤标签的图像。

进一步地，所述当所述待处理信息包含视频类型的信息时，将所述视频类型的信息输入神经网络组中的视频识别神经网络，得到所述视频类型的信息的标签具体包括：

D1、当所述待处理信息包含视频类型的信息时，根据预设帧数阈值对所述视频类型的信息进行分段处理，得到至少一个视频段；

当待处理信息包含视频类型的信息时，为了避免视频过大，可以根据预设帧数阈值对视频类型的信息进行分段，得到至少一个视频段，例如，可以将预设帧数阈值设置为7帧，将视频类型的信息分成多个7帧或少于7帧的视频段。

D2、将所述视频段输入所述神经网络组中的视频识别神经网络，得到所述视频类型的信息中各个视频段的标签。

将视频段输入神经网络组中的视频识别神经网络，得到视频类型的信息中各个视频段的标签，根据标签过滤被判定为预设过滤标签的视频段。

过滤视频段的方式可以根据实际情况进行选择，例如可以在展示该视频类型的信息时，用空白帧替代被判定为预设过滤标签的视频帧。

进一步地，所述视频识别神经网络具体为3D卷积神经网络，所述当所述待处理信息包含视频类型的信息时，将所述视频类型的信息输入神经网络组中的视频识别神经网络，得到所述视频类型的信息的标签具体包括：

E1、当所述待处理信息包含视频类型的信息时，将所述视频类型的信息输入神经网络组中的3D卷积神经网络的硬连线层进行多通道特征提取处理，得到第三特征信息；

在一些实施例中，可以选用3D卷积神经网络(3D CNN网络)作为视频识别神经网络。当采用3D CNN网络作为视频识别神经网络时，3D CNN网络在网络中增加了时间这个维度，赋予神经网络行为识别的功能，因此，采用3DCNN网络可以识别视频中的行为，例如可以识别视频中是否存在打架斗殴的行为，从而判断视频类型的信息是否应当被过滤。

以图6中的3D CNN网络为例，3D CNN网络可以包括硬连线层、卷积层、下采样层和全连接层，其中卷积层和下采样层的数目可以根据实际需要进行设置，在图6的3D CNN网络中设置了3个卷积层和2个下采样层。

将视频类型的信息输入硬连线层中，在一些实施例中，硬连线层将视频类型的信息分成5个通道并行处理，得到各通道的特征信息，并将所有通道输出的信息组合得到第三特征信息；

E2、将所述第三特征信息输入所述3D卷积神经网络的第一3D卷积层进行第一3D特征提取处理，得到第四特征信息，其中，第一3D卷积层中的卷积核为3D卷积核；

以硬连线层输出的第三特征信息作为第一3D卷积层的输入，第一3D卷积层可以使用3D卷积核进行第一3D特征提取处理，得到第四特征信息，其中，为了增加卷积得到的特征信息的数量，第一个卷积层可以使用两种不同的3D卷积核进行特征提取处理。

E3、将所述第四特征信息输入所述3D卷积神经网络的第一下采样层进行第一下采样处理，得到第五特征信息；

将第一3D卷积层输出的第四特征信息作为第一下采样层的输入，第一下采样层的下采样方式可以根据实际需要进行设置，例如，可以选择最大池化的方式进行下采样，对第四特征信息进行第一下采样处理，得到第五特征信息。

E4、将所述第五特征信息输入所述3D卷积神经网络的第二3D卷积层进行第二3D特征提取处理，得到第六特征信息，其中，第二3D卷积层中的卷积核为3D卷积核；

将第一下采样层输出的第五特征信息作为第二3D卷积层的输入，第二3D卷积层可以使用3种不同的3D卷积核进行第二3D特征提取处理，得到第六特征信息，进一步增加卷积得到的特征信息的数量。

E5、将所述第六特征信息输入所述3D卷积神经网络的第二下采样层进行第二下采样处理，得到第七特征信息；

将第二3D卷积层输出的第六特征信息作为第二下采样层的输入，通过第二下采样层对第二3D卷积层输出的第六特征信息进行第二下采样处理，得到第七特征信息。

E6、将所述第七特征信息输入所述3D卷积神经网络的2D卷积层进行2D特征提取处理，得到第八特征信息，其中，2D卷积层中的卷积核为2D卷积核；

将第二下采样层输出的第七特征信息作为2D卷积层的输入，2D卷积层可以采用2D卷积核进行2D特征提取处理，将第二下采样层输出的第七特征信息转变为1*1*N的形式，N为特征信息的长度，得到第八特征信息。

