Nothing Special   »   [go: up one dir, main page]

CN112183052B - 一种文档重复度检测方法、装置、设备和介质 - Google Patents

一种文档重复度检测方法、装置、设备和介质 Download PDF

Info

Publication number
CN112183052B
CN112183052B CN202011051910.4A CN202011051910A CN112183052B CN 112183052 B CN112183052 B CN 112183052B CN 202011051910 A CN202011051910 A CN 202011051910A CN 112183052 B CN112183052 B CN 112183052B
Authority
CN
China
Prior art keywords
document
detected
matching
digital signature
sentence
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202011051910.4A
Other languages
English (en)
Other versions
CN112183052A (zh
Inventor
孙增旺
武园园
于一笑
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Baidu China Co Ltd
Original Assignee
Baidu China Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Baidu China Co Ltd filed Critical Baidu China Co Ltd
Priority to CN202011051910.4A priority Critical patent/CN112183052B/zh
Publication of CN112183052A publication Critical patent/CN112183052A/zh
Application granted granted Critical
Publication of CN112183052B publication Critical patent/CN112183052B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00Handling natural language data
    • G06F40/10Text processing
    • G06F40/194Calculation of difference between files
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/31Indexing; Data structures therefor; Storage structures
    • G06F16/316Indexing structures
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/31Indexing; Data structures therefor; Storage structures
    • G06F16/316Indexing structures
    • G06F16/319Inverted lists
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/33Querying
    • G06F16/3331Query processing
    • G06F16/334Query execution
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00Pattern recognition
    • G06F18/20Analysing
    • G06F18/22Matching criteria, e.g. proximity measures

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Computational Linguistics (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Health & Medical Sciences (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本申请公开了一种文档重复度检测方法、装置、设备和介质,涉及计算机技术领域和人工智能技术领域。具体实现方案为:得到待检测文档的至少一个语句数字签名;将所述待检测文档的语句数字签名,在过渡文档样本库的语句数字签名中进行匹配,得到第一匹配结果,所述过渡文档样本库中文档为通过审核且未上线发布的文档;根据所述第一匹配结果的匹配情况,将所述待检测文档的语句数字签名在线上文档样本库的语句数字签名中进行匹配,得到第二匹配结果,所述线上文档样本库中文档为上线发布文档;根据匹配结果,对所述待检测文档进行重复度检测,所述匹配结果包括所述第一匹配结果和/或所述第二匹配结果。本申请实施例可以提高重复文档的检测效率。

