CN110891010B - 用于发送信息的方法和装置 - Google Patents

Abstract

本申请实施例公开了用于发送信息的方法和装置。该方法的一具体实施方式包括：获取待测文本集合，其中，待测文本集合包括至少两个待测文本；从待测文本集合中选取待测文本，以及执行以下分组步骤：确定待测文本集合中是否存在与所选取的待测文本的文本关联度超过预设阈值的其他待测文本；响应于确定存在，基于与所选取的待测文本的文本关联度超过预设阈值的其他待测文本和所选取的待测文本，生成文本组；确定文本组中的待测文本个数；确定文本组中的待测文本个数是否大于或等于预设的阈值；响应于确定大于或等于预设的阈值，发送提示信息。该实施方式实现了对相似文本数量超过阈值的文本进行监测。

Description

用于发送信息的方法和装置

技术领域

本申请实施例涉及计算机技术领域，具体涉及用于发送信息的方法和装置。

背景技术

随着人工智能技术的飞速发展，确定文本之间的相似程度成为自然语言处理技术中必不可少的重要环节。文本相似度计算已经广泛应用于信息检索、数据挖掘、论文鉴定、机器翻译等领域。相关的技术主要通过文本向量化、计算向量之间的相似度或者距离是否达到阈值来判断文本之间是否相似。

发明内容

本申请实施例提出了用于发送信息的方法和装置。

第一方面，本申请实施例提供了一种用于发送信息的方法，该方法包括：获取待测文本集合，其中，待测文本集合包括至少两个待测文本；从待测文本集合中选取待测文本，以及执行以下分组步骤：确定待测文本集合中是否存在与所选取的待测文本的文本关联度超过预设阈值的其他待测文本；响应于确定存在，基于与所选取的待测文本的文本关联度超过预设阈值的其他待测文本和所选取的待测文本，生成文本组；确定文本组中的待测文本个数；确定文本组中的待测文本个数是否大于或等于预设的阈值；响应于确定大于或等于预设的阈值，发送提示信息。

在一些实施例中，确定待测文本集合中是否存在与所选取的待测文本的文本关联度超过预设阈值的其他待测文本，包括：确定哈希(hash)值集合中是否存在与所选取的待测文本对应的哈希值之间的汉明距离(Hamming Distance)小于预设距离阈值的其他哈希值，其中，哈希值集合中的哈希值是基于待测文本集合中的对应待测文本而生成的；响应于确定存在，确定待测文本集合中存在与所选取的待测文本的文本关联度超过预设阈值的其他待测文本。

在一些实施例中，上述方法还包括：确定待测文本集合中是否存在未被选取的待测文本；响应于确定待测文本集合中存在未被选取的待测文本，从待测文本集合中选取未选取过的待测文本，继续执行分组步骤。

在一些实施例中，预设距离阈值是1。

在一些实施例中，获取待测文本集合，包括：获取目标文本集合，其中，目标文本包括来自目标网站的网页中的文本；对于目标文本集合中的目标文本，响应于确定该目标文本满足预设的删除条件，从目标文本集合中删除该目标文本；将删除满足删除条件的目标文本的目标文本集合确定为待测文本集合。

第二方面，本申请实施例提供了一种用于发送信息的装置，该装置包括：获取单元，被配置成获取待测文本集合，其中，待测文本集合包括至少两个待测文本；发送单元，被配置成从待测文本集合中选取待测文本，以及执行以下分组步骤：确定待测文本集合中是否存在与所选取的待测文本的文本关联度超过预设阈值的其他待测文本；响应于确定存在，基于与所选取的待测文本的文本关联度超过预设阈值的其他待测文本和所选取的待测文本，生成文本组；确定文本组中的待测文本个数；确定文本组中的待测文本个数是否大于或等于预设的阈值；响应于确定大于或等于预设的阈值，发送提示信息。

在一些实施例中，发送单元被进一步配置成：从待测文本集合中选取待测文本，以及执行以下分组步骤：确定哈希值集合中是否存在与所选取的待测文本对应的哈希值之间的汉明距离小于预设距离阈值的其他哈希值，其中，哈希值集合中的哈希值是基于待测文本集合中的对应待测文本而生成的；响应于确定存在，基于与所选取的待测文本的文本关联度超过预设阈值的其他待测文本和所选取的待测文本，生成文本组；确定文本组中的待测文本个数；确定文本组中的待测文本个数是否大于或等于预设的阈值；响应于确定大于或等于预设的阈值，发送提示信息。

