[发明专利]一种基于停用词的相似文档查询方法无效
| 申请号： | 201210461090.5 | 申请日： | 2012-11-15 |
| 公开（公告）号： | CN102937994A | 公开（公告）日： | 2013-02-20 |
| 发明（设计）人： | 林述民 | 申请（专利权）人： | 北京锐安科技有限公司 |
| 主分类号： | G06F17/30 | 分类号： | G06F17/30 |
| 代理公司： | 北京君尚知识产权代理事务所(普通合伙) 11200 | 代理人： | 余功勋 |
| 地址： | 100044 北京市海*** | 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： | 本发明涉及基于停用词的相似文档查询方法，步骤为：1）将待查询的两文档进行归一化处理，去除文档中所有非中文字字符信息；2）根据分词词典对两个文档进行分词操作，将该些文档转化成词汇流；3）在词汇流中按照书写习惯提取得到停用词；4）将停用词后面的正常语义词和该停用词组合成分段信息指纹；5）把分段信息指纹分别汇总形成两个文档的中指纹标识，并放入信息指纹库中进行比对；6）对信息指纹库中指纹标识相似度进行计算，得到两个文档的相似度值；7）将相似度值大于设定阈值的两文档作为相似文档，按照设定方式输出所有或部分相似文档。本发明使用“中文停用词”+多个“后续词”的方法，符合中文语境，具备更好比较效果。 | ||
| 搜索关键词： | 一种 基于 用词 相似 文档 查询 方法 | ||
【主权项】：
一种基于停用词的相似文档查询方法，其步骤包括：1）将待查询的两文档进行归一化处理，去除文档中所有非中文字字符信息；所述两文档，其一为待查文档，另一取自一个或多个数据源；或两文档为从一个或多个数据源中提取的两文档，2）根据分词词典对所述两个文档进行分词操作，将该些文档转化成词汇流；3）在所述词汇流中按照书写习惯提取得到停用词；4）将所述停用词后面的正常语义词和该停用词组合成分段信息指纹；5）把所述分段信息指纹分别汇总形成所述两个文档的中指纹标识，并放入信息指纹库中进行比对；6）对所述信息指纹库中指纹标识相似度进行计算，得到所述两个文档的相似度值；7）将相似度值大于设定阈值的两文档作为相似文档，按照设定方式输出所有或部分相似文档。
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北京锐安科技有限公司，未经北京锐安科技有限公司许可，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/201210461090.5/，转载请声明来源钻瓜专利网。
- 上一篇：数据处理系统
- 下一篇：包含无数据的栅格数据写入及读取的方法及装置