Description

一种文档重复度检测方法、装置、设备和介质
技术领域
本申请涉及计算机技术领域,尤其涉及人工智能技术领域。具体涉及一种文档重复度检测方法、装置、设备和介质
背景技术
目前,网络上出现了大量的抄袭他人作品的文档。可以审核并拦截上传重复文档,从源头杜绝重复文档的上传,达到保护版权的效果。
现有重复文档的检测方式为:将文档与全部文档进行逐一比对,这种检测方式效率低。
发明内容
本申请提供了一种文档重复度检测方法、装置、设备和介质。
根据本申请的一方面,提供了一种文档重复度检测方法,所述方法包括:
采用数字签名算法对待检测文档中的至少一个语句进行运算,得到所述待检测文档的至少一个语句数字签名;
将所述待检测文档的语句数字签名,在过渡文档样本库的语句数字签名中进行匹配,得到第一匹配结果,所述过渡文档样本库中文档为通过审核且未上线发布的文档;
根据所述第一匹配结果的匹配情况,将所述待检测文档的语句数字签名在线上文档样本库的语句数字签名中进行匹配,得到第二匹配结果,所述线上文档样本库中文档为上线发布文档;
根据匹配结果,对所述待检测文档进行重复度检测,所述匹配结果包括所述第一匹配结果和/或所述第二匹配结果。
根据本申请的另一方面,提供了一种文档重复度检测装置,所述装置包括:
签名运算模块,用于采用数字签名算法对待检测文档中的至少一个语句进行运算,得到所述待检测文档的至少一个语句数字签名;
第一库匹配模块,用于将所述待检测文档的语句数字签名,在过渡文档样本库的语句数字签名中进行匹配,得到第一匹配结果,所述过渡文档样本库中文档为通过审核且未上线发布的文档;
第二库匹配模块,用于根据所述第一匹配结果的匹配情况,将所述待检测文档的语句数字签名在线上文档样本库的语句数字签名中进行匹配,得到第二匹配结果,所述线上文档样本库中文档为上线发布文档;
重复检测模块,用于根据匹配结果,对所述待检测文档进行重复度检测,所述匹配结果包括所述第一匹配结果和/或所述第二匹配结果。
根据本申请的另一方面,提供了电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行本申请实施例中任一项所述的文档重复度检测方法。
根据本申请的另一方面,提供了一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行本申请实施例中任一项所述的文档重复度检测方法。
根据本申请的技术方案,通过计算待检测文档的语句数字签名,优先在过渡文档样本库的语句数字签名中进行匹配,并匹配情况选择性在线上文档样本库的语句数字签名中进行匹配,根据匹配结果对待检测文档进行重复度检测,从而提高重复度检测的效率。
上述可选方式所具有的其他效果将在下文中结合具体实施例加以说明。
附图说明
附图用于更好地理解本方案,不构成对本申请的限定。其中:
图1是本申请实施例中的一种文档重复度检测方法的流程图;
图2是本申请实施例中的一种文档重复度检测方法的流程图;
图3是本申请实施例中的一种文档重复度检测方法的流程图;
图4是本申请实施例中的一种文档重复度检测方法的流程图;
图5是本申请是可以实现本申请实施例的场景图;
图6是本申请实施例中的文档重复度检测装置的结构图;
图7是本申请实施例中的电子设备的结构图。
具体实施方式
以下结合附图对本申请的示范性实施例做出说明,其中包括本申请实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本申请的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
图1是根据本申请实施例公开的一种文档重复度检测方法的流程图,本实施例可以适用于对待发布文档,检测文档是否为重复文档的情况。本实施例方法可以由文档重复度检测装置来执行,该装置可采用软件和/或硬件的方式实现,并具体配置于具有一定数据运算能力的电子设备中。
S101,采用数字签名算法对待检测文档中的至少一个语句进行运算,得到所述待检测文档的至少一个语句数字签名。
本实施例中,待检测文档可以是用户上传的任一格式文档,如PDF格式或者WORD格式。待检测文档包括多个字符和语句,本实施例旨在检测待检测文档与其他文档是否明显重复。
为了提炼待检测文档的特征以便于重复度检测,采用数字签名算法对待检测文档中的字符进行运算,得到待检测文档的数字签名。其中,数字签名是一个带有密钥的消息摘要算法,用于验证数据完整性、认证数据来源和抗否认。
可选的,数字签名算法包括但不限于RSA加密算法和DSA(Digital signatureAlgorithm,数字签名标准算法)。
示例性的,采用simhash(字符串签名算法)对待检测文档进行运算。签名的目标是:相同文档的simhash签名值相同;相似文档的simhash签名值的汉明码距离小于一定门限值,这是simhash特有的性质,从而可以根据simhash签名值,准确区分重复文档、相似文档和不同文档。采用simhash算法把待检测文档中的字符串变成01串,两个相差只有一个字符的文本串:“你妈妈喊你回家吃饭哦,回家罗回家罗”和“你妈妈叫你回家吃饭啦,回家罗回家罗”通过simhash计算结果分别为:1000010010101101111111100000101011010001001111100001001011001011和1000010010101101011111100000101011010001001111100001101010001011。
将待检测文档按照语句进行切分,得到多个特征片段。并采用数字签名算法对多个特征片段分别进行运算,得到多个数字签名。
在一个实施例中,切分得到的特征片段中可能有噪声(或者干扰信息)。例如,中文语句中“空格”可能由不同格式或版本引入,而非真实有意义的内容,为了保证不同版本的相似内容可以匹配,识别并去除类似的干扰内容。在另一个实施例中,考虑到一个特征片段过于短时,比如“你好”,其信息量太小,重复的可能性太大,从而对检测引起不必要的干扰,因此有必要从切分后或者去除干扰后的特征片段中选择信息量足够多的片段作为待检测文档的特征片段。可以选择超过长度门限值的特征片段,长度门限值可以是10个字符,从而留下特征鲜明的相对长的特征片段。
本实施例通过将待检测文档以语句维度运算数字签名,从而有效地表达待检测文档的内容特征,有利于得到准确的重复度检测结果,同时又不会因为切分维度过细,引起重复度检测的匹配数量过多而导致重复度检测速度缓慢,从而加快重复度检测速度。
可选的,采用数字签名算法对待检测文档中的至少一个语句进行运算之前,还包括:获取所述待检测文档包括的至少一个语句;在各所述语句中删除黑名单中语句,包括所述黑名单中语句所属的文档数量达到文档数量门限值。
实际上,有一些广为流传的名言警句,会被广泛引用在大量文档中,由此,这些被大量引用的语句不适用与作为判断文档是否为重复文档的依据,即这些被大量引用的语句无法有效表达待检测文档的内容特征。黑名单中语句可以是在大量文档中引用的语句。文档数量门限值用于判断语句是否添加到黑名单,即判断语句是否是在大量文档中引用的语句。示例性的,文档数量门限值为10万篇。
通过将文档中语句中删除黑名单语句,基于剩余语句计算语句数字签名,可以排除语句干扰,并使语句数字签名有效表达待检测文档的内容特征,从而提高重复度检测精度。
S102,将所述待检测文档的语句数字签名,在过渡文档样本库的语句数字签名中进行匹配,得到第一匹配结果,所述过渡文档样本库中文档为通过审核且未上线发布的文档。
通过审核且未上线发布的文档可以是指文档经审核后直到文档上线前,这区间停留的文档,其中,审核可以至少包括查重审核,此外,审核还可以包括鉴黄审核、暴恐审核、敏感词审核或广告审核等。
