[发明专利]文本重复性判定方法和装置、电子设备和存储介质有效
| 申请号： | 201910947326.8 | 申请日： | 2019-09-30 |
| 公开（公告）号： | CN110750615B | 公开（公告）日： | 2020-07-24 |
| 发明（设计）人： | 李东升;崔鸣;江霜艳;王文彬 | 申请（专利权）人： | 贝壳找房（北京）科技有限公司 |
| 主分类号： | G06F16/31 | 分类号： | G06F16/31;G06F16/33;G06F40/289;G06F40/12 |
| 代理公司： | 北京思源智汇知识产权代理有限公司 11657 | 代理人： | 毛丽琴 |
| 地址： | 100085 北京市海淀区*** | 国省代码： | 北京;11 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | 本公开实施例公开了一种文本重复性判定方法和装置、电子设备和存储介质，其中，方法包括：识别目标文本的长度；若目标文本的长度大于第一预设值，将目标文本分割成长度不大于第一预设值的多个文本段；分别利用签名simhash算法，获取多个文本段中每个文本段的签名值；基于多个文本段的签名值与分布式全文搜索引擎ElasticSearch中历史文本的倒排索引信息，判定目标文本与历史文本之间是否重复；其中，ElasticSearch中存储有至少一个历史文本的倒排索引信息，历史文本的倒排索引信息包括：历史文本的签名值，以及长度大于第一预设值时历史文本被分割成的各文本段的签名值。本公开实施例从句子维度上实现了文本内容的重复性判定，可以有效识别两个文本中部分内容重复的问题。 | ||
| 搜索关键词： | 文本 重复性 判定 方法 装置 电子设备 存储 介质 | ||
【主权项】：
1.一种文本重复性判定方法，其特征在于，包括：/n识别目标文本的长度；/n若所述目标文本的长度大于第一预设值，将所述目标文本分割成长度不大于所述第一预设值的多个文本段；/n分别利用签名simhash算法，获取所述多个文本段中每个文本段的签名值；/n基于所述多个文本段的签名值与分布式全文搜索引擎ElasticSearch中历史文本的倒排索引信息，判定所述目标文本与历史文本之间是否重复；其中，所述ElasticSearch中存储有至少一个历史文本的倒排索引信息，所述历史文本的倒排索引信息包括：历史文本的签名值，以及长度大于第一预设值时历史文本被分割成的各文本段的签名值。/n
下载完整专利技术内容需要扣除积分，VIP会员可以免费下载。
该专利技术资料仅供研究查看技术是否侵权等信息，商用须获得专利权人授权。该专利全部权利属于贝壳找房（北京）科技有限公司，未经贝壳找房（北京）科技有限公司许可，擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作，请联系【客服】
本文链接：http://www.vipzhuanli.com/patent/201910947326.8/，转载请声明来源钻瓜专利网。
