[发明专利]一种基于文档进行检索的方法及装置

说明书

本发明提供了一种基于文档进行检索的方法及装置，方法包括：依据输入的待检索文档进行检索，获取候选检索文档；针对每一候选检索文档，合并该候选检索文档与待检索文档，得到合并文档，构建包含待检索文档、候选检索文档以及合并文档的相似度文档集；以合并文档为匹配对象，在相似度文档集中进行相似度匹配，分别得到合并文档的第一相似分数、待检索文档与合并文档的第二相似分数、候选检索文档与合并文档的第三相似分数；将第一相似分数、第二相似分数以及第三相似分数应用于相似度值计算公式，得到候选检索文档与待检索文档的相似度值；基于相似度值，对所述多个候选检索文档进行排序，依据排序结果返回检索结果。可以提高检索效率。

技术领域

本发明涉及检索技术领域，具体而言，涉及一种基于文档进行检索的方法及装置。

背景技术

现有技术中，在进行文档检索时，一般依据输入的待检索文档，在检索数据库中进行检索，获取与待检索文档相关联的多个候选检索文档，并依据相似分数对各候选检索文档进行排序后，可以作为检索结果输出。但实际应用中，为了提升输出的检索结果的准确性，还通过提取待检索文档包含的待检索词向量以及候选检索文档的候选词向量，利用编辑距离方式计算待检索词向量与候选词向量的相似度，并基于各词向量的相似度，获取候选检索文档与待检索文档的相似度，基于相似度排序向用户返回检索结果，可以提升检索结果输出的准确性。

但该基于文档进行检索的方法，在候选检索文档的内容较长时，由于提取的候选词向量数量较多，因而，编辑距离方式需要对词向量进行海量的变换，使得采用编辑距离方式计算相似度所需的时间较长，检索效率较低。

发明内容

有鉴于此，本发明的目的在于提供基于文档进行检索的方法及装置，以提高检索效率。

第一方面，本发明实施例提供了基于文档进行检索的方法，包括：

依据输入的待检索文档进行检索，获取与待检索文档相关联的多个候选检索文档；

针对每一候选检索文档，合并所述候选检索文档与待检索文档，得到合并文档，构建包含所述待检索文档、候选检索文档以及合并文档的相似度文档集；

针对每一相似度文档集，以其中的合并文档为匹配对象，在所述相似度文档集中进行相似度匹配，分别得到所述合并文档的第一相似分数、所述待检索文档与合并文档的第二相似分数、以及所述候选检索文档与合并文档的第三相似分数；

将所述第一相似分数、第二相似分数以及第三相似分数应用于预先设置的相似度值计算公式，得到所述候选检索文档与待检索文档的相似度值；

基于所述候选检索文档与待检索文档的相似度值，对所述多个候选检索文档进行排序，依据排序结果返回检索结果。

结合第一方面，本发明实施例提供了第一方面的第一种可能的实施方式，其中，所述将第一相似分数、第二相似分数以及第三相似分数应用于预先设置的相似度值计算公式，得到候选检索文档与待检索文档的相似度值，包括：

计算所述第二相似分数与第三相似分数的和值；

计算所述和值与所述第一相似分数的差值；

计算2倍的所述差值与所述第一相似分数的商值，得到所述候选检索文档与待检索文档的相似度值。

结合第一方面，本发明实施例提供了第一方面的第二种可能的实施方式，其中，所述依据输入的待检索文档进行检索，获取与待检索文档相关联的多个候选检索文档，包括：

对输入的待检索文档进行分词，得到分词词语；

对分词词语进行无意义词语去除，得到分词有效词语；

若分词有效词语的数量超过预先设置的数量阈值，进行分词有效词语的词频-逆文档频率的计算，依据计算结果选取排序在前数量阈值的分词有效词语，得到待检索文档的分词关键词；