在一些实施例中，上述装置还包括：调整单元，被配置成确定待测文本集合中是否存在未被选取的待测文本；响应于确定待测文本集合中存在未被选取的待测文本，从待测文本集合中选取未选取过的待测文本，继续执行分组步骤。

在一些实施例中，预设距离阈值是1。

在一些实施例中，获取单元包括：取得模块，被配置成获取目标文本集合，其中，目标文本包括来自目标网站的网页中的文本；删除模块，被配置成对于目标文本集合中的目标文本，响应于确定该目标文本满足预设的删除条件，从目标文本集合中删除该目标文本；更新模块，被配置成将删除满足删除条件的目标文本的目标文本集合确定为待测文本集合。

第三方面，本申请实施例提供了一种服务器，该服务器包括：一个或多个处理器；存储装置，其上存储有一个或多个程序；当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如第一方面中任一实现方式描述的方法。

第四方面，本申请实施例提供了一种计算机可读介质，其上存储有计算机程序，该程序被处理器执行时实现如第一方面中任一实现方式描述的方法。

本申请实施例提供的用于发送信息的方法和装置，首先获取包括至少两个待测文本的待测文本集合。之后，从待测文本集合中选取待测文本。接下来，确定待测文本集合中是否存在与所选取的待测文本的文本关联度超过预设阈值的其他待测文本。响应于确定存在，基于与所选取的待测文本的文本关联度超过预设阈值的其他待测文本和所选取的待测文本，生成文本组。然后，确定文本组中的待测文本个数。而后，确定文本组中的待测文本个数是否大于或等于预设的阈值。最后，响应于确定大于或等于预设的阈值响应于确定文本组中的待测文本个数大于或等于预设的阈值，发送提示信息。通过对相似文章的确定与分组计数，根据计数结果确定是否发送提示信息，从而实现了对相似文本数量超过阈值的文本进行监测。

附图说明

通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：

图1是本申请的一个实施例可以应用于其中的示例性系统架构图；

图2是根据本申请的用于发送信息的方法的一个实施例的流程图；

图3是根据本申请实施例的用于发送信息的方法的一个应用场景的示意图；

图4是根据本申请的用于发送信息的方法的又一个实施例的流程图；

图5是根据本申请的用于发送信息的装置的一个实施例的结构示意图；

图6是适于用来实现本申请实施例的服务器的计算机系统的结构示意图。

具体实施方式

下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。

图1示出了可以应用本申请的一个实施例的用于发送信息的方法或用于发送信息的装置的示例性架构100。

如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件、文本编辑类应用、浏览器类应用、阅读类应用等。

终端设备101、102、103可以是硬件，也可以是软件。当终端设备101、102、103为硬件时，可以是具有显示屏并且支持接收通讯信息的各种电子设备，包括但不限于智能手机、平板电脑、电子书阅读器、膝上型便携计算机和台式计算机等等。当终端设备101、102、103为软件时，可以安装在上述所列举的电子设备中。

服务器105可以是提供各种服务的服务器，例如向终端设备101、102、103发送表征相似文本数量超过阈值的提示信息的后台服务器。后台服务器可以对获取的文本进行分析，对相似文本进行分组计数。后台服务器还可以进一步确定相似文本的数量是否达到预设的阈值。当确定超过阈值时，后台服务器可以将提示信息发送给终端设备。

需要说明的是，上述文本也可以直接存储在服务器105的本地，服务器105可以直接提取本地所存储的文本并进行处理。上述提示信息也可以是服务器105本地的显示器上所显示的带有提示性的信息，例如消息弹窗。在此时，也可以不存在终端设备101、102、103和网络104。

需要说明的是，本申请实施例所提供的用于发送信息的方法一般由服务器105执行，相应地，用于发送信息的装置一般设置于服务器105中。

需要说明的是，服务器可以是硬件，也可以是软件。当服务器为硬件时，可以实现成多个服务器组成的分布式服务器集群，也可以实现成单个服务器。当服务器为软件时，可以实现成多个软件或软件模块(例如用来提供分布式服务的多个软件或软件模块)，也可以实现成单个软件或软件模块。在此不做具体限定。

