CN114168809A - 基于相似度的文档字符串编码匹配方法及装置 - Google Patents
基于相似度的文档字符串编码匹配方法及装置 Download PDFInfo
- Publication number
- CN114168809A CN114168809A CN202111402289.6A CN202111402289A CN114168809A CN 114168809 A CN114168809 A CN 114168809A CN 202111402289 A CN202111402289 A CN 202111402289A CN 114168809 A CN114168809 A CN 114168809A
- Authority
- CN
- China
- Prior art keywords
- character string
- matched
- converting
- simhash
- regular expression
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 29
- 238000001914 filtration Methods 0.000 claims abstract description 10
- 238000006243 chemical reaction Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 10
- 238000012216 screening Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 description 21
- 238000010586 diagram Methods 0.000 description 16
- 238000004891 communication Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 4
- 230000005236 sound signal Effects 0.000 description 4
- 230000001133 acceleration Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000001902 propagating effect Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/903—Querying
- G06F16/90335—Query processing
- G06F16/90344—Query processing by using string matching techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/10—Text processing
- G06F40/12—Use of codes for handling textual entities
- G06F40/126—Character encoding
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computational Linguistics (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Audiology, Speech & Language Pathology (AREA)
- General Health & Medical Sciences (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本公开属于核电技术领域，具体涉及一种基于相似度的文档字符串编码匹配方法及装置。本公开中针对待匹配字符串，根据预设的编码规则生成待匹配字符串对应的正则表达式；针对目标文档，根据编码规则将目标文档的文本内容生成候选字符串集；将候选字符串集中的字符串与正则表达式进行匹配，保留与正则表达式匹配的字符串，滤除与正则表达式不匹配的字符串；采用SimHash算法分别生成保留的字符串以及候选字符串集中每个字符串的SimHash签名，确定保留的字符串的SimHash签名与候选字符串集中每个字符串的SimHash之间的汉明距离，输出汉明距离低于阈值的字符串及该字符串在目标文档中的位置。有效的提高了文档的解析效率，提高了编码模式匹配的速度。
Description
技术领域
本发明属于核电技术领域，具体涉及一种基于相似度的文档字符串编码匹配方法及装置。
背景技术
相关技术中，若需要从大量问那个中检索特定编码规则的字符串时，需要耗费大量的时间去每一个文档中检索，降低了文档的处理效率。因此，利用基于相似度的Word文档字符串编码模糊匹配方法可以提高文档编辑和阅读人员的办公效率。
相似度在不同领域被广泛应用和讨论，由于应用场景不同，其内涵有所差异，故没有统一、公认的定义。字符串的相似度是表示两个字符串之间的相似程度，两个字符串之间的相似程度越大则相似度越大，反之越小。现有的字符串相似度计算方法有余弦相似度、矩阵相似度和字符串编辑距离等，但这些算法都较为复杂，需要大量的计算资源。
发明内容
为克服相关技术中存在的问题，提供了一种基于相似度的文档字符串编码匹配方法及装置。
根据本公开实施例的一方面，提供一种基于相似度的文档字符串编码匹配方法，所述方法包括：
针对待匹配字符串，根据预设的编码规则生成所述待匹配字符串对应的正则表达式；
针对目标文档，根据所述编码规则将所述目标文档的文本内容生成候选字符串集；
