[发明专利]信息溯源方法和装置、及存储介质和电子设备

说明书

本发明提供了一种信息溯源方法和装置、及存储介质和电子设备，其中，该方法包括：根据第一预设匹配规则，提取溯源文档中的所有链接；遍历链接，解析出每个链接对应的链接文档的链接文档标题；筛选出大于或者等于预设标题字符数量的链接文档标题作为第一相似标题；根据溯源文档的标题和第一相似标题，从第一相似标题中筛选出第二相似标题，并将其对应的链接文档作为相似文档；根据溯源文档的文本内容和相似文档的文本内容，计算溯源文档的文本内容与相似文档的文本内容的文本相似度，并将最大的文本相似度对应的相似文档作为溯源文档的源文档。本发明能够准确、快速地获取到溯源文档的源文档，为信息溯源追踪提供了便利。

技术领域

本发明涉及计算机技术领域，尤其是一种信息溯源方法和装置、及存储介质和电子设备。

背景技术

目前信息采集工作往往采用深度优先遍历或者广度优先遍历的方式进行信息采集，这样可以更为全面地采集目标信息源的信息，但是，采集的信息不具备可追溯性，例如：文档A转发自或者摘选自文档B，那么，如果文档A的内容不全，无法追溯到原始的文档B。这会导致当处理文档A时，如果出现信息不全的问题，将无法得到预期结果。因此，现有技术中缺少一种能够准确、快速地获取到源文档的方法和装置。

发明内容

有鉴于此，本发明提供了一种信息溯源方法和装置、及存储介质和电子设备，以至少部分解决上述问题。

根据本发明的第一方面，提供了一种信息溯源方法，该方法包括：

根据第一预设匹配规则，提取溯源文档中的所有链接；

遍历链接，解析出每个链接对应的链接文档的链接文档标题；

筛选出大于或者等于预设标题字符数量的链接文档标题作为第一相似标题；

获取溯源文档的标题，并根据溯源文档的标题和第一相似标题，从第一相似标题中筛选出第二相似标题，并将其对应的链接文档作为相似文档；

获取溯源文档的文本内容以及相似文档的文本内容，根据溯源文档的文本内容和相似文档的文本内容，计算溯源文档的文本内容与相似文档的文本内容的文本相似度，并将最大的文本相似度对应的相似文档作为溯源文档的源文档。

可选地，若溯源文档中不存在链接，或者链接文档中不存在相似文档，该方法还包括：

从溯源文档的文本内容中提取预设数量的字符作为筛选文本，并根据第二预设匹配规则，从筛选文本中提取筛选文本关键字；

查找预设文档关键字库中是否存在筛选文本关键字；

若存在，将预设文档关键字库中包括筛选文本关键字的预设文档作为相似文档。

可选地，若溯源文档中不存在链接，或者链接文档中不存在相似文档，该方法还包括：

若不存在，确定溯源文档不存在源文档；

或者，若不存在，将溯源文档的标题转发至目标搜索引擎进行搜索操作，得到至少一个搜索文档链接；

获取搜索文档链接对应的搜索文档的文本内容；

根据溯源文档的文本内容和搜索文档的文本内容，计算溯源文档的文本内容与搜索文档的文本内容的文本相似度，并将最大的文本相似度对应的搜索文档作为溯源文档的源文档。

可选地，该方法还包括：

若不存在，确定溯源文档不存在源文档；

或者，若不存在，将筛选文本关键字转发至目标搜索引擎进行搜索操作，得到至少一个搜索文档链接；

获取搜索文档链接对应的搜索文档的文本内容；

根据溯源文档的文本内容和搜索文档的文本内容，计算溯源文档的文本内容与搜索文档的文本内容的文本相似度，并将最大的文本相似度对应的搜索文档作为溯源文档的源文档。

可选地，获取溯源文档的标题，并根据溯源文档的标题和第一相似标题，从第一相似标题中筛选出第二相似标题，并将其对应的链接文档作为相似文档，包括：

获取溯源文档的标题；