应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。

继续参考图2，示出了根据本申请的用于发送信息的方法的一个实施例的流程200。该用于发送信息的方法包括以下步骤：

步骤201，获取待测文本集合。

在本实施例中，用于发送信息的方法的执行主体(如图1所示的服务器105)可以通过各种方式获取待测文本集合。其中，待测文本通常包括标题和正文内容。可选地，待测文本还可以包括但不限于以下至少一项：作者信息、记录发布时间的信息、摘要、正文内容、阅读量数据、转载量数据、评论信息、与文本相关的人物信息。

在本实施例的一些可选的实现方式中，待测文本可以包括预先存储在服务器中的半结构化的文本数据。

在本实施例的一些可选的实现方式中，待测文本集合可以包括来自包含UGC(UserGenerated Content，用户原创内容)数据的网站的文本。上述网站可以包括但不限于以下至少一种：社交网络、知识分享网络、社区论坛。待测文本集合也可以包括来自其他包含UGC数据的网络来源(例如，微博，微信公众号)的文本。

在本实施例的一些可选的实现方式中，上述执行主体可以从通信连接的其他服务器或终端设备获取待测文本集合。其他服务器例如是数据库服务器(图1中未示出)。终端设备例如是图1中示出的笔记本电脑103。实践中，待测文本集合也可以存储于上述执行主体本地。此时，上述执行主体可以直接从本地获取待测文本集合。

步骤202，从待测文本集合中选取待测文本。

在本实施例中，上述执行主体可以从步骤201中获取的待测文本集合中选取待测文本，以及执行步骤203至步骤207的分组步骤。

在本实施例中，待测文本的选取方式和选取数量并不受限制。例如，可以是随机选取至少一个待测文本，也可以是按照存入待测文本集合的时间顺序由先至后选取。

步骤203，确定待测文本集合中是否存在与所选取的待测文本的文本关联度超过预设阈值的其他待测文本。

在本实施例中，上述执行主体可以根据各种方法，确定待测文本集合中是否存在与所选取的待测文本的文本关联度超过预设阈值的其他待测文本。

在本实施例中，文本关联度用于表征文本之间的相似性。其既可以表示为文本之间的距离，例如欧氏距离(Euclidean Distance)，又可以表示为文本之间的相似度，例如余弦相似度。相应地，当文本关联度表示为文本之间的距离时，上述文本关联度超过预设阈值可以表示为文本之间的距离小于一个预设的距离阈值。当文本关联度表示为文本之间的相似度时，上述文本关联度超过预设阈值可以表示为文本之间的相似度大于一个预设的相似度阈值。

在本实施例的一些可选的实现方式中，上述执行主体可以通过确定哈希值集合中是否存在与所选取的待测文本对应的哈希值之间的汉明距离小于预设距离阈值的其他哈希值，来确定待测文本集合中是否存在与所选取的待测文本的文本关联度超过预设阈值的其他待测文本。其中，上述哈希值集合中的哈希值可以基于待测文本集合中的对应待测文本，通过各种方式生成。

可选地，对于待测文本集合中的待测文本，上述哈希值与待测文本一一对应。通常，上述哈希值一般为固定长度较短的字符串。目前，生成哈希值常用的算法包括但不限于相似哈希(simhash)算法、最小哈希(minhash)算法等。以采用相似哈希算法为例，从一个待测文本中提取标题、正文，然后进行分词、向量化等处理，再利用相似哈希算法最终得到一个由若干位二进制组成的哈希值，例如“101001”。

可选地，对于上述哈希值集合中的哈希值，可以计算哈希值之间的汉明距离。其中，汉明距离用来表示两个等长字符串对应位上的不同字符的个数。例如，对于上述通过相似哈希算法得到的哈希值，上述汉明距离用来表示两个哈希值进行按位异或后得到结果是1的个数。作为示例，21485与22482之间的汉明距离是2。作为又一示例，101001与111001之间的汉明距离是1。

可选地，上述执行主体可以通过将所选取的待测文本对应的哈希值与哈希值集合中的其他哈希值进行比较，判断哈希值之间的汉明距离是否小于预设距离阈值。可选地，上述预设距离阈值可以是由用户或者技术人员预先设定的一个数值。例如，上述预设距离阈值通常设为3，也可以设为1。当上述预设距离阈值设为1时，意味着只有待测文本对应的哈希值与所选取的待测文本对应的哈希值相同，才能确定上述待测文本与所选取的待测文本的文本关联度超过预设阈值。