将所述候选字符串集中的字符串与所述正则表达式进行匹配，保留与所述正则表达式匹配的字符串，滤除与所述正则表达式不匹配的字符串；
采用SimHash算法分别生成保留的字符串以及所述候选字符串集中每个字符串的SimHash签名，确定保留的字符串的SimHash签名与所述候选字符串集中每个字符串的SimHash之间的汉明距离，输出汉明距离低于阈值的字符串及该字符串在所述目标文档中的位置。
在一种可能的实现方式中，针对待匹配字符串，根据预设的编码规则生成所述待匹配字符串对应的正则表达式，包括：
将待匹配字符串中的大写字母转换为大写的英文字母，将待匹配字符串中的小写字母转换为小写英文字母，将待匹配字符串中的表示数字的字符转换为阿拉伯数字。
在一种可能的实现方式中，针对目标文档，根据所述编码规则将所述目标文档的文本内容生成候选字符串集，包括：
将目标文档的文本内容中的大写字母转换为大写的英文字母，将待匹配字符串中的小写字母转换为小写英文字母，将待匹配字符串中的表示数字的字符转换为阿拉伯数字。
在一种可能的实现方式中，采用SimHash算法分别生成保留的字符串以及所述候选字符串集中每个字符串的SimHash签名，包括：
采用SimHash算法将所述保留的字符串转换为64位的Hash签名；
采用SimHash算法将候选字符串集转换为64位的Hash签名。
根据本公开实施例的另一方面，提供一种基于相似度的文档字符串编码匹配装置，所述装置包括：
第一生成模块，用于针对待匹配字符串，根据预设的编码规则生成所述待匹配字符串对应的正则表达式；
第二生成模块，用于针对目标文档，根据所述编码规则将所述目标文档的文本内容生成候选字符串集；
第一筛选模块，用于将所述候选字符串集中的字符串与所述正则表达式进行匹配，保留与所述正则表达式匹配的字符串，滤除与所述正则表达式不匹配的字符串；
第二筛选模块，用于采用SimHash算法分别生成保留的字符串以及所述候选字符串集中每个字符串的SimHash签名，确定保留的字符串的SimHash签名与所述候选字符串集中每个字符串的SimHash之间的汉明距离，输出汉明距离低于阈值的字符串及该字符串在所述目标文档中的位置。
在一种可能的实现方式中，所述第一生成模块包括：
第一转换模块，用于将待匹配字符串中的大写字母转换为大写的英文字母，将待匹配字符串中的小写字母转换为小写英文字母，将待匹配字符串中的表示数字的字符转换为阿拉伯数字。
在一种可能的实现方式中，所述第二生成模块包括：
第二转换模块，用于将目标文档的文本内容中的大写字母转换为大写的英文字母，将待匹配字符串中的小写字母转换为小写英文字母，将待匹配字符串中的表示数字的字符转换为阿拉伯数字。
在一种可能的实现方式中，所述第二筛选模块包括：
第三转换模块，用于采用SimHash算法将所述保留的字符串转换为64位的Hash签名；
第四转换模块，用于采用SimHash算法将候选字符串集转换为64位的Hash签名。
根据本公开实施例的另一方面，提供一种基于相似度的文档字符串编码匹配装置，所述装置包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为执行上述的方法。
根据本公开实施例的另一方面，提供一种非易失性计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现上述方法。
本公开的有益效果在于：本公开有效的提高了文档的解析效率，提高了编码模式匹配的速度，有效的降低了编码的误匹配率，正则表达式的高拓展性也使得编码的误匹配率更加可控。此外，本公开通过引入SimHash算法，提升了待匹配编码与候选字符串之间相似度计算的效率与精度。
附图说明
图1是根据一示例性实施例示出的一种基于相似度的文档字符串编码匹配方法的流程图。
图2是根据一示例性实施例示出的一种基于相似度的文档字符串编码匹配装置的框图。
图3是根据一示例性实施例示出的一种基于相似度的文档字符串编码匹配装置的框图。
具体实施方式
下面结合附图及具体实施例对本发明作进一步详细说明。
图1是根据一示例性实施例示出的一种基于相似度的文档字符串编码匹配方法的流程图。该方法可以由终端设备执行，例如，终端设备可以为服务器、台式电脑、笔记本电脑、平板电脑等，终端设备也可以例如为用户设备、车载设备或可穿戴设备等，本公开实施例对终端设备的类型不做限定。如图1所示，该方法可以包括：
步骤100，针对待匹配字符串，根据预设的编码规则生成所述待匹配字符串对应的正则表达式；
步骤101，针对目标文档，根据所述编码规则将所述目标文档的文本内容生成候选字符串集；
步骤102，将所述候选字符串集中的字符串与所述正则表达式进行匹配，保留与所述正则表达式匹配的字符串，滤除与所述正则表达式不匹配的字符串；
步骤103，采用SimHash算法分别生成保留的字符串以及所述候选字符串集中每个字符串的SimHash签名，确定保留的字符串的SimHash签名与所述候选字符串集中每个字符串的SimHash之间的汉明距离，输出汉明距离低于阈值的字符串及该字符串在所述目标文档中的位置。
在一种可能的实现方式中，针对待匹配字符串，根据预设的编码规则生成所述待匹配字符串对应的正则表达式，包括：
将待匹配字符串中的大写字母转换为大写的英文字母，将待匹配字符串中的小写字母转换为小写英文字母，将待匹配字符串中的表示数字的字符转换为阿拉伯数字。
在一种可能的实现方式中，针对目标文档，根据所述编码规则将所述目标文档的文本内容生成候选字符串集，包括：
将目标文档的文本内容中的大写字母转换为大写的英文字母，将待匹配字符串中的小写字母转换为小写英文字母，将待匹配字符串中的表示数字的字符转换为阿拉伯数字。
在一种可能的实现方式中，采用SimHash算法分别生成保留的字符串以及所述候选字符串集中每个字符串的SimHash签名，包括：
