[发明专利]基于关键词的垃圾文档过滤方法和装置

说明书

技术领域

本发明涉及计算机技术，尤其涉及一种基于关键词的垃圾文档过滤方法和装置。

背景技术

当前反垃圾技术中应用最普遍的方法就是关键词过滤，即对待检查文档进行关键词搜索，用以判别待检查文档是否为垃圾文档。一般情况下，每个关键词对应一条过滤规则。对待检查文档进行关键词搜索的过程，就是对待检查文档进行过滤规则匹配的过程。

现有技术中，需要针对每个关键词设置关键词过滤规则，以保证反垃圾效果。然而，这种方式导致关键词匹配效率较低，进而导致垃圾文档的过滤效率低下，而且这种方式中关键词可能列举不全，导致垃圾文档的过滤效率较低。

发明内容

本发明提供一种基于关键词的垃圾文档过滤方法和装置，用于解决现有技术中关键词匹配效率较低，进而导致垃圾文档的过滤效率低下的问题。

本发明的第一个方面是提供一种基于关键词的垃圾文档过滤方法，包括：

获取待检查的中文文档；

将所述中文文档中的中文字符转换成拼音字符，得到拼音文档；

根据中文关键词对应的拼音，对所述拼音文档进行匹配；

若所述拼音文档中的拼音字符与所述中文关键词对应的拼音匹配，则将所述待检查的中文文档确定为垃圾文档。

本发明的另一个方面提供一种基于关键词的垃圾文档过滤装置，包括：

获取模块，用于获取待检查的中文文档；

转换模块，用于将所述中文文档中的中文字符转换成拼音字符，得到拼音文档；

匹配模块，用于根据中文关键词对应的拼音，对所述拼音文档进行匹配；

确定模块，用于若所述拼音文档中的拼音字符与所述中文关键词对应的拼音匹配，则将所述待检查的中文文档确定为垃圾文档。

本发明通过获取待检查的中文文档，并将中文文档转换成对应的拼音文档，根据中文关键词对应的拼音，对拼音文档进行匹配，由于一个拼音关键词可对应多个中文关键词，减少关键词的数量，从而提高关键词匹配效率；而且拼音关键词还可以与中文关键词同音的没有列举出来的其他关键词进行对应，从而提高了垃圾文档识别率。

附图说明

图1为本发明基于关键词的垃圾文档过滤方法一个实施例的流程图；

图2为本发明基于关键词的垃圾文档过滤方法又一个实施例的流程图；

图3为本发明基于关键词的垃圾文档过滤装置一个实施例的结构示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

图1为本发明基于关键词的垃圾文档过滤方法一个实施例的流程图，如图1所示，包括：

101、垃圾文档过滤装置获取待检查的中文文档。

其中，待检查的中文文档可以为邮件、微博、贴吧或者博客等包含的文档。本发明中基于关键词的垃圾文档过滤方法的执行主体为垃圾文档过滤装置，该装置可以为服务器、电脑或者手机等终端，还可以是上述终端中具有处理功能的模块或芯片，例如：CPU等。该装置可以用于对终端接收的邮件包含的文档、以及终端登录的微博、贴吧或者博客中的文档进行过滤，判断文档是否为垃圾文档。

102、垃圾文档过滤装置将中文文档中的中文字符转换成拼音字符，得到拼音文档。

可选的，如果待检查的中文文档中包含英文字符，为了避免英文字符与中文字符转换得到的拼音字符混淆，在垃圾文档过滤装置将中文文档中的中文字符转换成拼音字符，得到拼音文档之前，可以将中文文档中的大写英文字符转换成小写英文字符。

其中，垃圾文档过滤装置可以先查询中文文档中的大写英文字符，并将大写英文字符转换成小写英文字符，然后垃圾文档过滤装置可以将中文文档中的中文字符转换成拼音字符，且拼音字符的首字母设置为大写格式，与英文字符进行区分。

垃圾文档过滤装置将中文文档中的中文字符转换成拼音字符的过程可以为：垃圾文档过滤装置可以对中文文档进行通用转换格式（UnicodeTransformation Format，UTF）编码，获取中文文档中的每个中文字符对应的区位码，并根据每个中文字符对应的区位码，查询静态查找表，获取每个中文字符对应的拼音字符其中，静态查找表中包含区位码及其对应的拼音字符。从而降低将中文文档中的中文字符转化成拼音字符带来的额外开销。