[发明专利]一种高效可扩展的安全的文档相似性计算方法和装置

权利要求书

1.一种高效可扩展的安全的文档相似性计算方法，其步骤包括：

第一方根据MinHash文档指纹算法将第一方文档集C中所有文档表示成固定数量指纹的指纹集合，并根据第一方文档集C构建一Bloom filter，即布隆过滤器，记做BF_C；第一方文档集C的存储结构为正排索引；

第一方将BF_C作为不经意传输协议的选择向量，并向第二方发送连接请求；其中所述第二方亦根据MinHash文档指纹算法将第二方文档集S中所有文档表示成固定数量指纹的指纹集合；第二方文档集S的存储结构为倒排索引，根据倒排索引生成一个multi-GBF，即多来源混淆布隆过滤器，记做multi-GBF_S；

第一方接收第二方发送的m对λ比特长的比特位串，通过不经意传输协议，第一方根据选择向量BF_C当前位i的取值是0还是1，选择接收m对λ比特长的比特位串中multi-GBF_r或multi-GBF_S的第i个比特位串，接收的比特位串组成一个文档集C和文档集S的交集的multi-GBF，记做所述multi-GBF_r是随机串；

第一方在中查询文档C_a的每一个指纹元素，得到若干个交集其中C_a为第一方文档集C的第a个文档，的下标b是C_a的指纹元素在第二方的来源ID；

根据上述交集得到第一方的第a个文档C_a和第二方的文档S_b之间的相似度为其中，为集合中元素的数量，S_b为第二方文档集S的第b个文档，t为每个文档提取的MinHash指纹数量。

2.如权利要求1所述的方法，其特征在于，在不经意传输过程中，第二方发送的m对λ比特长的比特位串的形式为且等于multi-GBF_S[i]，等于multi-GBF_r[i]；其中所述multi-GBF_S[i]中的i为multi-GBF_S的第i个比特位，所述multi-GBF_r[i]中的i为multi-GBF_r的第i个比特位，且0≤i≤m-1。

3.如权利要求2所述的方法，其特征在于，当不经意传输协议的选择向量BF_C[i]等于0时，第一方接收当不经意传输协议的选择向量BF_C[i]等于1时，第一方接收其中BF_C[i]中的i为BF_C的第i个比特位，且0≤i≤m-1。

4.如权利要求2所述的方法，其特征在于，所述multi-GBF包含一个长度为m的存储空间和k个哈希函数，且multi-GBF的存储单元存储一个λ比特长的比特位串；所述λ比特长的比特位串包括λ₁比特长的元素标识、λ₂比特长的来源ID标识和λ₃比特长的next标识；当multi-GBF_S[i]是next比特位串时，multi-GBF_r[i]和multi-GBF_S[i]的内容相同；所述next比特位串是指next位置存储的比特位串。