采用SimHash算法将所述保留的字符串转换为64位的Hash签名；
采用SimHash算法将候选字符串集转换为64位的Hash签名。
在一种应用示例中，对上述方法进行以下说明。
导入待匹配字符串，根据编码规则，将待匹配字符串转换为以正则表达式表示的模式，例如，将待匹配字符串中的大写字母转换为[A-Z]，将带匹配字符串中的小写字母转换为[a-z]；将待匹配字符串中的数字转换为[0-9]。
读取文档内容，生成候选字符串集。根据编码规则，将候选字符串集中的字符串转换为对应的模式；例如，将候选字符串集中的大写字母转换为[A-Z]，将带匹配字符串中的小写字母转换为[a-z]；将待匹配字符串中的数字转换为[0-9]。
将所述候选字符串集中的字符串与所述正则表达式进行匹配，保留与所述正则表达式匹配的字符串，滤除与所述正则表达式不匹配的字符串，从而减少后续计算相似度的计算量，减少误匹配率。
采用SimHash算法将待保留的字符串转换为64位的Hash签名，采用SimHash算法将候选字符串转换为64位的Hash签名；SimHash算法是谷歌专门提出用来解决亿万级别的网页短文本去重工作，它是局部敏感哈希算法的一种，它能够将任一短文本转换为64位的二进制序列，而对于相似的短文本其生成的Hash签名也更加相似。本发明引入SimHash算法，将位数较少且不一致的短文本序列转换为位数较多且一致的序列，能够有效的提高相似度计算的精读和速度。
由于生成保留的字符串的Hash签名以及选字符串集中每个字符串的SimHash签名都是64位的二进制序列，因此采用计算汉明距离的方式计算待匹配字符串和候选字符串对应的Hash签名之间的距离从而得到他们之间的相似度；汉明距离是两个字符串对应位置的不同字符的个数。将汉明距离记为Dh，则相似度S的计算公式为：S＝Dh/64。
将相似度与阈值进行比较，输出大于阈值的待匹配字符串和字符串在Word文档中的位置。
在一种可能的实现方式中，提供一种基于相似度的文档字符串编码匹配装置，所述装置包括：
第一生成模块，用于针对待匹配字符串，根据预设的编码规则生成所述待匹配字符串对应的正则表达式；
第二生成模块，用于针对目标文档，根据所述编码规则将所述目标文档的文本内容生成候选字符串集；
第一筛选模块，用于将所述候选字符串集中的字符串与所述正则表达式进行匹配，保留与所述正则表达式匹配的字符串，滤除与所述正则表达式不匹配的字符串；
第二筛选模块，用于采用SimHash算法分别生成保留的字符串以及所述候选字符串集中每个字符串的SimHash签名，确定保留的字符串的SimHash签名与所述候选字符串集中每个字符串的SimHash之间的汉明距离，输出汉明距离低于阈值的字符串及该字符串在所述目标文档中的位置。
在一种可能的实现方式中，所述第一生成模块包括：
第一转换模块，用于将待匹配字符串中的大写字母转换为大写的英文字母，将待匹配字符串中的小写字母转换为小写英文字母，将待匹配字符串中的表示数字的字符转换为阿拉伯数字。
在一种可能的实现方式中，所述第二生成模块包括：
第二转换模块，用于将目标文档的文本内容中的大写字母转换为大写的英文字母，将待匹配字符串中的小写字母转换为小写英文字母，将待匹配字符串中的表示数字的字符转换为阿拉伯数字。
在一种可能的实现方式中，所述第二筛选模块包括：
第三转换模块，用于采用SimHash算法将所述保留的字符串转换为64位的Hash签名；
第四转换模块，用于采用SimHash算法将候选字符串集转换为64位的Hash签名。
针对上述装置的说明已经在针对上述方法的说明中进行详细阐述，在此不再赘述。
图2是根据一示例性实施例示出的一种基于相似度的文档字符串编码匹配装置的框图。例如，装置800可以是移动电话，计算机，数字广播终端，消息收发设备，游戏控制台，平板设备，医疗设备，健身设备，个人数字助理等。
参照图2，装置800可以包括以下一个或多个组件：处理组件802，存储器804，电源组件806，多媒体组件808，音频组件810，输入/输出(I/O)的接口812，传感器组件814，以及通信组件816。
处理组件802通常控制装置800的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令，以完成上述的装置的全部或部分步骤。此外，处理组件802可以包括一个或多个模块，便于处理组件802和其他组件之间的交互。例如，处理组件802可以包括多媒体模块，以方便多媒体组件808和处理组件802之间的交互。
存储器804被配置为存储各种类型的数据以支持在装置800的操作。这些数据的示例包括用于在装置800上操作的任何应用程序或装置的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。
电源组件806为装置800的各种组件提供电力。电源组件806可以包括电源管理系统，一个或多个电源，及其他与为装置800生成、管理和分配电力相关联的组件。
多媒体组件808包括在装置800和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件808包括一个前置摄像头和/或后置摄像头。当装置800处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。
音频组件810被配置为输出和/或输入音频信号。例如，音频组件810包括一个麦克风(MIC)，当装置800处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中，音频组件810还包括一个扬声器，用于输出音频信号。
