[发明专利]基于语义的文档指纹构建方法、存储介质和计算机设备

权利要求书

1.一种基于语义的文档指纹构建方法，其特征在于，该方法包括：

采集需要保护的文档数据；

对所述文档数据进行语义分析获得多个有用词汇；以及

根据所有所述有用词汇生成所述文档数据对应的语义指纹。

2.根据权利要求1所述的基于语义的文档指纹构建方法，其特征在于，根据所有所述有用词汇生成所述文档数据对应的语义指纹的步骤之后，该方法还包括：

根据多个所述文档数据的所述语义指纹生成语义指纹库。

3.根据权利要求2所述的基于语义的文档指纹构建方法，其特征在于，根据多个所述文档数据的所述语义指纹生成语义指纹库的步骤之后，该方法还包括：

抽取待检文档数据的语义；

将所述语义与所述语义指纹库中的所述语义指纹进行比对；以及

根据比对结果处理所述待检文档数据。

4.根据权利要求3所述的基于语义的文档指纹构建方法，其特征在于，处理所述待检文档数据具体包括：对所述待检文档数据进行阻断、告诫或放行操作。

5.根据权利要求1所述的基于语义的文档指纹构建方法，其特征在于，对所述文档数据进行语义分析获得多个有用词汇的步骤，具体包括：

利用语义分析算法对所述文档数据进行语义分析获得多个词汇；

度量所述词汇的重要度；以及

根据所述重要度过滤掉多个所述词汇中的停用词汇获得多个所述有用词汇。

6.根据权利要求5所述的基于语义的文档指纹构建方法，其特征在于，所述语义分析算法包括：基于词典的双向匹配分词算法、基于HMM的词法分析方法和基于CRF的词法分析方法。

7.根据权利要求5所述的基于语义的文档指纹构建方法，其特征在于，根据所有所述有用词汇生成所述文档数据对应的语义指纹的步骤，具体包括：

根据所有所述有用词汇构建Term-Doc矩阵；

利用矩阵奇异值分解算法分解所述Term-Doc矩阵得到左向量、右向量和特征矩阵；

根据预设指纹大小对所述特征矩阵进行降维处理得到降维特征矩阵；

根据所述左向量、所述降维特征矩阵和所述右向量获得所述Term-Doc矩阵的近似矩阵；

根据所述近似矩阵生成所述文档数据对应的语义指纹。

8.根据权利要求7所述的基于语义的文档指纹构建方法，其特征在于，根据所述近似矩阵生成所述文档数据对应的语义指纹的步骤，具体包括：

将所述近似矩阵每行作为一个特征向量；以及

根据所有所述特征向量直接拼接所述文档数据的语义指纹。

9.一种存储介质，其特征在于，所述存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1至8中任意一项所述方法的步骤。

10.一种计算机设备，其特征在于，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现权利要求1至8中任意一项所述方法的步骤。