申请/专利权人:江苏电力信息技术有限公司;国网江苏省电力有限公司物资分公司
申请日:2023-12-19
公开(公告)日:2024-03-29
公开(公告)号:CN117785852A
主分类号:G06F16/215
分类号:G06F16/215;G06F40/216;G06F40/284;G06F18/22
优先权:
专利状态码:在审-实质审查的生效
法律状态:2024.04.16#实质审查的生效;2024.03.29#公开
摘要:本发明公开了一种基于余弦相似度的文本去重方法,包括对待去重文本及任一待对比文本分别进行自然语言处理,去除特殊标点符号和无用语气助词;对待去重文本以及任一待对比文本分别进行分词分组,形成分词词集;根据词集进行比对重排序,相同的分词先放在一起,不同的分词往后排序后处理;根据重排序的分词词组计算分词出现的向量词频,最后得出去重文本的词频集合,根据公式计算出余弦相似度;不断对比其他待去重文本计算文本的余弦相似度,选取余弦相似度最大的对比文本作为最终去重结果。本发明实现对资讯数据在入库过程中已有的大量资讯文本数据以及新增资讯文本数据进行去重处理。
主权项:1.一种基于余弦相似度的文本去重方法,其特征在于该方法包括以下步骤:1对待去重文本及任一待对比文本分别进行自然语言处理,去除特殊标点符号和无用语气助词;2对待去重文本以及任一待对比文本分别进行分词分组,形成分词词集;3根据词集进行比对重排序,相同的分词先放在一起,不同的分词往后排序后处理;4根据重排序的分词词组计算分词出现的向量词频,每个分词在文本中每出现一次则累计一次,未出现则计为0;最后得出去重文本的词频集合,根据公式计算出余弦相似度;5批量待处理的数据时,不断重复上述步骤,不断对比其他待去重文本计算文本的余弦相似度,选取余弦相似度最大的对比文本作为最终去重结果。
全文数据:
权利要求:
百度查询: 江苏电力信息技术有限公司;国网江苏省电力有限公司物资分公司 一种基于余弦相似度的文本去重方法
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。