I/O接口812为处理组件802和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件814包括一个或多个传感器，用于为装置800提供各个方面的状态评估。例如，传感器组件814可以检测到装置800的打开/关闭状态，组件的相对定位，例如组件为装置800的显示器和小键盘，传感器组件814还可以检测装置800或装置800一个组件的位置改变，用户与装置800接触的存在或不存在，装置800方位或加速/减速和装置800的温度变化。传感器组件814可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器，如CMOS或CCD图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件814还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。
通信组件816被配置为便于装置800和其他设备之间有线或无线方式的通信。装置800可以接入基于通信标准的无线网络，如WiFi，2G或3G，或它们的组合。在一个示例性实施例中，通信组件816经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，通信组件816还包括近场通信(NFC)模块，以促进短程通信。例如，在NFC模块可基于射频识别(RFID)技术，红外数据协会(IrDA)技术，超宽带(UWB)技术，蓝牙(BT)技术和其他技术来实现。
在示例性实施例中，装置800可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述方法。
在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器804，上述计算机程序指令可由装置800的处理器820执行以完成上述方法。
图3是根据一示例性实施例示出的一种基于相似度的文档字符串编码匹配装置的框图。例如，装置1900可以被提供为一服务器。参照图3，装置1900包括处理组件1922，其进一步包括一个或多个处理器，以及由存储器1932所代表的存储器资源，用于存储可由处理组件1922的执行的指令，例如应用程序。存储器1932中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理组件1922被配置为执行指令，以执行上述方法。
装置1900还可以包括一个电源组件1926被配置为执行装置1900的电源管理，一个有线或无线网络接口1950被配置为将装置1900连接到网络，和一个输入输出(I/O)接口1958。装置1900可以操作基于存储在存储器1932的操作系统，例如Windows ServerTM，MacOS XTM，UnixTM，LinuxTM，FreeBSDTM或类似。
在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器1932，上述计算机程序指令可由装置1900的处理组件1922执行以完成上述方法。
本公开可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如，通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等，以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令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)。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA)，该电子电路可以执行计算机可读程序指令，从而实现本公开的各个方面。
这里参照根据本公开实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器，从而生产出一种机器，使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上，使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本公开的多个实施例的系统、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、程序段或指令的一部分，所述模块、程序段或指令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。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，两个连续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动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。
以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的技术改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (10)
1.一种基于相似度的文档字符串编码匹配方法，其特征在于，所述方法包括：
针对待匹配字符串，根据预设的编码规则生成所述待匹配字符串对应的正则表达式；
针对目标文档，根据所述编码规则将所述目标文档的文本内容生成候选字符串集；
将所述候选字符串集中的字符串与所述正则表达式进行匹配，保留与所述正则表达式匹配的字符串，滤除与所述正则表达式不匹配的字符串；
采用SimHash算法分别生成保留的字符串以及所述候选字符串集中每个字符串的SimHash签名，确定保留的字符串的SimHash签名与所述候选字符串集中每个字符串的SimHash之间的汉明距离，输出汉明距离低于阈值的字符串及该字符串在所述目标文档中的位置。
