-
题名基于音位的网络盗版文本查重方法
- 1
-
-
作者
金哲凡
俞定国
林生佑
周忠成
-
机构
浙江传媒学院
-
出处
《山东农业大学学报(自然科学版)》
CSCD
2017年第3期467-471,共5页
-
基金
浙江省公益技术应用研究项目(2016C33196)
浙江省公益性技术应用研究项目(2017C33105)
-
文摘
传统的文本查重算法是对文本作分词以构建关键词向量,而对于某些特殊应用的网络盗版检测,分词的开销则未必合理和必要。因此,本文提出一种基于汉语音位信息的文本查重方法。文本被表达为声、韵、调三个空间向量,以余弦距离作相似性度量。提出两种相似性判断公式,一种假定三向量独立分布;一种取其线性组合,系数可由音位元素的信息熵算出,通过大文本统计得出信息熵的估计值,以传统的关键词向量/Sim Hash方法做参照产生语料,对其作统计得到模型参数。实验结果表明该方法有一定的精确率和很好的召回率,计算开销低于传统的方法,适合需要过滤大量TN类型文本的场合。
-
关键词
音位
盗版文本
查重
-
Keywords
Phonology
piratical text
checking repetition
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-