在本实施例的一些可选的实现方式中，上述执行主体可以选取一个待测文本与待测文本集合中的另一待测文本进行比较。对于上述两个待测文本，首先分别确定出待测文本中最长的三个句子，组成两个句子组。然后分别对上述句子进行分词。分别确定两个句子组包含的词的个数，以及将两个数中较大的数作为总数(若两个数相同，以任一个作为总数)。之后分别确定两个句子组中所出现的词。然后计算同时出现在两个句子组中的词的个数。再用上述个数除以上述总数，将比值作为共有词比率。当上述共有词比率大于预设的阈值，例如80％，上述执行主体可以确定待测文本集合中存在与所选取的待测文本的文本关联度超过预设阈值的其他待测文本。

在本实施例的一些可选的实现方式中，上述执行主体也可以选取两个待测文本与待测文本集合中的另一待测文本进行比较。首先将三个待测文本进行向量化，文本向量化的方法可以包括但不限于one-hot编码(一位有效编码)和TF-IDF(Term Frequency-Inverse Document Frequency，词频-逆文本频率指数)算法。然后根据得到的、与上述三个待测文本对应的三个向量，分别计算所选取的待测文本对应的向量与另一待测文本对应的向量之间的余弦相似度。当上述两个余弦相似度的值至少有一个大于或等于预设阈值，例如0.6。上述执行主体可以确定待测文本集合中存在与所选取的待测文本的文本关联度超过预设阈值的其他待测文本。

需要说明的是，上述对文本提取特定内容的技术、对文本进行分词的技术、在待测文本中确定最长的句子的技术、文本向量化的方法以及余弦相似度的计算均为目前广泛研究和应用的公知技术，在此不再赘述。

步骤204，响应于确定存在，基于与所选取的待测文本的文本关联度超过预设阈值的其他待测文本和所选取的待测文本，生成文本组。

在本实施例中，上述执行主体可以响应于步骤203中确定存在，将与所选取的待测文本的文本关联度超过预设阈值的其他待测文本确定为匹配文本。基于匹配文本和所选取的待测文本，生成文本组。

可选地，上述文本组可以包括与所选取的待测文本的文本关联度超过预设阈值的其他待测文本和所选取的待测文本。可选地，上述文本组还可以包括记录上述所选取的待测文本和与所选取的待测文本的文本关联度超过预设阈值的其他待测文本的信息的文本。例如，以列表形式记录上述待测文本的标题、作者信息、关键词的文本。

在本实施例的一些可选的实现方式中，上述文本组可以包括所有的、与所选取的待测文本的文本关联度超过预设阈值的、待测文本集合中的其他待测文本和所选取的待测文本。

在本实施例的一些可选的实现方式中，如果基于与所选取的待测文本的文本关联度超过预设阈值的其他待测文本和所选取的待测文本，生成的文本组与已经存在的文本组包含相同的待测文本，可以不再重复生成新的文本组。

步骤205，确定文本组中的待测文本个数。

在本实施例中，上述执行主体可以确定步骤204中生成的文本组中的待测文本个数。

在本实施例的一些可选的实现方式中，所选取的待测文本数量不同，以及待测文本集合中与所选取的待测文本的文本关联度超过预设阈值的其他待测文本是否存在的情况不同。相应地，生成的文本组的数量也有可能会不同。对于生成多个文本组的情况，上述执行主体可以对于步骤204中生成的每个文本组，分别确定文本组中的待测文本个数。

步骤206，确定文本组中的待测文本个数是否大于或等于预设的阈值。

在本实施例中，上述执行主体可以确定步骤205中所确定的个数是否大于或等于预设的阈值。其中，上述预设的阈值通常可以是由用户或者技术人员预先设定的一个数值，例如，20或100。

在本实施例的一些可选的实现方式中，对于步骤204中生成多个文本组的情况，步骤205中可以针对每个文本组来分别确定文本组中的待测文本个数。相应地，上述执行主体也可以针对每个文本组中的待测文本个数，确定待测文本个数是否大于或等于预设的阈值。

步骤207，响应于确定文本组中的待测文本个数大于或等于预设的阈值，发送提示信息。

在本实施例中，上述执行主体可以响应于步骤206中所确定的个数大于或等于预设的阈值，发送提示信息。

在本实施例的一些可选的实现方式中，针对步骤206中多个文本组的情况，上述执行主体可以响应于确定有一个文本组的待测文本个数大于或等于预设的阈值，发送提示信息。上述执行主体也可以确定步骤206中所确定的每个文本组中的待测文本个数是否大于或等于预设的阈值，响应于至少有两个文本组中的待测文本个数大于或等于预设的阈值，发送表征至少有两个文本组中的待测文本个数大于或等于预设的阈值的信息。