2.根据权利要求1所述方法，其特征在于，针对待匹配字符串，根据预设的编码规则生成所述待匹配字符串对应的正则表达式，包括：
将待匹配字符串中的大写字母转换为大写的英文字母，将待匹配字符串中的小写字母转换为小写英文字母，将待匹配字符串中的表示数字的字符转换为阿拉伯数字。
3.根据权利要求1所述方法，其特征在于，针对目标文档，根据所述编码规则将所述目标文档的文本内容生成候选字符串集，包括：
将目标文档的文本内容中的大写字母转换为大写的英文字母，将待匹配字符串中的小写字母转换为小写英文字母，将待匹配字符串中的表示数字的字符转换为阿拉伯数字。
4.根据权利要求1所述的方法，其特征在于，采用SimHash算法分别生成保留的字符串以及所述候选字符串集中每个字符串的SimHash签名，包括：
采用SimHash算法将所述保留的字符串转换为64位的Hash签名；
采用SimHash算法将候选字符串集转换为64位的Hash签名。
5.一种基于相似度的文档字符串编码匹配装置，其特征在于，所述装置包括：
第一生成模块，用于针对待匹配字符串，根据预设的编码规则生成所述待匹配字符串对应的正则表达式；
第二生成模块，用于针对目标文档，根据所述编码规则将所述目标文档的文本内容生成候选字符串集；
第一筛选模块，用于将所述候选字符串集中的字符串与所述正则表达式进行匹配，保留与所述正则表达式匹配的字符串，滤除与所述正则表达式不匹配的字符串；
第二筛选模块，用于采用SimHash算法分别生成保留的字符串以及所述候选字符串集中每个字符串的SimHash签名，确定保留的字符串的SimHash签名与所述候选字符串集中每个字符串的SimHash之间的汉明距离，输出汉明距离低于阈值的字符串及该字符串在所述目标文档中的位置。
6.根据权利要求5所述装置，其特征在于，所述第一生成模块包括：
第一转换模块，用于将待匹配字符串中的大写字母转换为大写的英文字母，将待匹配字符串中的小写字母转换为小写英文字母，将待匹配字符串中的表示数字的字符转换为阿拉伯数字。
7.根据权利要求5所述装置，其特征在于，所述第二生成模块包括：
第二转换模块，用于将目标文档的文本内容中的大写字母转换为大写的英文字母，将待匹配字符串中的小写字母转换为小写英文字母，将待匹配字符串中的表示数字的字符转换为阿拉伯数字。
8.根据权利要求5所述的装置，其特征在于，所述第二筛选模块包括：
第三转换模块，用于采用SimHash算法将所述保留的字符串转换为64位的Hash签名；
第四转换模块，用于采用SimHash算法将候选字符串集转换为64位的Hash签名。
9.一种基于相似度的文档字符串编码匹配装置，其特征在于，所述装置包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为执行权利要求1至4中任意一项所述的方法。
10.一种非易失性计算机可读存储介质，其上存储有计算机程序指令，其特征在于，所述计算机程序指令被处理器执行时实现权利要求1至4中任意一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111402289.6A CN114168809A (zh) | 2021-11-22 | 2021-11-22 | 基于相似度的文档字符串编码匹配方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111402289.6A CN114168809A (zh) | 2021-11-22 | 2021-11-22 | 基于相似度的文档字符串编码匹配方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114168809A true CN114168809A (zh) | 2022-03-11 |
Family
ID=80480264
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111402289.6A Pending CN114168809A (zh) | 2021-11-22 | 2021-11-22 | 基于相似度的文档字符串编码匹配方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114168809A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116776854A (zh) * | 2023-08-25 | 2023-09-19 | 湖南汇智兴创科技有限公司 | 在线多版本文献内容关联方法、装置、设备及介质 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20080126335A1 (en) * | 2006-11-29 | 2008-05-29 | Oracle International Corporation | Efficient computation of document similarity |
| CN102301342A (zh) * | 2009-07-29 | 2011-12-28 | 华为技术有限公司 | 正则表达式匹配方法和系统及查找装置 |
| US20150120682A1 (en) * | 2013-10-28 | 2015-04-30 | International Business Machines Corporation | Automated recognition of patterns in a log file having unknown grammar |