过渡文档样本库中存储有通过审核且未上线发布的文档、通过审核且未上线发布的文档的语句数字签名、和关系图谱。其中,关系图谱包括文档和该文档中语句对应的语句数字签名之间的对应关系。示例性的,可以将文档经审核后直到文档上线前,这区间停留的文档实时存入过渡文档样本库。需要说明的是,文档实时存入文档样本库,可以是指将文档的标识信息(如ID,IDentity)存入文档样本库。
将待检测文档的语句数字签名,在文档样本库的语句数字签名中进行匹配,实际是将每个语句数字签名,逐一与文档样本库的语句数字签名进行匹配。得到的匹配结果可以包括语句数字签名以及与该语句数字签名匹配的匹配语句数字签名的组合。具体的,可以将待检测文档的语句数字签名与样本库中的每个语句数字签名逐一进行相似度计算,得到相似度。示例性的,如果待检测文档的语句数字签名与样本库中的一语句数字签名相同,或达到(或大于等于)设定相似度门限值(如80%),则确定该待检测文档的语句数字签名和该样本库中的语句数字签名匹配,并将该待检测文档的语句数字签名和该样本库中的语句数字签名的组合作为匹配结果。此外,匹配结果还可以包括将该待检测文档的语句数字签名和该样本库中的语句数字签名之间的相似度。
由于用户误操作导致多次上传同一个文档,过渡文档样本库中存在与待检测文档重复的文档的概率更高,从而选择过渡文档样本库进行匹配,可以快速识别待检测文档是否为重复文档。通过配置过渡文档样本库,可以对未上线资源进行排查,达到用户自己跟自己或他人提交内容对比,防止用户频繁上传自己相同文档的作弊行为。
S103,根据所述第一匹配结果的匹配情况,将所述待检测文档的语句数字签名在线上文档样本库的语句数字签名中进行匹配,得到第二匹配结果,所述线上文档样本库中文档为上线发布文档。
上线发布文档可以是指在网络中可以浏览或者可以获取的文档。线上文档样本库中存储有上线发布文档、上线发布文档的语句数字签名、和关系图谱。可以将全网站线上各类文档实时存入线上文档样本库,例如文档经过人工审核上线后,可以实时存入线上文档样本库。
可以在过渡文档样本库匹配之后,选择是否继续在线上文档样本库中继续匹配,例如,可以仅在过渡文档样本库中进行匹配,或者可以在过渡文档样本库中匹配之后,继续在线上文档样本库中进行匹配。具体可以根据第一匹配结果的匹配情况进行判断。
可选的,根据所述第一匹配结果的匹配情况,将所述待检测文档的语句数字签名在线上文档样本库的语句数字签名中进行匹配,包括:如果所述第一匹配结果的匹配情况为,匹配的语句数字签名未达到重复数量门限值,则触发将所述待检测文档的语句数字签名在线上文档样本库的语句数字签名中进行匹配。
匹配的语句数字签名可以是指与在过渡文档样本库中与待检测文档的任一语句数字签名匹配的语句数字签名,下文称匹配语句数字签名。重复数量门限值用于判断待检测文档的语句数字签名是否继续在线上文档样本库的语句数字签名中进行匹配。
匹配的语句数字签名未达到重复数量门限值,是指匹配的语句数字签名的数量小于重复数量门限值,表明待检测文档与在过渡文档样本库相似度较低,由此,可以选择进一步在线上文档样本库中进行匹配,实现在小范围确定语句数字签名的重复数量较少时,在更大范围内对待检测文档的语句数字签名进行匹配,以由小范围向大范围递进方式匹配语句数字签名,根据匹配情况增加匹配范围,减少语句数字签名的匹配数量。
通过优先在过渡文档样本库中进行匹配,并在过渡文档样本库中匹配的语句数字签名的重复数量较少时,继续在线上文档样本库的语句数字签名中进行匹配,增加待检测文档的语句数字签名的匹配范围,有利于准确获取与待检测文档重复的文档,提高重复度检测精度,同时实现由小范围向大范围递进方式匹配语句数字签名,根据匹配情况增加匹配范围,减少语句数字签名的匹配数量,提高重复度检测的效率。
S104,根据匹配结果,对所述待检测文档进行重复度检测,所述匹配结果包括所述第一匹配结果和/或所述第二匹配结果。
可以仅根据第一匹配结果或第二匹配结果对待检测文档进行重复度检测,或者还可以采用第一匹配结果和第二匹配结果共同配合,对待检测文档进行重复度检测。其中,可以按照待检测文档的各语句数字签名,将第一匹配结果和第二匹配结果进行合并,形成匹配结果。
示例性的,如果匹配结果中,与待检测文档的语句数字签名匹配的属于同一个文档的语句数字签名个数超过设定门限值,如20,则测定待检测文档为重复文档。
在一种实施方式中,可以仅根据匹配结果对待检测文档进行重复度检测。
在一种实施方式中,可以在匹配结果的基础上,进一步精匹配,对待检测文档进行重复度检测。
可选的,根据匹配结果,对所述待检测文档进行重复度检测,包括:获取所述匹配结果中匹配语句数字签名对应的候选文档;根据各所述候选文档中匹配语句数字签名的数量,从各所述候选文档中筛选出至少一个目标候选文档;将所述待检测文档的正文与各所述目标候选文档的正文进行文本匹配,得到第三匹配结果;根据所述第三匹配结果,确定所述待检测文档的重复检测结果。
在前述中,与待检测文档的语句数字签名匹配的属于同一个候选文档的语句数字签名个数超过设定门限值,则测定待检测文档为重复文档。还可以是,与待检测文档的语句数字签名匹配的属于同一个文档的语句数字签名个数超过设定门限值,则确定该候选文档为目标候选文档。目标候选文档的数量为至少一个。并继续将待检测文档与各目标候选文档进行比对,判断待检测文档是否为重复文档。
待检测文档可以切分为标题和正文,类似的,目标候选文档可以切分为标题和正文。可以将待检测文档的正文与目标候选文档的正文逐一比对,判断待检测文档是否与目标候选文档重复。
具体的,对正文按照语句进行切分,得到正文的多个特征片段,并计算正文的多个正文数字签名。将待检测文档的正文数字签名在目标候选文档的正文数字签名中匹配。得到的匹配结果为第三匹配结果。第三匹配结果用于评价待检测文档正文与目标候选文档正文的重复程度。第三匹配结果为待检测文档正文中与目标候选文档正文中的相同特征,如相同的正文数字签名。
在一个具体实施方式中,如果目标候选文档的匹配数量与所述待检测文档的语句数字签名数量的比值大于等于设定比值,确定所述目标候选文档为目标候选文档。示例性的,如果第三匹配结果中,属于一个目标候选文档的,与待检测文档的正文数字签名匹配的正文数字签名个数超过设定门限值,如10,则测定待检测文档为重复文档。
根据本申请的技术方案,通过语句匹配筛选出可能与待检测文档重复的目标候选文档,将文档范围缩小,再通过正文匹配进行精确匹配,从而通过粗细两种匹配尺度,减少了匹配计算量,同时保证对所有可能重复的文档进行检测,提高检测精度。
可选的,根据匹配结果,对所述待检测文档进行重复度检测,包括:获取所述待检测文档的辅助判断数据,所述待检测文档的辅助判断数据包括:所述待检测文档的标题和/或所述待检测文档发起用户的历史文档中重复文档的占比;根据所述匹配结果和所述辅助判断数据,确定所述待检测文档的重复检测结果。
将待检测文档切分为标题和正文,类似的,将文档样本库中文档切分为标题和正文。可以将待检测文档的标题与文档样本库中文档的标题逐一比对,计算标题的相似度。
具体的,可以采用基准方法、词移距离方法或平滑逆频率方法等计算待检测文档的标题与文档样本库中每个文档标题的相似度。或者对标题按照词、语句或段落等至少一个维度进行切分,得到标题的多个特征片段,并计算标题的多个数字签名。分别计算两个标题的各数字签名的汉明码距离,并根据汉明码距离计算标题的相似度。显然,汉明码距离越大,相似度越小。示例性的,相似度在0-100之间取值。
在标题相似度大于等于设定标题相似度门限值,确定该待检测文档为重复文档。
此外,还可以获取待检测文档的内容信息,作为计算待检测文档与文档样本库中各文档的相似度。
待检测文档发起用户可以是指待检测文档的作者。待检测文档发起用户的历史文档中重复文档的占比,可以是指发起用户上传的重复文档的数量与该发起用户上传的历史文档的数量比值。
