[发明专利]一种基于分组最小值作为指纹计算相似度的方法

权利要求书

1.一种无需随机排列的指纹计算相似度的方法，其特征在于，包括以下步骤：

S1.文本特征提取：用于提取文本特征集合S_d；

S2.数据分组：给定2个文档S₁和S₂，对S₁和S₂中的元素按固定大小m进行分组，组数设为k，全集为Ω＝{0,1,2…,2³²-1}，|Ω|＝2³²，将集合中有的元素标为1，无的元素标为0；

S3.选出组内代表，形成指纹：

每组选取一个代表，该代表为每组的最大值、最小值或者中间元素；若组内无元素，称为空组，设为e，S_d就形成了k个以组内代表为元素的集合，即指纹集合；

S4.计算相似度R，其计算方式为：

R＝N_mat/(k-N_emp) (4)

其中，N_mat表示S₁和S₂的指纹集合每组代表相等的次数，N_emp表示S₁和S₂的指纹集合同时为空组的次数；I_mat,i表示第i组比较时的相等的计数；I_emp,i表示同时为空的计数；

具体如下：

Nmat=Σi=1kImat,i---(5)]]>

Nemp=Σi=1kIemp,i---(6)]]>

Imat,i=1,if min(i-th group)1=min(i-th group)2≠e0,otherwise---(7)]]>

公式(7)具体是：当比较两个元素都不为e，即都不为空时，且两个元素相等，则I_mat,i＝1，否则I_mat,i＝0；

Iemp,i=1,if min(i-th group)1=min(i-th group)2=e0,otherwise---(8)]]>

公式(8)具体是：当比较两个元素都为e，即都为空时，则I_emp,i＝1，否则I_emp,i＝0。