[发明专利]文件聚类方法、装置、设备及可读介质

权利要求书

1.一种文件聚类方法，其特征在于，所述方法包括：

从N个文件中获取第i个文件的k_i个相似文件，每个文件具有各自的标签；

将所述k_i个相似文件中出现次数最多的标签定义为参考标签；

当所述第i个文件的当前标签与所述参考标签不同时，则将所述第i个文件的所述当前标签改为所述参考标签；

重复执行上述步骤，直到所述每个文件的所述当前标签和所述参考标签均相同，得到所述每个文件的最终标签；

将所述N个文件中具有相同最终标签的文件归为同一类簇。

2.根据权利要求1所述的方法，其特征在于，所述获取所述第i个文件的k_i个相似文件，包括：

获取所述N个文件中每个文件之间的关联程度，建立文件关联关系；

从所述文件关联关系中获取所述第i个文件与其他N-1个文件之间的关联程度；

将所述其他N-1个文件中与所述第i个文件的关联程度高于预设阈值的文件，确定为所述第i个文件的k_i个相似文件。

3.根据权利要求2所述的方法，其特征在于，所述获取所述N个文件中每个文件之间的关联程度，建立文件关联关系，包括：

获取所述N个文件中每个文件的特征值；

根据所述每个文件的特征值计算得到所述每个文件的特征哈希值；

在所述N个文件中任意获取第x个文件和第y个文件，其中，所述第x个文件的特征哈希值大于所述第y个文件的特征哈希值；

将所述第y个文件的特征哈希值除以所述第x个文件的特征哈希值，得到所述第x个文件和所述第y个文件之间的关联程度。

4.根据权利要求1至3任一所述的方法，其特征在于，所述将所述k_i个相似文件中出现次数最多的标签定义为参考标签，包括：

若所述k_i个相似文件中具有至少两个出现次数最多的标签，则在所述至少两个出现次数最多的标签中随机选择一个标签作为所述参考标签。

5.根据权利要求1至3任一所述的方法，其特征在于，所述方法还包括：

对于所述k_i个相似文件中当前标签不是所述参考标签的文件，将所述文件的当前标签均改为所述参考标签。

6.根据权利要求1至3任一所述的方法，其特征在于，所述N个文件中包含种子文件，所述种子文件是已知文件类别的文件；所述方法还包括：

根据所述种子文件的文件类别，将与所述种子文件归为同一类簇的其它文件的文件类别确定为所述种子文件的文件类别。

7.根据权利要求1至3任一项所述的方法，其特征在于，所述从N个文件中获取第i个文件的k_i个相似文件之前，还包括：

获取所述N个文件，为所述N个文件赋予初始标签，其中，所述N个文件中任意两个文件之间的初始标签不相同。