[發明專利]基于語義的文檔指紋構建方法、存儲介質和計算機設備

在審

• 申請號: 201811266721.1
• 申請日: 2018-10-29
• 公開（公告）號: CN109344407A
• 公開（公告）日: 2019-02-15
• 發明（設計）人: 宋鵬舉
• 申請（專利權）人: 北京天融信網絡安全技術有限公司;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: G06F17/27
• 分類號: G06F17/27;G06F21/62
• 代理公司: 工業和信息化部電子專利中心 11010
• 代理人: 秦瑩

1.一種基于語義的文檔指紋構建方法，其特征在于，該方法包括：

采集需要保護的文檔數據；

對所述文檔數據進行語義分析獲得多個有用詞匯；以及

根據所有所述有用詞匯生成所述文檔數據對應的語義指紋。

2.根據權利要求1所述的基于語義的文檔指紋構建方法，其特征在于，根據所有所述有用詞匯生成所述文檔數據對應的語義指紋的步驟之后，該方法還包括：

根據多個所述文檔數據的所述語義指紋生成語義指紋庫。

3.根據權利要求2所述的基于語義的文檔指紋構建方法，其特征在于，根據多個所述文檔數據的所述語義指紋生成語義指紋庫的步驟之后，該方法還包括：

抽取待檢文檔數據的語義；

將所述語義與所述語義指紋庫中的所述語義指紋進行比對；以及

根據比對結果處理所述待檢文檔數據。

4.根據權利要求3所述的基于語義的文檔指紋構建方法，其特征在于，處理所述待檢文檔數據具體包括：對所述待檢文檔數據進行阻斷、告誡或放行操作。

5.根據權利要求1所述的基于語義的文檔指紋構建方法，其特征在于，對所述文檔數據進行語義分析獲得多個有用詞匯的步驟，具體包括：

利用語義分析算法對所述文檔數據進行語義分析獲得多個詞匯；

度量所述詞匯的重要度；以及

根據所述重要度過濾掉多個所述詞匯中的停用詞匯獲得多個所述有用詞匯。

6.根據權利要求5所述的基于語義的文檔指紋構建方法，其特征在于，所述語義分析算法包括：基于詞典的雙向匹配分詞算法、基于HMM的詞法分析方法和基于CRF的詞法分析方法。

7.根據權利要求5所述的基于語義的文檔指紋構建方法，其特征在于，根據所有所述有用詞匯生成所述文檔數據對應的語義指紋的步驟，具體包括：

根據所有所述有用詞匯構建Term-Doc矩陣；

利用矩陣奇異值分解算法分解所述Term-Doc矩陣得到左向量、右向量和特征矩陣；

根據預設指紋大小對所述特征矩陣進行降維處理得到降維特征矩陣；

根據所述左向量、所述降維特征矩陣和所述右向量獲得所述Term-Doc矩陣的近似矩陣；

根據所述近似矩陣生成所述文檔數據對應的語義指紋。

8.根據權利要求7所述的基于語義的文檔指紋構建方法，其特征在于，根據所述近似矩陣生成所述文檔數據對應的語義指紋的步驟，具體包括：

將所述近似矩陣每行作為一個特征向量；以及

根據所有所述特征向量直接拼接所述文檔數據的語義指紋。

9.一種存儲介質，其特征在于，所述存儲介質上存儲有計算機程序，所述計算機程序被處理器執行時實現權利要求1至8中任意一項所述方法的步驟。

10.一種計算機設備，其特征在于，包括存儲器、處理器及存儲在所述存儲器上并可在所述處理器上運行的計算機程序，所述處理器執行所述計算機程序時實現權利要求1至8中任意一項所述方法的步驟。