[发明专利]使用多尺度文本指纹的文档分类

摘要

所描述的系统及方法允许根据文档特定的文本指纹进行例如电子邮件消息及HTML文档的电子文档的分类。所述文本指纹是针对每一目标文档的文本块予以计算，且包括根据所述相应文本块的多个文本标记而确定的字符序列。在一些实施例中，通过针对短文本块进行放大且针对长文本块进行缩小，将所述文本指纹的长度强制为在预定长度范围(例如，在129与256个字符之间)内，而不管所述文本块的长度如何。例如，分类可包含确定电子文档表示未经请求的通信(垃圾邮件)还是例如网络钓鱼的网上诈骗。

主权项

1.一种客户端计算机系统，其包括至少一个处理器，所述至少一个处理器经配置以确定目标电子文档的文本指纹，使得所述文本指纹的长度约束在下限与上限之间，其中所述下限及上限为预定的，且其中确定所述文本指纹包括：选择所述目标电子文档的多个文本标记，其中选择所述多个文本标记包括：选择所述目标电子文档的初步多个文本标记，确定所述初步多个文本标记的计数，及作为响应，当所述初步多个文本标记的所述计数超过预定阈值时，修剪所述初步多个文本标记以形成所选择的多个文本标记，使得所选择的多个标记的计数不超过所述预定阈值；响应于选择所述多个文本标记，根据所述上限及下限且根据所选择的多个文本标记的所述计数而确定指纹片段大小；确定多个指纹片段，所述多个指纹片段中的每一指纹片段是根据所选择的多个文本标记中的相异文本标记的散列而确定，每一指纹片段由字符序列组成，所述序列的长度经选择为等于所述指纹片段大小；及级联所述多个指纹片段以形成所述文本指纹。