E7、将所述第八特征信息输入所述3D卷积神经网络的第二全连接层中进行第三分类处理，得到所述视频类型的信息对应各个标签的概率，以概率最大的标签作为所述视频类型的信息的标签。

将2D卷积层的输出的第八特征信息作为第二全连接层的输入，第二全连接层将2D卷积层输出的所有特征信息进行全连接，得到全连接层的特征信息，通过线性分类器对全连接层的特征信息进行分类，得到视频类型的信息对应各个标签的概率。

3D CNN网络输出各个标签的概率之后，以概率最大的标签作为所述视频类型的信息的标签。

进一步地，所述方法还包括：

F1、将所述标签为预设过滤标签的待处理信息保存至样本信息库中；

此外，在识别到待处理信息的标签之后，可以将标签为预设过滤标签的待处理信息保存至样本信息库中，丰富样本信息库中训练样本。

F2、当符合预设训练条件时，使用所述样本信息库中的信息对所述神经网络组中的神经网络进行重训练。

当符合预设训练条件时，可以使用样本信息库中的信息对神经网络组中的神经网络进行重训练。

预设训练条件可以根据实际情况进行设置，例如，可以设置为经过预设次数的不良信息过滤，也可以设置为预设时长等条件。当预设训练条件设置为经过预设次数的不良信息过滤时，预设次数可以根据实际情况进行设置，例如预设次数设置为1，则每一次预设过滤标签的信息过滤后就进行神经网络的重训练。

通过将标签为预设过滤标签的待处理信息保存为训练样本以及神经网络的重训练机制，可以提高神经网络的识别精度和处理速度。

本实施例一提供的信息过滤方法中，当接收到的待处理信息包含至少两种数据类型的信息时，可以对待处理信息包括的数据类型进行识别，将待处理信息中不同数据类型的信息输入神经网络组中对应的神经网络中进行处理，神经网络组中包含多种神经网络，通过多种神经网络的分工合作可以识别多种数据类型的信息，全面地对待处理信息中各种数据类型的需要过滤的信息进行识别和过滤，解决了现有的信息过滤方法只能过滤单一类型的数据，过滤效果不佳的问题。

当待处理信息包含文本类型的信息时，可以对文本类型的信息进行分句处理和分词处理，以文本句子为单位进行信息过滤，可以减少过度过滤情况的发生。

当待处理信息包含视频类型的信息时，可以根据预设帧数阈值对视频类型的信息进行分段处理，以视频段为单位进行信息识别，可以提高处理速度，减少过度过滤情况的发生。

标签为不良信息的待处理信息可以作为训练样本保存至样本信息库中，当符合预设训练条件时，可以对神经网络进行重训练，提高神经网络的识别精度和处理速度。

应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。

本申请实施例二提供了一种信息过滤装置，为便于说明，仅示出与本申请相关的部分，如图2所示，信息过滤装置包括，

信息获取模块201，用于获取待处理信息，所述待处理信息至少包括两种数据类型的信息；

标签识别模块202，用于识别所述待处理信息包括的数据类型，将所述待处理信息中不同数据类型的信息输入神经网络组中对应的神经网络中进行处理，得到所述待处理信息中不同数据类型的信息的标签；

信息过滤模块203，用于过滤所述待处理信息中标签为预设过滤标签的信息。

进一步地，所述标签识别模块具体包括：

类型子模块，用于识别所述待处理信息包括的数据类型；

文本子模块，用于当所述待处理信息包含文本类型的信息时，将所述文本类型的信息输入神经网络组中的文本识别神经网络，得到所述文本类型的信息的标签；

图片子模块，用于当所述待处理信息包含图像类型的信息时，将所述图像类型的信息输入神经网络组中的图像识别神经网络，得到所述图像类型的信息的标签；

视频子模块，用于当所述待处理信息包含视频类型的信息时，将所述视频类型的信息输入神经网络组中的视频识别神经网络，得到所述视频类型的信息的标签。

进一步地，所述文本子模块具体包括：

处理子模块，用于当所述待处理信息包含文本类型的信息时，对所述文本类型的信息进行分句处理和分词处理；

识别子模块，用于将分词处理后的文本句子输入神经网络组中的文本识别神经网络，得到所述文本类型的信息中各个文本句子的标签。

进一步地，所述图片子模块具体包括：

第一特征子模块，用于当所述待处理信息包含图像类型的信息时，将所述图像类型的信息输入神经网络组中的卷积神经网络的卷积层进行第一特征提取处理，得到第一特征信息；

第二特征子模块，用于将经过所述第一特征信息输入所述卷积神经网络的池化层进行第二特征提取处理，得到第二特征信息；

第一分类子模块，用于将所述第二特征信息输入所述卷积神经网络的全连接层进行第一分类处理，得到第一分类结果；

第二分类子模块，用于将所述第一分类结果输入所述卷积神经网络的Softmax层进行第二分类处理，得到所述图像类型的信息对应各个标签的概率，以概率最大的标签作为所述图像类型的信息的标签。