在本实施例的一些可选的实现方式中，上述提示信息可以是各种形式。作为示例，提示信息可以是以约定的字符来表征上述文本组中的待测文本个数大于或等于预设的阈值，例如1。作为又一示例，上述提示信息可以包括文本组中的待测文本的信息，例如，待测文本的标题、作者信息、关键词、相似文章数。上述执行主体还可以将包含文本组中的待测文本的信息的提示信息发送至通信连接的客户端。

继续参见图3，图3是根据本实施例的用于发送信息的方法的应用场景的一个示意图。在图3的应用场景中，后台服务器301与笔记本客户端302通信连接。后台服务器301首先获取包含100个待测文本的待测文本集合303。然后，后台服务器从待测文本集合303中选取一个标题为“2018北京高考作文”的待测文本。而后，后台服务器将被选取的标题为“2018北京高考作文”的待测文本以及在待测文本集合中确定与被选取的待测文本的文本相似度超过阈值的待测文本组生成文本组304。之后，后台服务器确定文本组中待测文本的个数305，例如是50。接下来，后台服务器将50与预设的阈值进行比较。例如，预设的阈值是30。后台服务器确定文本组中的待测文本个数超过了预设的阈值。最后，后台服务器向笔记本客户端发送提示信息306。提示信息例如是“2018北京高考作文”的相似文章数目已达到50。

本申请的上述实施例提供的方法，首先获取待测文本集合；而后从待测文本集合中选取待测文本；然后响应于确定待测文本集合中存在与所选取的待测文本的文本关联度超过预设阈值的其他待测文本，基于与所选取的待测文本的文本关联度超过预设阈值的其他待测文本和所选取的待测文本，生成文本组；之后确定文本组中的待测文本个数；响应于确定文本组中的待测文本个数大于或等于预设的阈值，发送提示信息。通过对文本关联度超过阈值的文本进行确定与分组计数，根据计数结果确定是否发送提示信息，实现了对相似文本数量超过阈值的文本进行监测，从而也可以用于舆情监测系统中，丰富了对热门文章的监测方式。

进一步参考图4，其示出了用于发送信息的方法的又一个实施例的流程400。该用于发送信息的方法的流程400，包括以下步骤：

步骤401，获取目标文本集合。

在本实施例中，用于发送信息的方法的执行主体(例如图1所示的服务器105)可以通过各种方式获取目标文本集合。其中，上述目标文本可以包括来自目标网站的网页中的文本。

在本实施例的一些可选的实现方式中，上述目标文本集合可以是预先存储在数据库中的，也可以是对采集到的网页进行预处理后得到的。网页采集系统通常可以为网络爬虫。上述预处理可以包括对网页进行文本内容的提取。其中，提取的文本内容可以包括标题和正文。可选地，提取的文本内容还可以包括以下至少一项：正文的作者信息、正文内容的来源、评论、发布时间、正文内容所在网页的URL(Uniform Resource Locator，统一资源定位符)。可选地，上述预处理也可以包括对采集到的无关网页(例如，文本内容涉及广告、商品等的网页)进行删除，得到包含半结构化的文本数据的目标文本集合。

可选地，上述目标网站可以是根据实际的应用需求预先指定的任意网站，也可以是网页采集系统(例如，网络爬虫)在抓取网页的过程中根据设置的搜索策略添加至抓取队列中的URL所确定的网站。作为示例，上述目标网站可以是包含OGC(Occupationally-generated Content，职业生产内容)的网站(例如，新闻网站、媒体专栏)，也可以是包含PGC(Professional Generated Content，专业生产内容)的网站(例如，政府网站、政务微博)。

步骤402，对于目标文本集合中的目标文本，响应于确定该目标文本满足预设的删除条件，从目标文本集合中删除该目标文本。

在本实施例中，对于步骤401中所获取的目标文本集合中的每个目标文本，上述执行主体可以响应于确定该目标文本满足预设的删除条件，从目标文本集合中删除该目标文本。

可选地，上述预设的删除条件可以是根据实际的应用需求预先设定的条件。作为示例，当需要进行舆情文章数量监测时，预设的删除条件可以是删除科普类无关舆情的文本。在技术上，可以通过文本特征词、内容来源、作者信息等方面判断是否满足预设的删除条件。作为又一示例，当需要进行一段时间内的文章数量监测时，预设的删除条件可以是删除发布时间不在预设时间范围内的文本。在技术上，可以通过文本的发布时间来判断是否满足预设的删除条件。

