[发明专利]一种垃圾信息检测方法和装置

权利要求书

1.一种垃圾信息检测方法，其特征在于，该方法包括：

将待检测原始信息的语句切分成词；

统计不同词所占频率，并对所述切分后的词进行分类，统计每类词所占频率；

根据所述统计出的每类词所占频率以及不同词所占频率计算总权值；

比较所述总权值是否大于预先设定的第一阀值，如果是，则确定所述待检测原始信息为垃圾信息。

2.根据权利要求1所述的方法，其特征在于，所述将待检测原始信息的语句切分成词包括：

采用机械分词方式，将所述待检测原始信息的语句切分成词，一个字符或字对应一个词。

3.根据权利要求1所述的方法，其特征在于，所述根据统计出的每类词所占频率以及不同词所占频率计算总权值包括：

将所述不同类词中的一类或一类以上词所占频率进行加权相加，得到分类权值；

将所述统计出的不同词所占频率按照由大到小的顺序进行排序，从中选取出排在前N位的N个词所占频率，所述N值为预先设定；将所述N个词所占频率进行加权相加，得到词的权值；

将所述分类权值和词的权值进行加权相加，得到总权值。

4.根据权利要求3所述的方法，其特征在于，所述对切分后的词进行分类包括：将所述切分后的词分为中文、英文、数字以及特殊美国信息交换标准码字符四类；

所述将不同类词中的一类或一类以上词所占频率进行加权相加包括：将所述数字以及特殊美国信息交换标准码字符类词所占频率进行加权相加。

5.根据权利要求4所述的方法，其特征在于，所述将所述数字以及特殊美国信息交换标准码字符类词所占频率进行加权相加包括：

将与所述特殊美国信息交换标准码字符类词所占频率对应的权值设置较大。

6.根据权利要求3所述的方法，其特征在于，所述从中选取出排在前N位的N个词所占频率包括：从中选取出排在前3位的3个词所占频率。

7.根据权利要求3～6中任一项所述的方法，其特征在于，所述得到总权值之后，进一步包括：

比较所述一类或一类以上词所占频率中的最大频率是否大于预先设置的第二阈值，如果是，则在所述总权值的基础加上一个预先设置的值；否则，维持原有总权值不变；

同时，比较所述排序后，排在第一位的词所占频率是否大于所述预先设置的第二阈值，如果是，则在所述总权值的基础加上一个预先设置的值；否则，维持原有总权值不变。

8.根据权利要求1所述的方法，其特征在于，所述确定待检测原始信息为垃圾信息之后，进一步包括：

自动清除所述待检测原始信息；或者，将所述待检测原始信息显示给用户，由用户确定是否清除所述待检测原始信息。

9.一种垃圾信息检测装置，其特征在于，该装置包括：词分析单元、词统计单元以及规则应用单元；

所述词分析单元，用于将待检测原始信息的语句切分为词；

所述词统计单元，用于统计不同词所占频率，并对所述切分后的词进行分类，统计每类词所占频率；

所述规则应用单元，用于根据所述统计出的每类词所占频率以及不同词所占频率计算总权值，比较所述总权值是否大于预先设定的第一阀值，如果是，则确定所述待检测原始信息为垃圾信息。

10.根据权利要求9所述的装置，其特征在于，所述词统计单元中进一步包括：第一统计子单元以及第二统计子单元；

所述第一统计子单元，用于统计不同词所占频率；

所述第二统计子单元，用于将所述不同词分为中文、英文、数字以及特殊美国信息交换标准码字符四类，并统计每类词所占频率。

11.根据权利要求10所述的装置，其特征在于，所述规则应用单元中进一步包括：计算子单元以及确定子单元；

所述计算子单元，用于将所述不同类词中的一类或一类以上词所占频率进行加权相加，得到分类权值；对所述统计出的不同词所占频率按照由大到小的顺序进行排序，从中选取出排在前N位的N个词所占频率，将所述N个词所占频率进行加权相加，得到词的权值；将所述分类权值和词的权值进行加权相加，得到总权值；其中，所述N值为预先设定；

所述确定子单元，用于比较所述总权值是否大于预先设定的第一阀值，如果是，则确定所述待检测原始信息为垃圾信息。