例如历史文档的数量为100,将100篇历史文档分别进行重复度检测,得到80篇为重复文档,则重复文档的占比为80%。如果重复文档的占比较高,则结合作者较低的历史信誉,应倾向于测定待检测文档为重复文档。具体的,如果占比大于等于占比门限值,则确定占比较高,可以设定占比门限值可以为较小的值。具体的,用1减去重复文档的占比,得到设定占比门限值。
具体的,如果标题的相似度大于等于设定标题相似度门限值,和/或历史文档中重复文档的占比大于等于占比门限值,则确定待检测文档为重复文档;或者如果与待检测文档的语句数字签名匹配的属于同一个文档的语句数字签名个数超过设定门限值,则确定待检测文档为重复文档。
在一个实施例中,如果标题的相似度大于等于设定标题相似度门限值,历史文档中重复文档的占比大于等于占比门限值,或者与待检测文档的语句数字签名匹配的属于同一个文档的语句数字签名个数超过设定门限值,则确定待检测文档为重复文档。
通过标题相似度、历史文档中重复文档的占比和匹配结果同时参与重复度检测,从而从多方面进行重复度检测,提高检测精度。
根据本申请的技术方案,通过计算待检测文档的语句数字签名,优先在过渡文档样本库的语句数字签名中进行匹配,并匹配情况选择性在线上文档样本库的语句数字签名中进行匹配,根据匹配结果对待检测文档进行重复度检测,从而减少将文档与全部文档进行逐一匹配的情况,解决了现有技术中文档与全部文档进行逐一匹配,以检测重复文档的重复度检测效率低的问题,可以优先在文档数量少的库中进行匹配,并选择性在线上文档样本库中进行匹配,减少重复度检测的文档数量,提高重复度检测的效率。
图2是根据本申请实施例公开的另一种文档重复度检测方法的流程图,基于上述技术方案进一步优化与扩展,并可以与上述各个可选实施方式进行结合。
S201,采用数字签名算法对待检测文档中的至少一个语句进行运算,得到所述待检测文档的至少一个语句数字签名。
本实施方式中未详细描述的内容,可以参考上述任意实施方式中的描述。
S202,将所述待检测文档的语句数字签名,在过渡文档样本库的语句数字签名中进行匹配,得到第一匹配结果,所述过渡文档样本库中文档为通过审核且未上线发布的文档。
S203,根据所述第一匹配结果的匹配情况,将所述待检测文档的语句数字签名在线上文档样本库的语句数字签名中进行匹配,得到第二匹配结果,所述线上文档样本库中文档为上线发布文档。
S204,获取匹配结果包括的至少一个匹配语句数字签名,所述匹配语句数字签名与所述待检测文档的任一语句数字签名匹配,所述匹配结果包括所述第一匹配结果和/或所述第二匹配结果。
匹配语句数字签名可以是指在文档样本库中的语句数字签名,且与待检测文档的多个语句数字签名中任一语句数字签名匹配。
S205,查询各所述匹配语句数字签名对应的候选文档。
候选文档包括计算得到匹配语句数字签名的语句。候选文档可以是指对应的语句数字签名与待检测文档的语句数字签名匹配的文档。候选文档可以视为与待检测文档有重复内容的文档。
可选的,在查询各所述匹配语句数字签名对应的候选文档的同时,还包括:建立资源列表,所述资源列表中包括匹配语句数字签名与候选文档之间的对应关系;统计各所述候选文档中匹配语句数字签名的匹配数量,包括:根据所述资源列表,将属于同一候选文档的匹配语句数字签名进行合并;根据合并后的匹配语句数字签名,统计各所述候选文档中匹配语句数字签名的数量。
资源列表记录有待检测文档中每个语句数字签名与匹配语句数字签名之间的对应关系。可以在查询候选文档时,实时将与匹配语句数字签名对应的候选文档添加到与匹配语句数字签名匹配的位置处,形成资源列表。实际上,资源列表记录有语句数字签名、匹配语句数字签名和候选文档这三者之间的映射关系。资源列表可以理解为与待检测文档包含有相同特征的所有内容。
示例性的,待检测文档的语句数字签名A与文档1的匹配语句数字签名a匹配,待检测文档的语句数字签名A与文档2的匹配语句数字签名b匹配,待检测文档的语句数字签名B与文档3的匹配语句数字签名c匹配。相应的,资源列表可以表示为:A-文档1(匹配语句数字签名a)和文档2(匹配语句数字签名b);B-文档3(匹配语句数字签名c)。
在资源列表中,可以快速将属于同一候选文档的匹配语句数字签名进行合并,由此可以统计出属于该候选文档的匹配语句数字签名的数量。该候选文档的匹配语句数字签名的数量,可以表示该候选文档与待检测文档中相同语句的数量。
此外,在资源列表中,候选文档每出现一次,表明候选文档与待检测文档存在一个重复语句,也即候选文档出现次数表示候选文档与待检测文档中重复语句的数量。而实际上,候选文档出现次数与该候选文档的匹配语句数字签名的数量相同。从而,还可以直接在资源列表中统计候选文档出现次数确定为匹配语句数字签名的数量。
通过建立资源列表,并根据资源列表中对应关系,统计属于同一候选文档的匹配语句数字签名的数量,通过资源列表进行文档合并,可以准确统计出待检测文档与各候选文档中相同语句的数量,以确定待检测文档的重复程度,提高重复度检测精度。
可选的,查询各所述匹配语句数字签名对应的候选文档,包括:根据预先建立的文档与语句数字签名之间的关系图谱,查询各所述匹配语句数字签名对应的候选文档;其中,所述关系图谱包括:正排索引关系图谱或倒排索引关系图谱,所述正排索引关系图谱包括文档与语句数字签名的索引关系,所述倒排索引关系图谱包括语句数字签名与文档的索引关系。
关系图谱用于根据语句数字签名查询文档。关系图谱记录有语句数字签名与文档之间的对应关系。其中,正排索引关系图谱描述文档与至少一个语句数字签名之间的对应关系,而倒排索引关系图谱描述语句数字签名与至少一个文档之间的图谱关系。正排索引关系图谱和倒排索引关系图谱均可以根据语句数字签名查询到对应的文档。
实际上,一个语句可以在多个文档中出现,同时,一个文档可以包括多个语句,由此,语句与文档之间存在多对多的对应关系,将该多对多的对应关系建立索引,形成关系图谱。
通过建立关系图谱,精确表达文档与语句数字签名之间的对应关系,可以准确根据语句数字签名查询到对应的候选文档,从而提高重复内容的检测精度。
S206,统计各所述候选文档中匹配语句数字签名的匹配数量。
匹配数量可以是指候选文档的多个语句数字签名中包括的匹配语句数字签名的数量。一个候选文档的匹配数量可以是指待检测文档与该候选文档中相同语句(或相似语句)的数量。从而,一个候选文档的匹配数量可以用于表示待检测文档与该候选文档的重复程度。
S207,如果所述目标候选文档的匹配数量与所述待检测文档的语句数字签名数量的比值大于等于设定比值,确定所述待检测文档为重复文档。
待检测文档的语句数字签名数量可以是指待检测文档的语句数字签名的总数量。目标候选文档的匹配数量与待检测文档的语句数字签名数量的比值,用于表示待检测文档与目标候选文档的重复的内容在待检测文档中总内容的占比。如果比值较高,则应倾向于测定待检测文档为重复文档。设定比值用于判断待检测文档是否为重复文档。例如,设定比值为90%。
可选的,在对所述待检测文档进行重复度检测之后,还包括:建立所述待检测文档与各所述语句数字签名的正排索引关系,并确定为所述待检测文档的索引关系;或建立各所述语句数字签名与所述待检测文档的倒排索引关系,并确定为所述待检测文档的索引关系;在所述待检测文档为非重复文档时,将所述待检测文档的索引关系添加到所述过渡文档样本库的关系图谱中;在所述待检测文档发布时,将所述待检测文档的索引关系添加到所述线上文档样本库的关系图谱中。
待检测文档为非重复文档,表明该待检测文档与过渡文档样本库中任一文档不重复,和/或与线上文档样本库中任一文档不重复。可以将待检测文档添加到文档样本库中。如果待检测文档未发布,则作为通过审核且未上线发布的文档添加到过渡文档样本库;如果待检测文档发布,则作为上线发布文档添加到过渡文档样本库。
并且,文档样本库中还包括关系图谱,可以为待检测文档与待检测文档的语句数字签名建立索引关系,并添加到文档样本库中的关系图谱中,以便后续与新的文档进行重复度检测。
其中,在待检测文档发布时,可以将过渡文档样本库中的待检测文档关联的数据删除,减少过渡文档样本库与线上文档样本库中相同的数据,减少冗余存储。
通过在建立待检测文档的索引关系,并添加到文档样本库中,以使文档样本库实时增加补充,不需要再浪费人力添加来扩充文档样本库,减少文档样本库更新的人力成本,并且定期优化文档样本库,更新文档的排查范围,提高重复度检测准确率。
根据本申请的技术方案,通过获取匹配语句数字签名对应的候选文档,并统计各候选文档的匹配数量,以计算各候选文档与待检测文档的重复内容占比,并在存在重复内容较多的候选文档时,确定待检测文档为重复文档,可以准确筛选出重复程度高的目标筛选文档,从而提高重复度检测的精度。
图3和图4是根据本申请实施例公开的另一种文档重复度检测方法的流程图,基于上述技术方案进一步优化与扩展,并可以与上述各个可选实施方式进行结合。
可选的,将根据匹配结果,对所述待检测文档进行重复度检测,细化为:获取匹配结果包括的至少一个匹配语句数字签名,所述匹配语句数字签名与所述待检测文档的任一语句数字签名匹配;查询各所述匹配语句数字签名对应的候选文档;统计各所述候选文档中匹配语句数字签名的匹配数量;如果所述目标候选文档的匹配数量与所述待检测文档的语句数字签名数量的比值大于等于设定比值,确定所述待检测文档为重复文档。
相应的,在查询各所述匹配语句数字签名对应的候选文档的同时,还包括:建立资源列表,所述资源列表中包括匹配语句数字签名与候选文档之间的对应关系;统计各所述候选文档中匹配语句数字签名的匹配数量,包括:根据所述资源列表,将属于同一候选文档的匹配语句数字签名进行合并;根据合并后的匹配语句数字签名,统计各所述候选文档中匹配语句数字签名的数量。
同时将根据匹配结果,对所述待检测文档进行重复度检测,优化为:获取所述匹配结果中匹配语句数字签名对应的候选文档;根据各所述候选文档中匹配语句数字签名的数量,从各所述候选文档中筛选出至少一个目标候选文档;将所述待检测文档的正文与各所述目标候选文档的正文进行文本匹配,得到第三匹配结果;根据所述第三匹配结果,确定所述待检测文档的重复检测结果。
并且,将根据匹配结果,对所述待检测文档进行重复度检测,优化为:获取所述待检测文档的辅助判断数据,所述待检测文档的辅助判断数据包括:所述待检测文档的标题和/或所述待检测文档发起用户的历史文档中重复文档的占比;根据所述匹配结果和所述辅助判断数据,确定所述待检测文档的重复检测结果。
如图3和图4所示的文档重复度检测方法,包括:
S301,采用数字签名算法对待检测文档中的至少一个语句进行运算,得到所述待检测文档的至少一个语句数字签名。
本实施方式中未详细描述的内容,可以参考上述任意实施方式中的描述。
S302,将所述待检测文档的语句数字签名,在过渡文档样本库的语句数字签名中进行匹配,得到第一匹配结果,所述过渡文档样本库中文档为通过审核且未上线发布的文档。
S303,根据所述第一匹配结果的匹配情况,将所述待检测文档的语句数字签名在线上文档样本库的语句数字签名中进行匹配,得到第二匹配结果,所述线上文档样本库中文档为上线发布文档。
S304,获取匹配结果包括的至少一个匹配语句数字签名,所述匹配语句数字签名与所述待检测文档的任一语句数字签名匹配,所述匹配结果包括所述第一匹配结果和/或所述第二匹配结果。
S305,查询各所述匹配语句数字签名对应的候选文档,并建立资源列表,所述资源列表中包括匹配语句数字签名与候选文档之间的对应关系。
S306,根据所述资源列表,将属于同一候选文档的匹配语句数字签名进行合并。
S307,根据合并后的匹配语句数字签名,统计各所述候选文档中匹配语句数字签名的数量。
S308,根据各所述候选文档中匹配语句数字签名的数量,从各所述候选文档中筛选出至少一个目标候选文档。
示例性的,如果候选文档的匹配数量与待检测文档的语句数字签名数量的比值大于等于设定比值,确定该候选文档为目标候选文档。
S309,将所述待检测文档的正文与各所述目标候选文档的正文进行文本匹配,得到第三匹配结果。
S310,获取所述待检测文档的辅助判断数据,所述待检测文档的辅助判断数据包括:所述待检测文档的标题和/或所述待检测文档发起用户的历史文档中重复文档的占比。
S311,根据所述第三匹配结果和所述辅助判断数据,确定所述待检测文档的重复检测结果。
在一个例子中,如图5所示,用户上传待检测文档381,依次经过文本查重系统382、句子查重系统383、反盗版系统384、反作弊系统385审核,在各系统审核通过时,才能进行下一步。在各系统均审核通过时,该待检测文档上线发布。其中,本申请的技术方案应用于句子查重系统383。具体的,句子查重系统383的审核过程为:S391,在句子查重系统383中预先搭建文档样本库,如过渡文档样本库和线上文档样本库,并不断更新。S382,句子查重系统383采用数字签名算法对待检测文档381(经文本查重系统382审核通过)中语句进行运算,得到待检测文档381的语句数字签名。S383,根据待检测文档381的语句数字签名进行重复度检测。最终S394,句子查重系统383输出待检测文档381的重复检测结果。
根据本申请的技术方案,通过建立资源列表,并合并资源列表,并在匹配结果的基础上进一步进行正文匹配,得到第三匹配结果,将第三匹配结果与辅助判断数据同时参与重复度检测,从而从多方面进行重复度检测,提高检测精度。
根据本申请的实施例,图6是本申请实施例中的文档重复度检测装置的结构图,本申请实施例适用于检测文档是否重复的情况,该装置采用软件和/或硬件实现,并具体配置于具备一定数据运算能力的电子设备中。
如图6所示的一种文档重复度检测装置400,包括:签名运算模块401、第一库匹配模块402、第二库匹配模块403和重复检测模块404;其中,
签名运算模块401,用于采用数字签名算法对待检测文档中的至少一个语句进行运算,得到所述待检测文档的至少一个语句数字签名;
第一库匹配模块402,用于将所述待检测文档的语句数字签名,在过渡文档样本库的语句数字签名中进行匹配,得到第一匹配结果,所述过渡文档样本库中文档为通过审核且未上线发布的文档;
第二库匹配模块403,用于根据所述第一匹配结果的匹配情况,将所述待检测文档的语句数字签名在线上文档样本库的语句数字签名中进行匹配,得到第二匹配结果,所述线上文档样本库中文档为上线发布文档;
重复检测模块404,用于根据匹配结果,对所述待检测文档进行重复度检测,所述匹配结果包括所述第一匹配结果和/或所述第二匹配结果。
本实施例中,通过计算待检测文档的语句数字签名,优先在过渡文档样本库的语句数字签名中进行匹配,并匹配情况选择性在线上文档样本库的语句数字签名中进行匹配,根据匹配结果对待检测文档进行重复度检测,从而减少将文档与全部文档进行逐一匹配的情况,解决了现有技术中文档与全部文档进行逐一匹配,以检测重复文档的重复度检测效率低的问题,可以优先在文档数量少的库中进行匹配,并选择性在线上文档样本库中进行匹配,减少重复度检测的文档数量,提高重复度检测的效率。
进一步的,所述第二库匹配模块403,包括:第一匹配结果判断单元,用于如果所述第一匹配结果的匹配情况为,匹配的语句数字签名未达到重复数量门限值,则触发将所述待检测文档的语句数字签名在线上文档样本库的语句数字签名中进行匹配。
进一步的,所述重复检测模块404,包括:匹配语句数字签名获取单元,用于获取匹配结果包括的至少一个匹配语句数字签名,所述匹配语句数字签名与所述待检测文档的任一语句数字签名匹配;候选文档获取单元,用于查询各所述匹配语句数字签名对应的候选文档;候选文档中匹配数量统计单元,用于统计各所述候选文档中匹配语句数字签名的匹配数量;重复文档检测单元,用于如果所述目标候选文档的匹配数量与所述待检测文档的语句数字签名数量的比值大于等于设定比值,确定所述待检测文档为重复文档。