步骤403，将删除满足删除条件的目标文本的目标文本集合确定为待测文本集合。

本实施例中，上述执行主体可以将步骤402中删除满足删除条件的目标文本的目标文本集合确定为待测文本集合。

可选地，通过将上述目标文本集合中满足预设删除条件的目标文本进行删除，将目标文本集合中保留下来的目标文本组成新的集合，以及将上述新的集合作为待测文本集合。

步骤404，从待测文本集合中选取待测文本。

步骤405，确定待测文本集合中是否存在与所选取的待测文本的文本关联度超过预设阈值的其他待测文本。

步骤406，响应于确定存在，基于与所选取的待测文本的文本关联度超过预设阈值的其他待测文本和所选取的待测文本，生成文本组。

步骤407，确定文本组中的待测文本个数。

步骤408，确定文本组中的待测文本个数是否大于或等于预设的阈值。

步骤409，响应于确定大于或等于预设的阈值，发送提示信息。

需要说明的是，上述步骤404至步骤409的具体处理及其所带来的技术效果可以参考图2对应的实施例中的步骤202至步骤207，在此不再赘述。

步骤410，确定待测文本集合中是否存在未被选取的待测文本。

在本实施例中，上述执行主体可以确定待测文本集合中是否存在未被选取的待测文本。

在本实施例中，上述执行主体还可以响应于确定待测文本集合中存在未被选取的待测文本，返回步骤404。从待测文本集合中选取未选取过的待测文本，使用其来继续执行405至步骤409的分组步骤。

从图4中可以看出，与图2对应的实施例相比，本实施例中的用于发送信息的方法的流程400突出了获取待测文本集合的步骤，以及确定待测文本集合中是否存在未被选取的待测文本的步骤。由此，本实施例描述的方案可以对网页中的大量文本进行监测，从而实现了对网页中相似文本数量超过阈值的文本实现监测。

进一步参考图5，作为对上述各图所示方法的实现，本申请提供了用于发送信息的装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。

如图5所示，本实施例提供的用于发送信息的装置500包括获取单元501和发送单元502。其中，获取单元501，被配置成获取待测文本集合，其中，待测文本集合包括至少两个待测文本；发送单元502，被配置成从待测文本集合中选取待测文本，以及执行以下分组步骤：确定待测文本集合中是否存在与所选取的待测文本的文本关联度超过预设阈值的其他待测文本；响应于确定存在，基于与所选取的待测文本的文本关联度超过预设阈值的其他待测文本和所选取的待测文本，生成文本组；确定文本组中的待测文本个数；确定文本组中的待测文本个数是否大于或等于预设的阈值；响应于确定大于或等于预设的阈值，发送提示信息。

在本实施例中，用于发送信息的装置500中，获取单元501和发送单元502的具体处理及其所带来的技术效果可分别参考图2对应实施例中的步骤201和步骤202至步骤207的相关说明，在此不再赘述。

在本实施例的一些可选的实现方式中，上述发送单元502可以被进一步配置成：从待测文本集合中选取待测文本，以及执行以下分组步骤：确定哈希值集合中是否存在与所选取的待测文本对应的哈希值之间的汉明距离小于预设距离阈值的其他哈希值，其中，哈希值集合中的哈希值是基于待测文本集合中的对应待测文本而生成的；响应于确定存在，基于与所选取的待测文本的文本关联度超过预设阈值的其他待测文本和所选取的待测文本，生成文本组；确定文本组中的待测文本个数；确定文本组中的待测文本个数是否大于或等于预设的阈值；响应于确定大于或等于预设的阈值，发送提示信息。

在本实施例的一些可选的实现方式中，上述用于发送信息的装置500还可以包括：调整单元(图5中未示出)，被配置成确定待测文本集合中是否存在未被选取的待测文本；响应于确定待测文本集合中存在未被选取的待测文本，从待测文本集合中选取未选取过的待测文本，继续执行分组步骤。