| CN107545071A (zh) * | 2017-09-21 | 2018-01-05 | 北京神州泰岳智能数据技术有限公司 | 一种字符串匹配的方法和装置 |
| CN107644010A (zh) * | 2016-07-20 | 2018-01-30 | 阿里巴巴集团控股有限公司 | 一种文本相似度计算方法及装置 |
| CN109241124A (zh) * | 2017-07-11 | 2019-01-18 | 沪江教育科技（上海）股份有限公司 | 一种快速检索相似字符串的方法及系统 |
-
2021
- 2021-11-22 CN CN202111402289.6A patent/CN114168809A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20080126335A1 (en) * | 2006-11-29 | 2008-05-29 | Oracle International Corporation | Efficient computation of document similarity |
| CN102301342A (zh) * | 2009-07-29 | 2011-12-28 | 华为技术有限公司 | 正则表达式匹配方法和系统及查找装置 |
| US20150120682A1 (en) * | 2013-10-28 | 2015-04-30 | International Business Machines Corporation | Automated recognition of patterns in a log file having unknown grammar |
| CN107644010A (zh) * | 2016-07-20 | 2018-01-30 | 阿里巴巴集团控股有限公司 | 一种文本相似度计算方法及装置 |
| CN109241124A (zh) * | 2017-07-11 | 2019-01-18 | 沪江教育科技（上海）股份有限公司 | 一种快速检索相似字符串的方法及系统 |
| CN107545071A (zh) * | 2017-09-21 | 2018-01-05 | 北京神州泰岳智能数据技术有限公司 | 一种字符串匹配的方法和装置 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116776854A (zh) * | 2023-08-25 | 2023-09-19 | 湖南汇智兴创科技有限公司 | 在线多版本文献内容关联方法、装置、设备及介质 |
| CN116776854B (zh) * | 2023-08-25 | 2023-11-03 | 湖南汇智兴创科技有限公司 | 在线多版本文献内容关联方法、装置、设备及介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110287874B (zh) | 目标追踪方法及装置、电子设备和存储介质 | |
| CN107340880B (zh) | 一种联想输入方法、装置及用于实现联想输入的电子设备 | |
| CN110569777B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
| CN110781813B (zh) | 图像识别方法及装置、电子设备和存储介质 | |
| CN111539410B (zh) | 字符识别方法及装置、电子设备和存储介质 | |
| CN109615006B (zh) | 文字识别方法及装置、电子设备和存储介质 | |
| CN112101238A (zh) | 聚类方法及装置、电子设备和存储介质 | |
| WO2022247128A1 (zh) | 图像处理方法及装置、电子设备和存储介质 | |
| CN112269904B (zh) | 数据处理方法及装置 | |
| CN110633470A (zh) | 命名实体识别方法、装置及存储介质 | |
| CN114168808A (zh) | 基于正则表达式的文档字符串编码识别方法及装置 | |
| CN114168798A (zh) | 文本存储管理与检索方法及装置 | |
| CN110232181B (zh) | 评论分析方法及装置 | |
| CN113987128A (zh) | 相关文章搜索方法、装置、电子设备和存储介质 | |
| CN114168809A (zh) | 基于相似度的文档字符串编码匹配方法及装置 | |
| CN110955800A (zh) | 视频检索方法及装置 | |
| CN110070046B (zh) | 人脸图像识别方法及装置、电子设备和存储介质 | |
| CN109460458B (zh) | 查询改写意图的预测方法及装置 | |
| CN111625671A (zh) | 数据处理方法及装置、电子设备及存储介质 | |
| WO2023092975A1 (zh) | 图像处理方法及装置、电子设备、存储介质及计算机程序产品 | |
| CN107977089B (zh) | 一种输入方法和装置、一种用于输入的装置 | |
| CN112131999B (zh) | 身份确定方法及装置、电子设备和存储介质 | |
| CN113988011A (zh) | 文档内容识别方法及装置 | |
| CN112381223A (zh) | 神经网络训练与图像处理方法及装置 | |
| CN110443363B (zh) | 图像特征学习方法及装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |