[發明專利]基于相似度的數據信息儲存方法及系統

在審

• 申請號: 201810709543.9
• 申請日: 2018-07-02
• 公開（公告）號: CN108959207A
• 公開（公告）日: 2018-12-07
• 發明（設計）人: 孫英輝;姚天
• 申請（專利權）人: 蕪湖智權大數據運營有限公司
• 主分類號: G06F17/22
• 分類號: G06F17/22;G06F17/30
• 代理公司: 北京思創大成知識產權代理有限公司 11614
• 代理人: 張清芳

公開了一種基于相似度的數據信息儲存方法及系統。該方法可以包括：根據待儲存信息，獲得對應的概要字符串，并提取概要字符串的多個關鍵詞；檢索多個關鍵詞，獲得多個已知字符串；基于概要字符串分別與每一個已知字符串進行計算，獲得已知字符串對應的相似度系數；設置相似度閾值，刪除相似度系數小于相似度閾值的已知字符串，獲得已知字符串集合；在已知字符串集合中，將相似度系數最大的已知字符串作為對比字符串；將對比字符串對應的所屬領域作為待儲存信息的所屬領域。本發明通過對比概要字符串與已知字符串，分類關鍵詞并計算相似性，將儲存的信息分類，提升儲存與查找的效率與精度。

技術領域

本發明涉及信息技術領域，更具體地，涉及一種基于相似度的數據信息儲存方法及系統。

背景技術

大數據(big data)，指無法在一定時間范圍內用常規軟件工具進行捕捉、管理和處理的數據集合，是需要新處理模式才能具有更強的決策力、洞察發現力和流程優化能力的海量、高增長率和多樣化的信息資產，其具有5大特點：大量、高速、多樣、價值、真實性。但是，目前的大數據查詢多為人力手動，效率較低。因此，有必要開發一種基于相似度的數據信息儲存方法及系統。

公開于本發明背景技術部分的信息僅僅旨在加深對本發明的一般背景技術的理解，而不應當被視為承認或以任何形式暗示該信息構成已為本領域技術人員所公知的現有技術。

發明內容

本發明提出了一種基于相似度的數據信息儲存方法及系統，其能夠通過對比概要字符串與已知字符串，分類關鍵詞并計算相似性，將儲存的信息分類，提升儲存與查找的效率與精度。

根據本發明的一方面，提出了一種基于相似度的數據信息儲存方法。所述方法可以包括：根據待儲存信息，獲得對應的概要字符串，并提取所述概要字符串的多個關鍵詞；檢索所述多個關鍵詞，獲得多個已知字符串；基于所述概要字符串分別與每一個所述已知字符串進行計算，獲得所述已知字符串對應的相似度系數，設置相似度閾值，刪除所述相似度系數小于所述相似度閾值的已知字符串，獲得已知字符串集合；在所述已知字符串集合中，將相似度系數最大的已知字符串作為對比字符串；將所述對比字符串對應的所屬領域作為所述待儲存信息的所屬領域。

優選地，每一個所述已知字符串包括至少一個所述關鍵詞。

優選地，還包括：將所述多個關鍵詞根據重要程度進行排序，并對每一個關鍵詞賦予重點因子。

優選地，所述相似度系數為：

F_j＝∑A_iw_i (1)

其中，F_j表示第j個已知字符串的相似度系數，j取[1,M]，M表示已知字符串的個數，w_i表示該已知字符串與概要字符串相同的關鍵詞，A_i表示該關鍵詞對應的重點因子，i取[1,N]，N表示關鍵詞的個數。

根據本發明的另一方面，提出了一種基于相似度的數據信息儲存系統，其上存儲有計算機程序，其中，所述程序被處理器執行時實現以下步驟：根據待儲存信息，獲得對應的概要字符串，并提取所述概要字符串的多個關鍵詞；檢索所述多個關鍵詞，獲得多個已知字符串；基于所述概要字符串分別與每一個所述已知字符串進行計算，獲得所述已知字符串對應的相似度系數；設置相似度閾值，刪除所述相似度系數小于所述相似度閾值的已知字符串，獲得已知字符串集合；在所述已知字符串集合中，將相似度系數最大的已知字符串作為對比字符串；將所述對比字符串對應的所屬領域作為所述待儲存信息的所屬領域。

優選地，每一個所述已知字符串包括至少一個所述關鍵詞。

優選地，還包括：將所述多個關鍵詞根據重要程度進行排序，并對每一個關鍵詞賦予重點因子。

優選地，所述相似度系數為：