申请/专利权人:广州智城科技有限公司
申请日:2020-07-17
公开(公告)日:2024-05-14
公开(公告)号:CN111985244B
主分类号:G06F40/30
分类号:G06F40/30;G06F40/289;G06F40/247;G06F40/242;G06F40/211;G06F16/335;G06F16/33
优先权:
专利状态码:有效-授权
法律状态:2024.05.14#授权;2020.12.11#实质审查的生效;2020.11.24#公开
摘要:本申请公开了一种针对文档内容的洗稿检测方法和装置,所述方法包括:提取目标文档的内容特征信息,检索收集以所述目标文档发布时间为起始节点的相似文档构建样本数据库;基于语法依存树的段落特征匹配规则,分析所述目标文档和所述样本数据库中的相似文档;采用预设的相似词词典和N‑gram模型中的数字指纹生成规则,对文字内容表达的相似度进行判定,识别表达型洗稿文档;对样本数据库的文档进行数字指纹匹配,若经过数字指纹匹配结果和重复度阈值,则判定所述目标文档为洗稿文档,生成对应的检测报告。采用本申请所述的方法,能够进行高效的对比识别,及时发现“洗稿”内容并提供证据,提高了内容匹配的精确度,降低了误判率。
主权项:1.一种针对文档内容的洗稿检测方法,其特征在于,包括:提取目标文档的内容特征信息;根据所述内容特征信息,检索收集以所述目标文档发布时间为起始节点的所有相似文档,构建样本数据库;基于预设的语法依存树的段落特征匹配规则,分析所述目标文档和所述样本数据库中的相似文档;采用预设的相似词词典和N-gram模型中的数字指纹生成规则,对文字内容表达的相似度进行判定,识别表达型洗稿文档;对所述样本数据库的每篇文档进行数字指纹匹配,根据数字指纹匹配结果及预设的重复度阈值,判定所述目标文档是否为洗稿文档,并生成对应的检测报告;所述对所述样本数据库的每篇文档进行数字指纹匹配,根据数字指纹匹配结果及预设的重复度阈值,判定所述目标文档是否为洗稿文档,具体包括:将所述目标文档与所述样本数据库的每篇文档进行数字指纹匹配,将与每篇文档经过数字指纹匹配后的语句或段落占比与预设的重复度阈值进行比对;若经过数字指纹匹配后的语句或者段落占比达到或者超过原创文章的预设的比例值,则判定所述目标文档为洗稿文档;若经过数字指纹匹配后的语句或者段落占比未达到原创文章的预设的比例值,则判定所述目标文档为非洗稿文档;所述采用预设的相似词词典和N-gram模型中的数字指纹生成规则,对文字内容表达的相似度进行判定,识别表达型洗稿文档,具体包括:基于所述相似词词典,识别有洗稿嫌疑的段落中与原段落相似的关键词,将所述关键词视作具体相同表达意义的词语,并统一替换为其中任意一个词语,得到改造后的段落;基于N-gram模型中的数字指纹生成规则,计算改造后的段落中句子之间的相似度,对改造后的段落中语句文字内容表达的相似度进行判定,识别表达型洗稿文档。
全文数据:
权利要求:
百度查询: 广州智城科技有限公司 一种针对文档内容的洗稿检测方法及装置
免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。