在本实施例的一些可选的实现方式中，上述预设距离可以是1。

在本实施例的一些可选的实现方式中，上述获取单元501可以包括取得模块(图5中未示出)、删除模块(图5中未示出)、更新模块(图5中未示出)。其中，上述取得模块可以被配置成获取目标文本集合，其中，目标文本包括来自目标网站的网页中的文本。上述删除模块可以被配置成对于目标文本集合中的目标文本，响应于确定该目标文本满足预设的删除条件，从目标文本集合中删除该目标文本。上述更新模块可以被配置成将删除满足删除条件的目标文本的目标文本集合确定为待测文本集合。

本申请的上述实施例提供的装置，通过获取单元501获取待测文本集合。之后，发送单元502从待测文本集合中选取待测文本。而后，发送单元502确定待测文本集合中是否存在与所选取的待测文本的文本关联度超过预设阈值的其他待测文本。然后，响应于确定存在，发送单元502将与所选取的待测文本的文本关联度超过预设阈值的其他待测文本和所选取的待测文本形成文本组。接下来，发送单元502确定文本组中的待测文本个数。最后，响应于确定文本组中的待测文本个数大于或等于预设的阈值，发送单元502发送提示信息。通过对文本关联度超过阈值的文本进行确定与分组计数，根据计数结果确定是否发送提示信息，实现了对相似文本数量超过阈值的文本进行监测。

下面参考图6，其示出了适于用来实现本申请实施例的服务器的计算机系统600的结构示意图。图6示出的服务器仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。

如图6所示，计算机系统600包括中央处理单元(CPU)601，其可以根据存储在只读存储器(ROM)602中的程序或者从存储部分608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中，还存储有系统600操作所需的各种程序和数据。CPU 601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。

以下部件连接至I/O接口605：包括键盘、鼠标等的输入部分606；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分607；包括硬盘等的存储部分608；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分609。通信部分609经由诸如因特网的网络执行通信处理。驱动器610也根据需要连接至I/O接口605。可拆卸介质611，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器610上，以便于从其上读出的计算机程序根据需要被安装入存储部分608。

特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分609从网络上被下载和安装，和/或从可拆卸介质611被安装。在该计算机程序被中央处理单元(CPU)601执行时，执行本申请的方法中限定的上述功能。

需要说明的是，本申请的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。

可以以一种或多种程序设计语言或其组合来编写用于执行本申请的操作的计算机程序代码，上述程序设计语言包括面向目标的程序设计语言——诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言——诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)——连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

附图中的流程图和框图，图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

本领域技术人员可以理解，服务器100还包括一些其他公知结构，例如处理器、存储器等，为了不必要地模糊本公开的实施例，这些公知的结构在图1中未示出。

描述于本申请实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种用于发送信息的装置，包括获取单元和发送单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，获取单元还可以被描述为“获取待测文本集合的单元”。

作为另一方面，本申请还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的服务器中所包含的；也可以是单独存在，而未装配入该服务器中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该服务器执行时，使得该服务器：获取待测文本集合，其中，待测文本集合包括至少两个待测文本；从待测文本集合中选取待测文本，以及执行以下分组步骤：确定待测文本集合中是否存在与所选取的待测文本的文本关联度超过预设阈值的其他待测文本；响应于确定存在，基于与所选取的待测文本的文本关联度超过预设阈值的其他待测文本和所选取的待测文本，生成文本组；确定文本组中的待测文本个数；确定文本组中的待测文本个数是否大于或等于预设的阈值；响应于确定大于或等于预设的阈值，发送提示信息。

以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

Claims (12)

1.一种用于发送信息的方法，包括：

获取待测文本集合，其中，所述待测文本集合包括至少两个待测文本；

从所述待测文本集合中选取待测文本，以及执行以下分组步骤：确定所述待测文本集合中是否存在与所选取的待测文本的文本关联度超过预设阈值的其他待测文本，包括：选取两个待测文本与所述待测文本集合中的另一待测文本进行比较；将两个待测文本和另一待测文本进行向量化；根据得到的、与两个待测文本和另一待测文本对应的三个向量，分别计算两个待测文本对应的向量和另一待测文本对应的向量之间的余弦相似度；响应于余弦相似度的值至少有一个大于或等于预设阈值，确定所述待测文本集合中存在与两个待测文本的文本关联度超过预设阈值的其他待测文本；响应于确定存在，基于与所选取的待测文本的文本关联度超过预设阈值的其他待测文本和所选取的待测文本，生成文本组；确定文本组中的待测文本个数；确定文本组中的待测文本个数是否大于或等于预设的阈值；响应于确定大于或等于预设的阈值，发送提示信息。