进一步的,所述文档重复度检测装置还包括:资源列表建立模块,用于在查询各所述匹配语句数字签名对应的候选文档的同时,建立资源列表,所述资源列表中包括匹配语句数字签名与候选文档之间的对应关系;所述候选文档中匹配数量统计单元,包括:资源列表合并子单元,用于根据所述资源列表,将属于同一候选文档的匹配语句数字签名进行合并;匹配数量统计子单元,用于根据合并后的匹配语句数字签名,统计各所述候选文档中匹配语句数字签名的数量。
进一步的,所述候选文档获取单元,包括:关系图谱建立子单元,用于根据预先建立的文档与语句数字签名之间的关系图谱,查询各所述匹配语句数字签名对应的候选文档;其中,所述关系图谱包括:正排索引关系图谱或倒排索引关系图谱,所述正排索引关系图谱包括文档与语句数字签名的索引关系,所述倒排索引关系图谱包括语句数字签名与文档的索引关系。
进一步的,所述重复检测模块404,包括:候选文档获取单元,用于获取所述匹配结果中匹配语句数字签名对应的候选文档;候选文档筛选单元,用于根据各所述候选文档中匹配语句数字签名的数量,从各所述候选文档中筛选出至少一个目标候选文档;正文匹配单元,用于将所述待检测文档的正文与各所述目标候选文档的正文进行文本匹配,得到第三匹配结果;重复文档检测单元,用于根据所述第三匹配结果,确定所述待检测文档的重复检测结果。
进一步的,所述重复检测模块404,包括:辅助判断数据获取单元,用于获取所述待检测文档的辅助判断数据,所述待检测文档的辅助判断数据包括:所述待检测文档的标题和/或所述待检测文档发起用户的历史文档中重复文档的占比;辅助判断单元,用于根据所述匹配结果和所述辅助判断数据,确定所述待检测文档的重复检测结果。
进一步的,所述文档重复度检测装置还包括:语句获取模块,用于在采用数字签名算法对待检测文档中的至少一个语句进行运算之前,获取所述待检测文档包括的至少一个语句;语句筛选模块,用于在各所述语句中删除黑名单中语句,包括所述黑名单中语句所属的文档数量达到文档数量门限值。
进一步的,所述文档重复度检测装置还包括:索引关系建立模块,用于在对所述待检测文档进行重复度检测之后,建立所述待检测文档与各所述语句数字签名的正排索引关系,并确定为所述待检测文档的索引关系;或建立各所述语句数字签名与所述待检测文档的倒排索引关系,并确定为所述待检测文档的索引关系;过渡文档样本库添加模块,用于在所述待检测文档为非重复文档时,将所述待检测文档的索引关系添加到所述过渡文档样本库的关系图谱中;线上文档样本库添加模块,用于在所述待检测文档发布时,将所述待检测文档的索引关系添加到所述线上文档样本库的关系图谱中。
上述文档重复度检测装置可执行本申请任意实施例所提供的文档重复度检测方法,具备执行文档重复度检测方法相应的功能模块和有益效果。
根据本申请的实施例,本申请还提供了一种电子设备和一种可读存储介质。
如图7所示,是实现本申请实施例的文档重复度检测方法的电子设备的框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本申请的实现。
如图7所示,该电子设备包括:一个或多个处理器501、存储器502,以及用于连接各部件的接口,包括高速接口和低速接口。各个部件利用不同的总线互相连接,并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理,包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如,耦合至接口的显示设备)上显示GUI的图形信息的指令。在其它实施方式中,若需要,可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样,可以连接多个电子设备,各个终端提供部分必要的操作(例如,作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图7中以一个处理器501为例。
存储器502即为本申请所提供的非瞬时计算机可读存储介质。其中,存储器存储有可由至少一个处理器执行的指令,以使至少一个处理器执行本申请所提供的文档重复度检测方法。本申请的非瞬时计算机可读存储介质存储计算机指令,该计算机指令用于使计算机执行本申请所提供的文档重复度检测方法。
存储器502作为一种非瞬时计算机可读存储介质,可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块,如本申请实施例中的文档重复度检测方法对应的程序指令/模块(例如,附图4所示的包括签名运算模块401、匹配模块402、网络搜索模块403和检测模块404)。处理器501通过运行存储在存储器502中的非瞬时软件程序、指令以及模块,从而执行服务器的各种功能应用以及数据处理,即实现上述方法实施例中的文档重复度检测方法。
存储器502可以包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需要的应用程序;存储数据区可存储实现文档重复度检测方法的电子设备的使用所创建的数据等。此外,存储器502可以包括高速随机存取存储器,还可以包括非瞬时存储器,例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中,存储器502可选包括相对于处理器501远程设置的存储器,这些远程存储器可以通过网络连接至执行文档重复度检测方法的电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
执行文档重复度检测方法的电子设备还可以包括:输入装置503和输出装置504。处理器501、存储器502、输入装置503和输出装置504可以通过总线或者其他方式连接,图7中以通过总线连接为例。
输入装置503可接收输入的数字或字符信息,以及产生与执行文档重复度检测方法的电子设备的用户设置以及功能控制有关的键信号输入,例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置504可以包括显示设备、辅助照明装置(例如,LED)和触觉反馈装置(例如,振动电机)等。该显示设备可以包括但不限于,液晶显示器(LCD)、发光二极管(LED)显示器和等离子体显示器。在一些实施方式中,显示设备可以是触摸屏。
此处描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、专用ASIC(专用集成电路)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令,并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的,术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如,磁盘、光盘、存储器、可编程逻辑装置(PLD)),包括,接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。
根据本申请的技术方案,通过计算待检测文档的语句数字签名,优先在过渡文档样本库的语句数字签名中进行匹配,并匹配情况选择性在线上文档样本库的语句数字签名中进行匹配,根据匹配结果对待检测文档进行重复度检测,从而减少将文档与全部文档进行逐一匹配的情况,解决了现有技术中文档与全部文档进行逐一匹配,以检测重复文档的重复度检测效率低的问题,可以优先在文档数量少的库中进行匹配,并选择性在线上文档样本库中进行匹配,减少重复度检测的文档数量,提高重复度检测的效率。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本申请公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本申请保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等,均应包含在本申请保护范围之内。