进一步地，所述视频子模块具体包括：

分段子模块，用于当所述待处理信息包含视频类型的信息时，根据预设帧数阈值对所述视频类型的信息进行分段处理，得到至少一个视频段；

标签子模块，用于将所述视频段输入所述神经网络组中的视频识别神经网络，得到所述视频类型的信息中各个视频段的标签。

进一步地，所述视频识别神经网络具体为3D卷积神经网络，所述视频子模块具体包括：

硬连线层子模块，用于当所述待处理信息包含视频类型的信息时，将所述视频类型的信息输入神经网络组中的3D卷积神经网络的硬连线层进行多通道特征提取处理，得到第三特征信息；

第一卷积子模块，用于将所述第三特征信息输入所述3D卷积神经网络的第一3D卷积层进行第一3D特征提取处理，得到第四特征信息，其中，第一3D卷积层中的卷积核为3D卷积核；

第一采样子模块，用于将所述第四特征信息输入所述3D卷积神经网络的第一下采样层进行第一下采样处理，得到第五特征信息；

第二卷积子模块，用于将所述第五特征信息输入所述3D卷积神经网络的第二3D卷积层进行第二3D特征提取处理，得到第六特征信息，其中，第二3D卷积层中的卷积核为3D卷积核；

第二采样子模块，用于将所述第六特征信息输入所述3D卷积神经网络的第二下采样层进行第二下采样处理，得到第七特征信息；

第三卷积子模块，用于将所述第七特征信息输入所述3D卷积神经网络的2D卷积层进行2D特征提取处理，得到第八特征信息，其中，2D卷积层中的卷积核为2D卷积核；

分类输出子模块，用于将所述第八特征信息输入所述3D卷积神经网络的第二全连接层中进行第三分类处理，得到所述视频类型的信息对应各个标签的概率，以概率最大的标签作为所述视频类型的信息的标签。

进一步地，所述装置还包括：

保存模块，用于将所述标签为预设过滤标签的待处理信息保存至样本信息库中；

重训练模块，用于当符合预设训练条件时，使用所述样本信息库中的信息对所述神经网络组中的神经网络进行重训练。

需要说明的是，上述装置/单元之间的信息交互、执行过程等内容，由于与本申请方法实施例基于同一构思，其具体功能及带来的技术效果，具体可参见方法实施例部分，此处不再赘述。

图3是本申请实施例三提供的终端设备的示意图。如图3所示，该实施例的终端设备3包括：处理器30、存储器31以及存储在所述存储器31中并可在所述处理器30上运行的计算机程序32。所述处理器30执行所述计算机程序32时实现上述信息过滤方法实施例中的步骤，例如图1所示的步骤S101至S103。或者，所述处理器30执行所述计算机程序32时实现上述各装置实施例中各模块/单元的功能，例如图2所示模块201至203的功能。

示例性的，所述计算机程序32可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器31中，并由所述处理器30执行，以完成本申请。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序32在所述终端设备3中的执行过程。例如，所述计算机程序32可以被分割成信息获取模块、标签识别模块以及信息过滤模块，各模块具体功能如下：

信息获取模块，用于获取待处理信息，所述待处理信息至少包括两种数据类型的信息；

标签识别模块，用于识别所述待处理信息包括的数据类型，将所述待处理信息中不同数据类型的信息输入神经网络组中对应的神经网络中进行处理，得到所述待处理信息中不同数据类型的信息的标签；

信息过滤模块，用于过滤所述待处理信息中标签为预设过滤标签的信息。

所述终端设备3可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述终端设备可包括，但不仅限于，处理器30、存储器31。本领域技术人员可以理解，图3仅仅是终端设备3的示例，并不构成对终端设备3的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述终端设备还可以包括输入输出设备、网络接入设备、总线等。

所称处理器30可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

所述存储器31可以是所述终端设备3的内部存储单元，例如终端设备3的硬盘或内存。所述存储器31也可以是所述终端设备3的外部存储设备，例如所述终端设备3上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器31还可以既包括所述终端设备3的内部存储单元也包括外部存储设备。所述存储器31用于存储所述计算机程序以及所述终端设备所需的其他程序和数据。所述存储器31还可以用于暂时地存储已经输出或者将要输出的数据。

所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。

在本申请所提供的实施例中，应该理解到，所揭露的装置/终端设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端设备实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。

以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。