[發(fā)明專利]一種文檔檢測的方法、服務(wù)器及計算機可讀存儲介質(zhì)

在審

• 申請?zhí)枺?/td>: 201711468430.6
• 申請日: 2017-12-29
• 公開（公告）號: CN108021951A
• 公開（公告）日: 2018-05-11
• 發(fā)明（設(shè)計）人: 宋鵬舉
• 申請（專利權(quán)）人: 北京天融信網(wǎng)絡(luò)安全技術(shù)有限公司;北京天融信科技有限公司;北京天融信軟件有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06F17/30
• 代理公司: 工業(yè)和信息化部電子專利中心 11010
• 代理人: 張然

1.一種文檔檢測的方法，其特征在于，包括：

構(gòu)建預(yù)設(shè)文檔的指紋庫，所述指紋庫用于存儲所述預(yù)設(shè)文檔的特征數(shù)據(jù)；

根據(jù)所述指紋庫中的特征數(shù)據(jù)，對待檢測文檔進行相似度檢測和文檔重復(fù)度檢測。

2.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述構(gòu)建預(yù)設(shè)文檔的指紋庫，具體包括：

抽取預(yù)設(shè)文檔中的內(nèi)容，通過局部敏感哈希算法生成所述預(yù)設(shè)文檔的特征詞和特征字，并獲取所述預(yù)設(shè)文檔中的語句塊，將所述特征詞、所述特征字和所述語句塊存入指紋庫。

3.根據(jù)權(quán)利要求1所述的方法，其特征在于，根據(jù)所述指紋庫中的特征數(shù)據(jù)，對待檢測文檔進行相似度檢測和文檔重復(fù)度檢測，具體包括：

根據(jù)所述指紋庫和待檢文檔的特征數(shù)據(jù)，對待檢文檔和預(yù)設(shè)文檔進行相似度檢測，并對待檢文檔和預(yù)設(shè)文檔進行文檔重復(fù)度檢測。

4.根據(jù)權(quán)利要求3所述的方法，其特征在于，還包括：

抽取所述待檢文檔的特征數(shù)據(jù)。

5.根據(jù)權(quán)利要求4所述的方法，其特征在于，抽取所述待檢文檔的特征數(shù)據(jù)，具體包括：

通過局部敏感哈希算法抽取所述待檢文檔的特征詞和特征字。

6.根據(jù)權(quán)利要求3所述的方法，其特征在于，對待檢文檔和預(yù)設(shè)文檔進行文檔重復(fù)度檢測，具體包括：

判斷待檢文檔中是否存在預(yù)設(shè)文檔中的語句塊，如果是，則記錄待檢文檔存在所述語句塊的個數(shù)，否則，則判定待檢文檔與所述預(yù)設(shè)文檔不存在重復(fù)。

7.根據(jù)權(quán)利要求6所述的方法，其特征在于，判斷待檢文檔中是否存在預(yù)設(shè)文檔中的語句塊，具體包括：

判斷待檢文檔中是否存在，與預(yù)設(shè)文檔中的語句塊意思相同，且與所述語句塊的字數(shù)的差值在預(yù)設(shè)字數(shù)范圍內(nèi)的語句塊，如果是，則確定待檢文檔存在所述語句塊。

8.根據(jù)權(quán)利要求1所述的方法，其特征在于，

所述特征數(shù)據(jù)包括以下中的一種或多種：特征字、特征詞和語句塊。

9.一種服務(wù)器，其特征在于，所述服務(wù)器包括處理器、存儲器及通信總線；

所述通信總線用于實現(xiàn)處理器和存儲器之間的連接通信；

所述處理器用于執(zhí)行存儲器中存儲的計算機指令，以實現(xiàn)權(quán)利要求1至8中任一項所述的文檔檢測的方法。

10.一種計算機可讀存儲介質(zhì)，其特征在于，所述計算機可讀存儲介質(zhì)存儲有一個或者多個程序，所述一個或者多個程序可被一個或者多個處理器執(zhí)行，以實現(xiàn)權(quán)利要求1至8中任一項所述的文檔檢測的方法。