2.根据权利要求1所述的方法，其中，所述确定所述待测文本集合中是否存在与所选取的待测文本的文本关联度超过预设阈值的其他待测文本，包括：

确定哈希值集合中是否存在与所选取的待测文本对应的哈希值之间的汉明距离小于预设距离阈值的其他哈希值，其中，所述哈希值集合中的哈希值是基于所述待测文本集合中的对应待测文本而生成的；

响应于确定存在，确定所述待测文本集合中存在与所选取的待测文本的文本关联度超过预设阈值的其他待测文本。

3.根据权利要求1所述的方法，其中，所述方法还包括：

确定所述待测文本集合中是否存在未被选取的待测文本；

响应于确定所述待测文本集合中存在未被选取的待测文本，从所述待测文本集合中选取未选取过的待测文本，继续执行所述分组步骤。

4.根据权利要求2所述的方法，其中，所述预设距离阈值是1。

5.根据权利要求1-4之一所述的方法，其中，所述获取待测文本集合，包括：

获取目标文本集合，其中，目标文本包括来自目标网站的网页中的文本；

对于所述目标文本集合中的目标文本，响应于确定该目标文本满足预设的删除条件，从所述目标文本集合中删除该目标文本；

将删除满足所述删除条件的目标文本的目标文本集合确定为待测文本集合。

6.一种用于发送信息的装置，包括：

获取单元，被配置成获取待测文本集合，其中，所述待测文本集合包括至少两个待测文本；

发送单元，被配置成从所述待测文本集合中选取待测文本，以及执行以下分组步骤：确定所述待测文本集合中是否存在与所选取的待测文本的文本关联度超过预设阈值的其他待测文本，进一步被配置成：选取两个待测文本与所述待测文本集合中的另一待测文本进行比较；将两个待测文本和另一待测文本进行向量化；根据得到的、与两个待测文本和另一待测文本对应的三个向量，分别计算两个待测文本对应的向量和另一待测文本对应的向量之间的余弦相似度；响应于余弦相似度的值至少有一个大于或等于预设阈值，确定所述待测文本集合中存在与两个待测文本的文本关联度超过预设阈值的其他待测文本；响应于确定存在，基于与所选取的待测文本的文本关联度超过预设阈值的其他待测文本和所选取的待测文本，生成文本组；确定文本组中的待测文本个数；确定文本组中的待测文本个数是否大于或等于预设的阈值；响应于确定大于或等于预设的阈值，发送提示信息。

7.根据权利要求6所述的装置，其中，所述发送单元被进一步配置成：

从所述待测文本集合中选取待测文本，以及执行以下分组步骤：确定哈希值集合中是否存在与所选取的待测文本对应的哈希值之间的汉明距离小于预设距离阈值的其他哈希值，其中，所述哈希值集合中的哈希值是基于所述待测文本集合中的对应待测文本而生成的；响应于确定存在，基于与所选取的待测文本的文本关联度超过预设阈值的其他待测文本和所选取的待测文本，生成文本组；确定文本组中的待测文本个数；确定文本组中的待测文本个数是否大于或等于预设的阈值；响应于确定大于或等于预设的阈值，发送提示信息。

8.根据权利要求6所述的装置，其中，所述装置还包括：

调整单元，被配置成确定所述待测文本集合中是否存在未被选取的待测文本；响应于确定所述待测文本集合中存在未被选取的待测文本，从所述待测文本集合中选取未选取过的待测文本，继续执行所述分组步骤。

9.根据权利要求7所述的装置，其中，所述预设距离阈值是1。

10.根据权利要求6-9之一所述的装置，其中，所述获取单元包括：

取得模块，被配置成获取目标文本集合，其中，目标文本包括来自目标网站的网页中的文本；

删除模块，被配置成对于所述目标文本集合中的目标文本，响应于确定该目标文本满足预设的删除条件，从所述目标文本集合中删除该目标文本；

更新模块，被配置成将删除满足所述删除条件的目标文本的目标文本集合确定为待测文本集合。

11.一种服务器，包括：

一个或多个处理器；

存储装置，其上存储有一个或多个程序；

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-5中任一所述的方法。

12.一种计算机可读介质，其上存储有计算机程序，其中，该程序被处理器执行时实现如权利要求1-5中任一所述的方法。

Images