[发明专利]一种文本相似度进行量化的方法及其系统

权利要求书

1.一种文本相似度进行量化的方法，其特征在于：所述方法适用于鉴别非法账号，所述方法包括如下步骤：

步骤S1、接收要判断的两个文本相似度的请求，以及接收设定的一因子权值表，

步骤S2、读取两个文本对应的字符串StrA和StrB，并获取字符串StrA和StrB的字符串长度，得到Len_A和Len_B，分别对StrA和StrB进行骨架拆分，得到骨架结构Skeleton_A、Skeleton_B；得到零件长度集合PartSizeList_A、PartSizeList_B；得到零件数量PartAmount_A、PartAmount_B；得到每个零件的内容集合PartContentList_A、PartContentList_B；将字符串中连续的同类字符作为一组，分成不同组，将这种分类方法称为字符串的骨架拆分，将零件的分布称为文本的骨架结构；

步骤S3、基于零件长度集合PartSizeList_A、PartSizeList_B生成存储字符数据格式的零件长度集合PartSizeStr_A、PartSizeStr_B；

步骤S4、根据骨架结构Skeleton_A、Skeleton_B，零件数量PartAmount_A、PartAmount_B，每个零件的内容集合PartContentList_A、PartContentList_B，存储字符数据格式的零件长度集合PartSizeStr_A、PartSizeStr_B来获取字符串StrA和StrB的各相似度因子，

步骤S5、结合所述因子权值表，对各相似度因子加权求和，得出整体相似度，从而判断两个文本是否相似，来对文本中账号进行聚类分组，将相似的账号分为一组，然后统计数量异常的组，从而对非法账号进行监控和封禁。

2.根据权利要求1所述的一种文本相似度进行量化的方法，其特征在于：对StrA和StrB进行骨架拆分的方式一样，其中对StrA进行骨架拆分的实现方式具体包括如下步骤：步骤21、接收到对字符串StrA进行骨架拆分的请求；

步骤22、申请一块连续的内存用于存储字符串格式的骨架结构Skeleton；

步骤23、创建两个空的列表，一个命名为PartSizeList，是一个存储数字格式数据的列表，用于按顺序存储每个零件的长度，即每个零件的字符串长度，ParSizeList插入一个大小为0的数字数据成员；另一个命名为PartContentList，是一个存储字符串格式数据的列表，用于按顺序存储每个零件的内容，PartContentList插入一个空的字符串；

步骤24、新建一个字节tmp用于存储上一次读取的字节内容并将字节tmp初始化为空字符串；

步骤25、从StrA中读取1字节的数据CharA，如果CharA为字符串的结束符则进入步骤29；否则进入步骤26；

步骤26、如果CharA的ASCII码在0x30-0x39之间则判定为数字类型字符，否则判定为非数字类型字符，进入步骤27；

步骤27、如果此时tmp为空字符串或tmp与CharA的数据类型相同，则将PartSizeList的最后一个数据成员大小加1，使用字符串拼接的方式将CharA拼接到PartContentList的最后一个数据成员的尾部，将CharA赋值给tmp，进入步骤25；如果tmp与CharA的数据类型不同，PartSizeList插入一个大小为1的新数据成员，PartContentList插入一个内容为CharA的新字符数据成员；将CharA赋值给tmp，进入步骤28；

步骤28、如果CharA为数字类型数据，则通过字符串拼接的方式在Skeleton的尾部拼接字符I，否则在Skeleton的尾部拼接字符S，进入步骤25；

步骤29、获取Skeleton的字符串长度，这个长度即为StrA的零件数量PartAmount；

步骤30、返回StrA的零件数量PartAmount_A、骨架结构Skeleton_A、零件长度集合PartSizeList_A、零件内容集合PartContentList_A。