Claims (16)

1.一种文档重复度检测方法,所述方法包括:
采用数字签名算法对待检测文档中的至少一个语句进行运算,得到所述待检测文档的至少一个语句数字签名;
将所述待检测文档的语句数字签名,在过渡文档样本库的语句数字签名中进行匹配,得到第一匹配结果,所述过渡文档样本库中文档为通过审核且未上线发布的文档;
根据所述第一匹配结果的匹配情况,将所述待检测文档的语句数字签名在线上文档样本库的语句数字签名中进行匹配,得到第二匹配结果,所述线上文档样本库中文档为上线发布文档;
根据匹配结果,对所述待检测文档进行重复度检测,所述匹配结果包括所述第一匹配结果和/或所述第二匹配结果;
所述根据匹配结果,对所述待检测文档进行重复度检测,包括:
获取匹配结果包括的至少一个匹配语句数字签名,所述匹配语句数字签名与所述待检测文档的任一语句数字签名匹配;
查询各所述匹配语句数字签名对应的候选文档;
统计各所述候选文档中匹配语句数字签名的匹配数量;
如果目标候选文档的匹配数量与所述待检测文档的语句数字签名数量的比值大于等于设定比值,确定所述待检测文档为重复文档;
所述查询各所述匹配语句数字签名对应的候选文档,包括:
根据预先建立的文档与语句数字签名之间的关系图谱,查询各所述匹配语句数字签名对应的候选文档;
其中,所述关系图谱包括:正排索引关系图谱或倒排索引关系图谱,所述正排索引关系图谱包括文档与语句数字签名的索引关系,所述倒排索引关系图谱包括语句数字签名与文档的索引关系。
2.根据权利要求1所述的方法,其中,根据所述第一匹配结果的匹配情况,将所述待检测文档的语句数字签名在线上文档样本库的语句数字签名中进行匹配,包括:
如果所述第一匹配结果的匹配情况为,匹配的语句数字签名未达到重复数量门限值,则触发将所述待检测文档的语句数字签名在线上文档样本库的语句数字签名中进行匹配。
3.根据权利要求1所述的方法,其中,在查询各所述匹配语句数字签名对应的候选文档的同时,还包括:
建立资源列表,所述资源列表中包括匹配语句数字签名与候选文档之间的对应关系;
统计各所述候选文档中匹配语句数字签名的匹配数量,包括:
根据所述资源列表,将属于同一候选文档的匹配语句数字签名进行合并;
根据合并后的匹配语句数字签名,统计各所述候选文档中匹配语句数字签名的数量。
4.根据权利要求1所述的方法,其中,根据匹配结果,对所述待检测文档进行重复度检测,包括:
获取所述匹配结果中匹配语句数字签名对应的候选文档;
根据各所述候选文档中匹配语句数字签名的数量,从各所述候选文档中筛选出至少一个目标候选文档;
将所述待检测文档的正文与各所述目标候选文档的正文进行文本匹配,得到第三匹配结果;
根据所述第三匹配结果,确定所述待检测文档的重复检测结果。
5.根据权利要求1-4任一所述的方法,其中,根据匹配结果,对所述待检测文档进行重复度检测,包括:
获取所述待检测文档的辅助判断数据,所述待检测文档的辅助判断数据包括:所述待检测文档的标题和/或所述待检测文档发起用户的历史文档中重复文档的占比;
根据所述匹配结果和所述辅助判断数据,确定所述待检测文档的重复检测结果。
6.根据权利要求1所述的方法,其中,采用数字签名算法对待检测文档中的至少一个语句进行运算之前,还包括:
获取所述待检测文档包括的至少一个语句;
在各所述语句中删除黑名单中语句,包括所述黑名单中语句所属的文档数量达到文档数量门限值。
7.根据权利要求1所述的方法,其中,在对所述待检测文档进行重复度检测之后,还包括:
建立所述待检测文档与各所述语句数字签名的正排索引关系,并确定为所述待检测文档的索引关系;或
建立各所述语句数字签名与所述待检测文档的倒排索引关系,并确定为所述待检测文档的索引关系;
在所述待检测文档为非重复文档时,将所述待检测文档的索引关系添加到所述过渡文档样本库的关系图谱中;
在所述待检测文档发布时,将所述待检测文档的索引关系添加到所述线上文档样本库的关系图谱中。
8.一种文档重复度检测装置,所述装置包括:
签名运算模块,用于采用数字签名算法对待检测文档中的至少一个语句进行运算,得到所述待检测文档的至少一个语句数字签名;
第一库匹配模块,用于将所述待检测文档的语句数字签名,在过渡文档样本库的语句数字签名中进行匹配,得到第一匹配结果,所述过渡文档样本库中文档为通过审核且未上线发布的文档;
第二库匹配模块,用于根据所述第一匹配结果的匹配情况,将所述待检测文档的语句数字签名在线上文档样本库的语句数字签名中进行匹配,得到第二匹配结果,所述线上文档样本库中文档为上线发布文档;
重复检测模块,用于根据匹配结果,对所述待检测文档进行重复度检测,所述匹配结果包括所述第一匹配结果和/或所述第二匹配结果;
所述重复检测模块,包括:
匹配语句数字签名获取单元,用于获取匹配结果包括的至少一个匹配语句数字签名,所述匹配语句数字签名与所述待检测文档的任一语句数字签名匹配;
候选文档获取单元,用于查询各所述匹配语句数字签名对应的候选文档;
候选文档中匹配数量统计单元,用于统计各所述候选文档中匹配语句数字签名的匹配数量;
重复文档检测单元,用于如果目标候选文档的匹配数量与所述待检测文档的语句数字签名数量的比值大于等于设定比值,确定所述待检测文档为重复文档;
所述候选文档获取单元,包括:
关系图谱建立子单元,用于根据预先建立的文档与语句数字签名之间的关系图谱,查询各所述匹配语句数字签名对应的候选文档;其中,所述关系图谱包括:正排索引关系图谱或倒排索引关系图谱,所述正排索引关系图谱包括文档与语句数字签名的索引关系,所述倒排索引关系图谱包括语句数字签名与文档的索引关系。
9.根据权利要求8所述的装置,其中,所述第二库匹配模块,包括:
第一匹配结果判断单元,用于如果所述第一匹配结果的匹配情况为,匹配的语句数字签名未达到重复数量门限值,则触发将所述待检测文档的语句数字签名在线上文档样本库的语句数字签名中进行匹配。
10.根据权利要求8所述的装置,其中,还包括:
资源列表建立模块,用于在查询各所述匹配语句数字签名对应的候选文档的同时,建立资源列表,所述资源列表中包括匹配语句数字签名与候选文档之间的对应关系;
所述候选文档中匹配数量统计单元,包括:
资源列表合并子单元,用于根据所述资源列表,将属于同一候选文档的匹配语句数字签名进行合并;
匹配数量统计子单元,用于根据合并后的匹配语句数字签名,统计各所述候选文档中匹配语句数字签名的数量。
11.根据权利要求8所述的装置,其中,所述重复检测模块,包括:
候选文档获取单元,用于获取所述匹配结果中匹配语句数字签名对应的候选文档;
候选文档筛选单元,用于根据各所述候选文档中匹配语句数字签名的数量,从各所述候选文档中筛选出至少一个目标候选文档;
正文匹配单元,用于将所述待检测文档的正文与各所述目标候选文档的正文进行文本匹配,得到第三匹配结果;
重复文档检测单元,用于根据所述第三匹配结果,确定所述待检测文档的重复检测结果。
12.根据权利要求8-11任一所述的装置,其中,所述重复检测模块,包括:
辅助判断数据获取单元,用于获取所述待检测文档的辅助判断数据,所述待检测文档的辅助判断数据包括:所述待检测文档的标题和/或所述待检测文档发起用户的历史文档中重复文档的占比;
辅助判断单元,用于根据所述匹配结果和所述辅助判断数据,确定所述待检测文档的重复检测结果。
13.根据权利要求8所述的装置,其中,还包括:
语句获取模块,用于在采用数字签名算法对待检测文档中的至少一个语句进行运算之前,获取所述待检测文档包括的至少一个语句;
语句筛选模块,用于在各所述语句中删除黑名单中语句,包括所述黑名单中语句所属的文档数量达到文档数量门限值。
14.根据权利要求8所述的装置,其中,还包括:
索引关系建立模块,用于在对所述待检测文档进行重复度检测之后,建立所述待检测文档与各所述语句数字签名的正排索引关系,并确定为所述待检测文档的索引关系;或建立各所述语句数字签名与所述待检测文档的倒排索引关系,并确定为所述待检测文档的索引关系;
过渡文档样本库添加模块,用于在所述待检测文档为非重复文档时,将所述待检测文档的索引关系添加到所述过渡文档样本库的关系图谱中;
线上文档样本库添加模块,用于在所述待检测文档发布时,将所述待检测文档的索引关系添加到所述线上文档样本库的关系图谱中。
15. 一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-7中任一项所述的一种文档重复度检测方法。
16.一种存储有计算机指令的非瞬时计算机可读存储介质,所述计算机指令用于使所述计算机执行权利要求1-7中任一项所述的一种文档重复度检测方法。
CN202011051910.4A 2020-09-29 2020-09-29 一种文档重复度检测方法、装置、设备和介质 Active CN112183052B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011051910.4A CN112183052B (zh) 2020-09-29 2020-09-29 一种文档重复度检测方法、装置、设备和介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011051910.4A CN112183052B (zh) 2020-09-29 2020-09-29 一种文档重复度检测方法、装置、设备和介质

