[發明專利]一種文本相似度進行量化的方法及其系統

有效

• 申請號: 202011002822.5
• 申請日: 2020-09-22
• 公開（公告）號: CN112100381B
• 公開（公告）日: 2022-05-17
• 發明（設計）人: 劉德建;任佳偉;陳宏展
• 申請（專利權）人: 福建天晴在線互動科技有限公司
• 主分類號: G06F16/35
• 分類號: G06F16/35;G06F16/33
• 代理公司: 福州旭辰知識產權代理事務所(普通合伙) 35233
• 代理人: 程勇

1.一種文本相似度進行量化的方法，其特征在于：所述方法適用于鑒別非法賬號，所述方法包括如下步驟：

步驟S1、接收要判斷的兩個文本相似度的請求，以及接收設定的一因子權值表，

步驟S2、讀取兩個文本對應的字符串StrA和StrB，并獲取字符串StrA和StrB的字符串長度，得到Len_A和Len_B，分別對StrA和StrB進行骨架拆分，得到骨架結構Skeleton_A、Skeleton_B；得到零件長度集合PartSizeList_A、PartSizeList_B；得到零件數量PartAmount_A、PartAmount_B；得到每個零件的內容集合PartContentList_A、PartContentList_B；將字符串中連續的同類字符作為一組，分成不同組，將這種分類方法稱為字符串的骨架拆分，將零件的分布稱為文本的骨架結構；

步驟S3、基于零件長度集合PartSizeList_A、PartSizeList_B生成存儲字符數據格式的零件長度集合PartSizeStr_A、PartSizeStr_B；

步驟S4、根據骨架結構Skeleton_A、Skeleton_B，零件數量PartAmount_A、PartAmount_B，每個零件的內容集合PartContentList_A、PartContentList_B，存儲字符數據格式的零件長度集合PartSizeStr_A、PartSizeStr_B來獲取字符串StrA和StrB的各相似度因子，

步驟S5、結合所述因子權值表，對各相似度因子加權求和，得出整體相似度，從而判斷兩個文本是否相似，來對文本中賬號進行聚類分組，將相似的賬號分為一組，然后統計數量異常的組，從而對非法賬號進行監控和封禁。

2.根據權利要求1所述的一種文本相似度進行量化的方法，其特征在于：對StrA和StrB進行骨架拆分的方式一樣，其中對StrA進行骨架拆分的實現方式具體包括如下步驟：步驟21、接收到對字符串StrA進行骨架拆分的請求；

步驟22、申請一塊連續的內存用于存儲字符串格式的骨架結構Skeleton；

步驟23、創建兩個空的列表，一個命名為PartSizeList，是一個存儲數字格式數據的列表，用于按順序存儲每個零件的長度，即每個零件的字符串長度，ParSizeList插入一個大小為0的數字數據成員；另一個命名為PartContentList，是一個存儲字符串格式數據的列表，用于按順序存儲每個零件的內容，PartContentList插入一個空的字符串；

步驟24、新建一個字節tmp用于存儲上一次讀取的字節內容并將字節tmp初始化為空字符串；

步驟25、從StrA中讀取1字節的數據CharA，如果CharA為字符串的結束符則進入步驟29；否則進入步驟26；

步驟26、如果CharA的ASCII碼在0x30-0x39之間則判定為數字類型字符，否則判定為非數字類型字符，進入步驟27；

步驟27、如果此時tmp為空字符串或tmp與CharA的數據類型相同，則將PartSizeList的最后一個數據成員大小加1，使用字符串拼接的方式將CharA拼接到PartContentList的最后一個數據成員的尾部，將CharA賦值給tmp，進入步驟25；如果tmp與CharA的數據類型不同，PartSizeList插入一個大小為1的新數據成員，PartContentList插入一個內容為CharA的新字符數據成員；將CharA賦值給tmp，進入步驟28；

步驟28、如果CharA為數字類型數據，則通過字符串拼接的方式在Skeleton的尾部拼接字符I，否則在Skeleton的尾部拼接字符S，進入步驟25；

步驟29、獲取Skeleton的字符串長度，這個長度即為StrA的零件數量PartAmount；

步驟30、返回StrA的零件數量PartAmount_A、骨架結構Skeleton_A、零件長度集合PartSizeList_A、零件內容集合PartContentList_A。