[發(fā)明專利]基于關鍵詞的垃圾文檔過濾方法和裝置

無效

• 申請?zhí)枺?/td>: 201210563248.X
• 申請日: 2012-12-21
• 公開（公告）號: CN103064928A
• 公開（公告）日: 2013-04-24
• 發(fā)明（設計）人: 黃福昌;田飛;李雪明
• 申請（專利權）人: 北京二六三企業(yè)通信有限公司
• 主分類號: G06F17/30
• 分類號: G06F17/30;G06F17/28
• 代理公司: 北京同立鈞成知識產權代理有限公司 11205
• 代理人: 臧建明

技術領域

本發(fā)明涉及計算機技術，尤其涉及一種基于關鍵詞的垃圾文檔過濾方法和裝置。

背景技術

當前反垃圾技術中應用最普遍的方法就是關鍵詞過濾，即對待檢查文檔進行關鍵詞搜索，用以判別待檢查文檔是否為垃圾文檔。一般情況下，每個關鍵詞對應一條過濾規(guī)則。對待檢查文檔進行關鍵詞搜索的過程，就是對待檢查文檔進行過濾規(guī)則匹配的過程。

現有技術中，需要針對每個關鍵詞設置關鍵詞過濾規(guī)則，以保證反垃圾效果。然而，這種方式導致關鍵詞匹配效率較低，進而導致垃圾文檔的過濾效率低下，而且這種方式中關鍵詞可能列舉不全，導致垃圾文檔的過濾效率較低。

發(fā)明內容

本發(fā)明提供一種基于關鍵詞的垃圾文檔過濾方法和裝置，用于解決現有技術中關鍵詞匹配效率較低，進而導致垃圾文檔的過濾效率低下的問題。

本發(fā)明的第一個方面是提供一種基于關鍵詞的垃圾文檔過濾方法，包括：

獲取待檢查的中文文檔；

將所述中文文檔中的中文字符轉換成拼音字符，得到拼音文檔；

根據中文關鍵詞對應的拼音，對所述拼音文檔進行匹配；

若所述拼音文檔中的拼音字符與所述中文關鍵詞對應的拼音匹配，則將所述待檢查的中文文檔確定為垃圾文檔。

本發(fā)明的另一個方面提供一種基于關鍵詞的垃圾文檔過濾裝置，包括：

獲取模塊，用于獲取待檢查的中文文檔；

轉換模塊，用于將所述中文文檔中的中文字符轉換成拼音字符，得到拼音文檔；

匹配模塊，用于根據中文關鍵詞對應的拼音，對所述拼音文檔進行匹配；

確定模塊，用于若所述拼音文檔中的拼音字符與所述中文關鍵詞對應的拼音匹配，則將所述待檢查的中文文檔確定為垃圾文檔。

本發(fā)明通過獲取待檢查的中文文檔，并將中文文檔轉換成對應的拼音文檔，根據中文關鍵詞對應的拼音，對拼音文檔進行匹配，由于一個拼音關鍵詞可對應多個中文關鍵詞，減少關鍵詞的數量，從而提高關鍵詞匹配效率；而且拼音關鍵詞還可以與中文關鍵詞同音的沒有列舉出來的其他關鍵詞進行對應，從而提高了垃圾文檔識別率。

附圖說明

圖1為本發(fā)明基于關鍵詞的垃圾文檔過濾方法一個實施例的流程圖；

圖2為本發(fā)明基于關鍵詞的垃圾文檔過濾方法又一個實施例的流程圖；

圖3為本發(fā)明基于關鍵詞的垃圾文檔過濾裝置一個實施例的結構示意圖。

具體實施方式

為使本發(fā)明實施例的目的、技術方案和優(yōu)點更加清楚，下面將結合本發(fā)明實施例中的附圖，對本發(fā)明實施例中的技術方案進行清楚、完整地描述，顯然，所描述的實施例是本發(fā)明一部分實施例，而不是全部的實施例。基于本發(fā)明中的實施例，本領域普通技術人員在沒有做出創(chuàng)造性勞動前提下所獲得的所有其他實施例，都屬于本發(fā)明保護的范圍。

圖1為本發(fā)明基于關鍵詞的垃圾文檔過濾方法一個實施例的流程圖，如圖1所示，包括：

101、垃圾文檔過濾裝置獲取待檢查的中文文檔。

其中，待檢查的中文文檔可以為郵件、微博、貼吧或者博客等包含的文檔。本發(fā)明中基于關鍵詞的垃圾文檔過濾方法的執(zhí)行主體為垃圾文檔過濾裝置，該裝置可以為服務器、電腦或者手機等終端，還可以是上述終端中具有處理功能的模塊或芯片，例如：CPU等。該裝置可以用于對終端接收的郵件包含的文檔、以及終端登錄的微博、貼吧或者博客中的文檔進行過濾，判斷文檔是否為垃圾文檔。

102、垃圾文檔過濾裝置將中文文檔中的中文字符轉換成拼音字符，得到拼音文檔。

可選的，如果待檢查的中文文檔中包含英文字符，為了避免英文字符與中文字符轉換得到的拼音字符混淆，在垃圾文檔過濾裝置將中文文檔中的中文字符轉換成拼音字符，得到拼音文檔之前，可以將中文文檔中的大寫英文字符轉換成小寫英文字符。

其中，垃圾文檔過濾裝置可以先查詢中文文檔中的大寫英文字符，并將大寫英文字符轉換成小寫英文字符，然后垃圾文檔過濾裝置可以將中文文檔中的中文字符轉換成拼音字符，且拼音字符的首字母設置為大寫格式，與英文字符進行區(qū)分。

垃圾文檔過濾裝置將中文文檔中的中文字符轉換成拼音字符的過程可以為：垃圾文檔過濾裝置可以對中文文檔進行通用轉換格式（UnicodeTransformation?Format，UTF）編碼，獲取中文文檔中的每個中文字符對應的區(qū)位碼，并根據每個中文字符對應的區(qū)位碼，查詢靜態(tài)查找表，獲取每個中文字符對應的拼音字符其中，靜態(tài)查找表中包含區(qū)位碼及其對應的拼音字符。從而降低將中文文檔中的中文字符轉化成拼音字符帶來的額外開銷。