Publications (2)

Publication Number Publication Date
CN112183052A CN112183052A (zh) 2021-01-05
CN112183052B true CN112183052B (zh) 2024-03-05

Family

ID=73947120

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011051910.4A Active CN112183052B (zh) 2020-09-29 2020-09-29 一种文档重复度检测方法、装置、设备和介质

Country Status (1)

Country Link
CN (1) CN112183052B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112861505A (zh) * 2021-02-04 2021-05-28 北京百度网讯科技有限公司 重复度检测方法、装置和电子设备
CN113505579A (zh) * 2021-06-03 2021-10-15 北京达佳互联信息技术有限公司 文档处理方法、装置、电子设备及存储介质
CN118585629A (zh) * 2024-08-01 2024-09-03 中汽数据(天津)有限公司 一种智能交互方法、装置、介质及电子设备

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101076800A (zh) * 2004-08-23 2007-11-21 汤姆森环球资源公司 重复文档检测及表示功能
CN102156689A (zh) * 2011-03-31 2011-08-17 百度在线网络技术(北京)有限公司 文档检测方法及装置
CN102402537A (zh) * 2010-09-15 2012-04-04 盛乐信息技术(上海)有限公司 中文网页文本除重系统及方法
CN104252445A (zh) * 2013-06-26 2014-12-31 华为技术有限公司 文档相似度计算方法、近似重复文档检测方法及装置
CN106326197A (zh) * 2016-08-23 2017-01-11 达而观信息科技(上海)有限公司 一种快速检测重复抄袭文本的方法
CN109756344A (zh) * 2019-03-01 2019-05-14 广联达科技股份有限公司 一种文档的数字签名及其验证方法和装置
CN111159359A (zh) * 2019-12-31 2020-05-15 达闼科技成都有限公司 文档检索方法、装置及计算机可读存储介质

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7139756B2 (en) * 2002-01-22 2006-11-21 International Business Machines Corporation System and method for detecting duplicate and similar documents
US20110047385A1 (en) * 2009-08-24 2011-02-24 Hershel Kleinberg Methods and Systems for Digitally Signing a Document

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101076800A (zh) * 2004-08-23 2007-11-21 汤姆森环球资源公司 重复文档检测及表示功能
CN102402537A (zh) * 2010-09-15 2012-04-04 盛乐信息技术(上海)有限公司 中文网页文本除重系统及方法
CN102156689A (zh) * 2011-03-31 2011-08-17 百度在线网络技术(北京)有限公司 文档检测方法及装置
CN104252445A (zh) * 2013-06-26 2014-12-31 华为技术有限公司 文档相似度计算方法、近似重复文档检测方法及装置
CN106326197A (zh) * 2016-08-23 2017-01-11 达而观信息科技(上海)有限公司 一种快速检测重复抄袭文本的方法
CN109756344A (zh) * 2019-03-01 2019-05-14 广联达科技股份有限公司 一种文档的数字签名及其验证方法和装置
CN111159359A (zh) * 2019-12-31 2020-05-15 达闼科技成都有限公司 文档检索方法、装置及计算机可读存储介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Effective and Fast Near Duplicate Detection via Signature-Based Compression Metrics;Xi Zhang 等;《Mathematical Problems in Engineering》;第2016卷(第10期);1-12 *
改进的Simhash 算法在文本查重中的研究及应用;庞宇 等;《数字通信世界》;203-204 *

Also Published As

Publication number Publication date
CN112183052A (zh) 2021-01-05

Similar Documents

Publication Publication Date Title
CN111709247B (zh) 数据集处理方法、装置、电子设备和存储介质
CN111753914B (zh) 模型优化方法和装置、电子设备及存储介质
CN112183052B (zh) 一种文档重复度检测方法、装置、设备和介质
EP3832488A2 (en) Method and apparatus for generating event theme, device and storage medium
CN110474900B (zh) 一种游戏协议测试方法及装置
CN111488740A (zh) 一种因果关系的判别方法、装置、电子设备及存储介质
CN111338692B (zh) 基于漏洞代码的漏洞分类方法、装置及电子设备
CN112380847B (zh) 兴趣点处理方法、装置、电子设备及存储介质
CN111737966B (zh) 文档重复度检测方法、装置、设备和可读存储介质
CN111858905B (zh) 模型训练方法、信息识别方法、装置、电子设备及存储介质
US9558245B1 (en) Automatic discovery of relevant data in massive datasets
CN112115313B (zh) 正则表达式的生成、数据提取方法、装置、设备及介质
CN112084150B (zh) 模型训练、数据检索方法,装置,设备以及存储介质
CN113986950A (zh) 一种sql语句处理方法、装置、设备及存储介质
CN111291192B (zh) 知识图谱中三元组置信度计算方法和装置
CN114943228B (zh) 端到端敏感文本召回模型的训练方法、敏感文本召回方法
CN111738290B (zh) 图像检测方法、模型构建和训练方法、装置、设备和介质
CN112699314A (zh) 热点事件确定方法、装置、电子设备及存储介质
CN112328710B (zh) 实体信息处理方法、装置、电子设备和存储介质
CN113590914B (zh) 信息处理方法、装置、电子设备和存储介质
CN112182409B (zh) 数据处理方法、装置、设备及计算机存储介质
CN111523036B (zh) 一种搜索行为挖掘方法、装置和电子设备
CN111737398B (zh) 文本中的敏感词的检索方法、装置、电子设备及存储介质
CN111125362B (zh) 一种异常文本确定方法、装置、电子设备和介质
CN113761528A (zh) 恶意软件检测方法和装置

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant