文件处理方法、文件匹配方法、装置、电子设备和介质
技术领域
本公开的实施例涉及计算机技术领域,具体涉及文件处理方法、装置、电子设备和计算机可读介质。
背景技术
随着互联网、大数据和人工智能领域的快速发展,需要处理的数据量逐渐增大,在检索、召回、消重等场景下,存在计算量大、耗时长的问题。对数据的处理方式不同,导致对数据的检索效率不同。对数据不合理的处理,导致处理数据低效率。
发明内容
本公开的内容部分用于以简要的形式介绍构思,这些构思将在后面的具体实施方式部分被详细描述。本公开的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征,也不旨在用于限制所要求的保护的技术方案的范围。本公开的一些实施例提出了用于文件处理的方法、装置、电子设备和计算机可读介质,来解决以上背景技术部分提到的技术问题。
第一方面,本公开的一些实施例提供了一种文件处理的方法,该方法包括:提取目标文件组中每个文件的索引组,得到索引组集合;将上述目标文件组中每个文件的索引组分别与上述目标文件组中的各个文件进行匹配生成倒排索引组,得到倒排索引组集合;对于上述倒排索引组集合中的每个倒排索引,确定上述倒排索引的权重。
第二方面,本公开的一些实施例提供了一种文件处理装置,装置包括:提取单元,被配置成提取目标文件组中每个文件的索引组,得到索引组集合;匹配单元,被配置成将上述目标文件组中每个文件的索引组分别与上述目标文件组中的各个文件进行匹配生成倒排索引组,得到倒排索引组集合;生成单元,被配置成对于上述倒排索引组集合中的每个倒排索引,确定上述倒排索引的权重。
第三方面,本公开的一些实施例提供了一种文件匹配方法,该方法包括:获取第一文件和第二文件;分别对上述第一文件和上述第二文件进行索引提取,得到第一索引组和第二索引组;基于对应关系表,检索上述第一索引组中的每个索引对应的倒排索引的权重和上述第二索引组中的每个索引对应的倒排索引的权重。
第四方面,本公开的一些实施例提供了一种文件匹配装置,装置包括:文件获取单元,被配置成获取第一文件和第二文件;索引提取单元,被配置成将分别对上述第一文件和上述第二文件进行索引提取,得到第一索引组和第二索引组;文件匹配单元,被配置成基于对应关系表,检索上述第一索引组中的每个索引对应的倒排索引的权重和上述第二索引组中的每个索引对应的倒排索引的权重。
第五方面,本公开的一些实施例提供了一种电子设备,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,或实现第三方面中任一实现方式描述的方法。
第六方面,本公开的一些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,其中,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,或实现如第三方面中任一实现方式描述的方法。
本公开的上述各个实施例中的一个实施例具有如下有益效果:通过提取目标文件组中每个文件的索引组,从而可以得到索引组集合,其中,文件可以是图片,也可以是文本;此外,通过将上述目标文件组中每个文件的索引组分别与上述目标文件组中的各个文件进行匹配生成倒排索引组,得到倒排索引组集合;然后,对于上述倒排索引组集合中的每个倒排索引,确定上述倒排索引的权重。通过上述方法,可以得到倒排索引的权重。权重值可以代表数据的重要性,进而,为后续进行文件的匹配、检索提供了基础。有助于解决后续过程中存在的计算量大、耗时长的问题。
附图说明
结合附图并参考以下具体实施方式,本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中,相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的,原件和元素不一定按照比例绘制。
图1是根据本公开的一些实施例的文件处理方法的一个应用场景的示意图;
图2是根据本公开的文件处理方法的一些实施例的流程图;
图3是根据本公开的文件处理方法的另一些实施例的流程图;
图4是根据本公开的文件处理装置的一些实施例的结构示意图;
图5是根据本公开的文件匹配方法的一些实施例的流程图;
图6是根据本公开的文件匹配方法的另一些实施例的流程图;
图7是适于用来实现本公开的一些实施例的电子设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例,然而应当理解的是,本公开可以通过各种形式来实现,而且不应该被解释为限于这里阐述的实施例。相反,提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是,本公开的附图及实施例仅用于示例性作用,并非用于限制本公开的保护范围。
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。在不冲突的情况下,本公开中的实施例及实施例中的特征可以相互组合。
需要注意,本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分,并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意,本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的,本领域技术人员应当理解,除非在上下文另有明确指出,否则应该理解为“一个或多个”。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的,而并不是用于对这些消息或信息的范围进行限制。
下面将参考附图并结合实施例来详细说明本公开。
图1根据本公开一些实施例的文件处理方法的一个应用场景的示意图。
如图1所示,计算设备接收到传输设备102输入的三个文本。附图标记1031所示,从文本1中提取出文本1的索引组1041。如附图标记1041所示,索引组1041包括:词1和词2。附图标记1032所示,从文本2中提取出文本2的索引组1042。如附图标记1042所示,索引组1042包括:词2和词3。附图标记1033所示,从文本3中提取出文本3的索引组1043。如附图标记1043所示,索引组1043包括:词1和词3。从文本中提取词1、词2和词3的方式包括使用分词方式,以提取到的词汇为索引,得到上述每个文本对应的索引,进而将每个文本的索引构成该文本的索引组。上述索引组1041、索引组1042和索引组1043构成的集合称为索引组集合。附图标记1031所示文本1的索引组为索引组1041,将索引组1041中的索引与包含该索引的文本进行匹配,词1匹配到附图标记105所示的文本1和文本3,词2匹配到附图标记105所示的文本1和文本2。类似的,可以得到文本2和文本3的索引组与文本的对应关系。从而,由上述索引和上述索引可以查找到的所有文本生成倒排索引,将一个文件中至少一个索引对应的倒排索引作为倒排索引组,进而将至少一个倒排索引组的集合构成倒排索引组集合。如附图标记106所示,确定上述倒排索引组集合中倒排索引的权重。
在一些实施例的一些可选的实现方式中,一种计算倒排索引权重的方式如下,通过引入公式
计算每个词语倒排索引的权重。其中,w是权重,f是倒排索引的长度,τ是给定的高频哈希值阈值,阈值τ给定的方法可以是人为设定,也可以通过计算机等设备进行数据处理运算来获得。
是高频哈希值阈值与该倒排索引长度进行大小比较。当f<=τ时,
的取值为
随着f增大,
逐渐减小,
也会减小,即权重会逐渐减小。当f等于τ时
取值为0,即权重降为0,此时在比较文本相似度时可以忽略这条倒排索引。当f>τ时,
的取值为1,
取值为0,即w的值为0。使用这个公式我们可以将所有大于τ的倒排索引都给忽略,这样可以实现平滑过渡。不会出现当索引长为τ的时候权重数值的突然非平滑变化,对没有区分度的词可以抑制。同时可以保证连续性,连续性表现在稳定。例如,当向索引中加入新文本的时候,权重结果不会发生急剧的变化。
需要说明的是,上述计算设备101可以是硬件,也可以是软件。当计算设备为硬件时,可以实现成多个服务器或电子设备组成的分布式集群,也可以实现成单个服务器或单个电子设备。当计算设备体现为软件时,可以实现成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中的计算设备101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计算设备101。
继续参考图2,示出了根据本公开的文件处理方法的一些实施例的流程200。该文件处理方法,包括以下步骤:
步骤201,提取目标文件组中每个文件的索引组,得到索引组集合。
在一些实施例中,文件处理方法的执行主体可以是服务器。
在一些实施例中,上述目标文件组中的文件可以是文本类文件、图片类文件或音频类文件。
在一些实施例中,上述文件的索引组可以是一组数据。作为示例,索引组可以是文本中的一组词汇。作为又一示例,索引组可以是经提取得到的一组图片的哈希值。
在一些实施例中,上述文件的索引组集合可以是包含至少一个索引组的集合。作为示例,索引组集合可以包含至少一个词汇类的索引组。作为又一示例,索引组集合可以包含至少一个图片类的索引组。
在一些实施例中,上述执行主体提取目标文件组中每个文件的索引组,得到索引组的集合。作为示例,文件处理方法的执行主体对文本类文件进行分词处理,将得到的至少一个词汇作为该文本的索引组,至少一个文本的索引组构成索引组集合。其中,分词处理的方式,可以包括:使用正向最大匹配法分词、使用逆向最大匹配法分词、使用最小切分法分词和使用双向匹配法分词。作为又一示例,文件处理方法的执行主体对图片类文件进行哈希值提取,得到的至少一个哈希值作为该图片的索引组,至少一个图片的索引组构成索引组集合。其中,上述哈希值提取包括:使用局部敏感哈希算法提取、谱哈希算法提取、锚点图哈希算法提取、离散图哈希算法提取和监督离散哈希算法提取。
步骤202,将上述目标文件组中每个文件的索引组分别与上述目标文件组中的每个文件进行匹配生成倒排索引组,得到倒排索引组集合。
在一些实施例中,上述目标文件组可以是文本类文件组。在此基础上,上述文本类文件组中的每个文本类文件和上述文本类文件组中的每个文本类文件的索引组进行匹配,生成倒排索引组集合,可以包括:将上述每个索引组中的每个索引确定为倒排索引。确定上述每个倒排索引是否存在于上述文本类文件组中的每个文本类文件的索引组中。响应于确定上述倒排索引存在于上述文本类文件的索引组中,确定上述倒排索引与上述文本类文件匹配。将上述倒排索引匹配的至少一个文本类文件确定为倒排索引的值。将上述索引组确定为倒排索引组。将上述倒排索引组的集合确定为倒排索引组集合。
作为示例,上述目标文件组中包含文本1、文本2。文本1的索引组包括词汇1和词汇2,文本2的索引组包括词汇2。可以将词汇1作为倒排索引,包含词汇1的文本1作为该倒排索引的值。将词汇2作为倒排索引,包含词汇2的文本1和文本2作为该倒排索引的值。可以将文本1的词汇1和词汇2作为倒排索引组1,将文本2的词汇2作为倒排索引组2。在此基础上,可以将倒排索引组1和倒排索引组2确定为倒排索引组集合。
作为示例,目标文件组中包含文本1,文本1的索引为词汇1,可以将词汇1作为倒排索引,文本1作为词汇1的倒排索引对应值。可以将文本1的词汇1作为倒排索引组1。在此基础上可以将倒排索引组1确定为倒排索引组集合。
在一些实施例中,上述目标文件组可以是图片类文件组。在此基础上,上述图片类文件组中的每个图片类文件和上述图片类文件组中的每个图片类文件的索引组进行匹配,生成倒排索引组集合,可以包括:将上述每个索引组中的每个索引确定为倒排索引。确定上述每个倒排索引是否存在于上述图片类文件组中的每个图片类文件的索引组中。响应于确定上述倒排索引存在于上述图片类文件的索引组中,确定上述倒排索引与上述图片类文件匹配。将上述倒排索引匹配的至少一个图片类文件确定为倒排索引的值。将上述索引组确定为倒排索引组。将上述倒排索引组的集合确定为倒排索引组集合。
作为示例,上述目标文件组中包含图片1、图片2。图片1的索引组包括哈希值1和哈希值2,图片2的索引组包括哈希2。可以将哈希值1作为倒排索引,将可以提取得到哈希值1的图片1,作为该倒排索引的值。将哈希值2作为倒排索引,将可以提取得到哈希值2的图片1和图片2,作为该倒排索引的值。可以将图片1的哈希值1和哈希值2作为倒排索引组1,将图片2的哈希值2作为倒排索引组2。在此基础上,可以将倒排索引组1和倒排索引组2确定为倒排索引组集合。
作为示例,目标文件组中包含图片1,图片1的索引为哈希值1,可以将哈希值1作为倒排索引,图片1作为哈希值1的倒排索引对应值。可以将图片1的哈希值1作为倒排索引组1。在此基础上可以将倒排索引组1确定为倒排索引组集合。
步骤203,对于上述倒排索引组集合中的每个倒排索引,确定上述倒排索引的权重。
在一些实施例中,确定上述倒排索引权重方法包括,使用权重平滑公式来确定权重。作为示例,通过引入权重平滑公式
计算每个哈希值或词汇倒排索引的权重,其中,w是权重,f是倒排索引的长度,τ是给定的高频哈希值阈值或词汇阈值。阈值τ给定的方法可以是人为设定,也可以通过计算机等设备进行数据处理运算来获得。
是高频哈希值或词汇阈值与该倒排索引长度进行大小比较。当f<=τ时,
的取值为
随着f增大,
逐渐减小,
也会减小,即权重会逐渐减小。当f等于τ时
取值为0,即权重降为0。此时在比较文本或图片相似度时可以忽略这条倒排索引。当f>τ时,
的取值为1,
取值为0,即w的值为0。使用这个公式可以将所有大于τ的倒排索引都给忽略,这样可以实现平滑过渡,不会出现当索引长为τ的时候权重数值的非平滑变化。通过对没有区分度的词进行抑制,保证了连续性,使权重稳定变化。
在一些实施例的一些可选实现方式中,倒排索引权重确定的方法还可以是,给定阈值和倒排索引的长度值,使用阈值和倒排索引长度值的比值作为权重。
在一些实施例的一些可选实现方式中,上述阈值和倒排索引长度值的比值,大于等于设定值,将上述比值确定为待处理值。也可以是上述阈值和倒排索引长度值的比值,小于所述设定值,将所述设定值确定为待处理值。可以对待处理值进行对数处理得到所述倒排索引的权重。
本公开的上述各个实施例中的一个实施例具有如下有益效果:通过提取目标文件组中每个文件的索引组,得到索引组集合。进而,将上述目标文件组中每个文件的索引组分别与上述目标文件组中的各个文件进行匹配生成倒排索引组,得到倒排索引组集合。然后,对于上述倒排索引组集合中的每个倒排索引,确定上述倒排索引的权重。通过引入计算倒排索引权重的方法,确定倒排索引权重。在文件数据库加入新图片或新文本的时候,上述权重不会发生急剧的变化。进而,给不同重要性的倒排索引设置上合理的权重。在此基础上,可以解决后续过程中大量数据的处理问题,和缩短数据查找时间。
进一步参考图3,其示出了文件处理方法的另一些实施例的流程300。该文件处理方法的流程300,包括以下步骤:
步骤301,提取目标文件组中每个文件的索引组,得到索引组集合。
步骤302,将上述目标文件组中每个文件的索引组分别与上述目标文件组中的各个文件进行匹配生成倒排索引组,得到倒排索引组集合。
步骤303,对于上述倒排索引组集合中的每个倒排索引,确定上述倒排索引的权重。
在一些实施例中,步骤301-303的具体实现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201-203,在此不再赘述。
步骤304,基于索引和与索引对应的倒排索引的权重,生成对应关系表。
在一些实施例中,上述对应关系表可以是数据库中的数据表,上述对应关系表也可以是存储在电子文档中的数据。
在一些实施例中,可以是将数据作为字段存储在数据库中,进而生成对应关系表。作为示例,生成方式可以是将倒排索引、倒排索引对应的文件和倒排索引的权重作为字段值存储数据库中,生成上述对应关系表。
本公开的上述各个实施例中的一个实施例具有如下有益效果:将数据存储到数据的关系表中,可以实现对数据的记录。后期需要使用数据的时候,方便对数据的查询以及调用。在使用倒排索引权重和倒排索引的时候,可以很方便的查询到这些数据。方便后期的对大量数据处理,以及缩短数据查找时间。
进一步参考图4,作为对上述各图所示方法的实现,本公开提供了一种文件处理装置的一些实施例,这些装置实施例与图2所示的那些方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图4所示,一些实施例的文件处理装置400包括:提取单元401、匹配单元402和生成单元403。其中,提取单元401,被配置成提取目标文件组中每个文件的索引组,得到索引组集合;匹配单元402,被配置成将上述目标文件组中每个文件的索引组分别与上述目标文件组中的各个文件进行匹配生成倒排索引组,得到倒排索引组集合;生成单元403,被配置成对于上述倒排索引组集合中的每个倒排索引,确定上述倒排索引的权重。
在一些实施例的可选实现方式中,上述生成单元403进一步被配置成:确定预定阈值与上述倒排索引的长度的比值;基于上述比值,确定上述倒排索引的权重。
在一些实施例的可选实现方式中,上述生成单元403进一步被配置成:响应于上述比值大于等于设定值,将上述比值确定为待处理值;响应于上述比值小于设定值,将上述设定值确定为待处理值;对上述待处理值进行对数处理得到上述倒排索引的权重。
在一些实施例的可选实现方式中,上述装置400还包括:关系表生成单元,被配置成基于索引和与索引对应的倒排索引的权重,生成对应关系表。
可以理解的是,该装置400中记载的诸单元与参考图2描述的方法中的各个步骤相对应。由此,上文针对方法描述的操作、特征以及产生的有益效果同样适用于装置400及其中包含的单元,在此不再赘述。
继续参考图5,示出了根据本公开的文件匹配方法的一些实施例的流程500。该文件处理方法,包括以下步骤:
步骤501,获取第一文件和第二文件。
在一些实施例中,上述第一文件和第二文件的文件可以是各种类型文件。作为示例,上述第一文件和第二文件可以是图片类文件。作为示例,上述第一文件和第二文件可以是文本类文件。
在一些实施例中,获取文件可以通过各种渠道。作为示例,获取文件的方式可以是从数据库中获取。作为示例,获取文件的方式可以是从电子文档中获取。
步骤502,分别对上述第一文件和上述第二文件进行索引提取,得到第一索引组和第二索引组。
在一些实施例中,可以使用各种数据提取方式进行上述提取。作为示例,上述第一文件和上述第二文件可以是文本类电子文件,在此基础上,上述索引可以是由上述文件经过分词得到的词汇。上述分词方法可以包括:使用正向最大匹配法分词、使用逆向最大匹配法分词、使用最小切分法分词和使用双向匹配法分词。作为示例,上述第一文件和上述第二文件还可以是图片类电子文件,在此基础上,上述索引可以是由图片经过哈希算法得到的哈希值。上述哈希算法可以包括:单模态哈希算法、量化哈希算法、多模态哈希算法、跨模态哈希算法和深度哈希算法。其中,单模态哈希算法可以包括:局部敏感哈希算法、谱哈希算法、锚点图哈希算法、离散图哈希算法和监督离散哈希算法。
在一些实施例中,对上述第一文件和上述第二文件进行索引提取,从而可以得到第一索引组和第二索引组。作为示例,第一文件可以是文本1,第二文件可以是文本2。第一索引组可以是从第一文件中提取到的词汇1,第二索引组可以是从第二文件中提取到的词汇2。作为又一示例,第一文件可以是文本1,第二文件可以是文本2。第一索引组可以是从第一文件中提取到的词汇1和词汇2,第二索引组可以是从第二文件中提取到的词汇2和词汇3。
步骤503,基于对应关系表,检索上述第一索引组中的每个索引对应的倒排索引的权重和上述第二索引组中的每个索引对应的倒排索引的权重。
在一些实施例中,对应关系表可以是数据库或文档中的数据。作为示例,对应关系表可以是存储在mysql数据库中,包含索引和倒排索引权重的数据表。
在一些实施例中,检索索引权重的方式可以是将每个上述第一文件的索引和每个上述第二文件的索引与对应关系表中的索引数据进行对比,从而确定上述索引的权重。作为示例,可以使用数据库的结构化查询语句检索索引的权重。
本公开的上述各个实施例中的一个实施例具有如下有益效果:通过获取得到第一文件和第二文件。分别对上述第一文件和上述第二文件进行索引提取,得到第一索引组和第二索引组。然后,基于对应关系表,检索上述第一索引组中的每个索引对应的倒排索引的权重和上述第二索引组中的每个索引对应的倒排索引的权重,得到上述文件的权重值。上述方法可以使用文件的索引得到该索引的权重值,使用对应关系表方便了对权重的查询。在此基础上,可以解决大量数据的处理问题,和缩短数据查找时间。
进一步参考图6,其示出了文件匹配方法的另一些实施例的流程600。该文件处理方法的流程600,包括以下步骤:
步骤601,获取第一文件和第二文件。
步骤602,分别对上述第一文件和上述第二文件进行索引提取,得到第一索引组和第二索引组。
步骤603,基于对应关系表,检索上述第一索引组中的每个索引对应的倒排索引的权重和上述第二索引组中的每个索引对应的倒排索引的权重。
在一些实施例中,步骤601-603的具体实现及其所带来的技术效果,可以参考图5对应的实施例中的步骤501-503,在此不再赘述。
步骤604,确定上述第一索引组和上述第二索引组的交集。
在一些实施例中,上述交集包含索引组的索引信息。作为示例,上述索引组交集可以包括索引和索引对应倒排索引的权重。
在一些实施例中,上述第一索引组和上述第二索引组的交集,可以是通过提取不同文件共同具有的索引确定的。作为示例,上述第一索引组可以包含索引1和索引2,上述第二索引组可以包含索引2和索引3,上述第一索引组和上述第二索引组的交集为索引2。作为示例,上述第一索引组可以包含索引1和索引2,上述第二索引组可以包含索引3,上述第一索引组和上述第二索引组的交集可以为空集。
步骤605,确定上述交集中的倒排索引权重的和。
在一些实施例中,通过计算可以获得上述倒排索引的权重和。作为示例,上述交集包含倒排索引1和倒排索引2,倒排索引1的权重可以为1,倒排索引2的权重可以为2,上述倒排索引的权重和可以为倒排索引1的权重加上倒排索引2的权重。作为又一示例,上述交集为空集,上述倒排索引权重的和则为0。
步骤606,基于上述倒排索引权重的和,确定上述第一文件和第二文件的相似度。
在一些实施例中,可以通过计算比值的方式确定上述第一文件和第二文件的相似度。作为示例,将上述交集中的倒排索引的权重之和与第一文件索引的权重之和进行比较,可以将上述比值作为相似度。作为示例,将上述交集中的倒排索引的权重之和与第二文件的倒排索引的权重进行比较,可以将上述比值作为相似度。作为示例,将上述交集中倒排索引的权重之和,与第一文件和第二文件的索引的权重之和进行比较,可以将上述比值作为相似度。使用索引确定文件相似度,而不是使用整个文件确定文件相似度,这样可以加快相似度的比较速度。
本公开的上述各个实施例中的一个实施例具有如下有益效果:使用上述倒排索引的权重值,可以确定文件的相似度,也可以用来进行文件查找。上述方法使用索引和索引的权重来进行比较或进行查找,可以提升查找的速度。权重以一种平滑的形式变化,可以保证相似度比较结果不发生突变。在此基础上,可以缩短数据查找时间。
下面参考图7,其示出了适于用来实现本公开的一些实施例的电子设备700的结构示意图。本公开的一些实施例中的终端设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图7示出的电子设备仅仅是一个示例,不应对本公开的实施例的功能和使用范围带来任何限制。
如图7所示,电子设备700可以包括处理装置(例如中央处理器、图形处理器等)701,其可以根据存储在只读存储器(ROM)702中的程序或者从存储装置708加载到随机访问存储器(RAM)703中的程序而执行各种适当的动作和处理。在RAM 703中,还存储有电子设备700操作所需的各种程序和数据。处理装置701、ROM 702以及RAM703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。
通常,以下装置可以连接至I/O接口705:包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置706;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置707;包括例如磁带、硬盘等的存储装置708;以及通信装置709。通信装置709可以允许电子设备700与其他设备进行无线或有线通信以交换数据。虽然图7示出了具有各种装置的电子设备700,但是应理解的是,并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图7中示出的每个方框可以代表一个装置,也可以根据需要代表多个装置。
特别地,根据本公开的一些实施例,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,本公开的一些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。在这样的一些实施例中,该计算机程序可以通过通信装置709从网络上被下载和安装,或者从存储装置708被安装,或者从ROM 702被安装。在该计算机程序被处理装置701执行时,执行本公开的一些实施例的方法中限定的上述功能。
需要说明的是,本公开的一些实施例所述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***、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。在本公开的一些实施例中,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***、装置或者器件使用或者与其结合使用。而在本公开的一些实施例中,计算机可读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,该计算机可读信号介质可以发送、传播或者传输用于由指令执行***、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:电线、光缆、RF(射频)等等,或者上述的任意合适的组合。
在一些实施方式中,客户端、服务器可以利用诸如HTTP(HyperText TransferProtocol,超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信,并且可以与任意形式或介质的数字数据通信(例如,通信网络)互连。通信网络的示例包括局域网(“LAN”),广域网(“WAN”),网际网(例如,互联网)以及端对端网络(例如,ad hoc端对端网络),以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。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电子设备执行时,使得该电子设备:提取目标文件组中每个文件的索引组,得到索引组集合;将上述目标文件组中每个文件的索引组分别与上述目标文件组中的各个文件进行匹配生成倒排索引组,得到倒排索引组集合;对于上述倒排索引组集合中的每个倒排索引,确定上述倒排索引的权重。
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公开的一些实施例的操作的计算机程序代码,所述程序设计语言包括面向对象的程序设计语言—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,图示了按照本公开各种实施例的***、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***来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开的一些实施例中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:一种处理器包括提取单元、匹配单元和生成单元。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,提取单元还可以被描述为“提取存储设备中文件的单元”。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如,非限制性地,可以使用的示范类型的硬件逻辑部件包括:现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上***(SOC)、复杂可编程逻辑设备(CPLD)等等。
根据本公开的一个或多个实施例,提供了文件处理方法,包括:提取目标文件组中每个文件的索引组,得到索引组集合;将上述目标文件组中每个文件的索引组分别与上述目标文件组中的各个文件进行匹配生成倒排索引组,得到倒排索引组集合;对于上述倒排索引组集合中的每个倒排索引,确定上述倒排索引的权重。
根据本公开的一个或多个实施例,对于上述倒排索引组集合中的每个倒排索引,确定上述倒排索引的权重,包括:确定预定阈值与上述倒排索引的长度的比值;基于上述比值,确定上述倒排索引的权重。
根据本公开的一个或多个实施例,基于比值确定倒排索引的权重,包括:响应于上述比值大于等于设定值,将上述比值确定为待处理值;响应于上述比值小于设定值,将上述设定值确定为待处理值;对上述待处理值进行对数处理得到上述倒排索引的权重。
根据本公开的一个或多个实施例,文件处理的方法还包括:基于索引和与索引对应的倒排索引的权重,生成对应关系表。
根据本公开的一个或多个实施例,提供了文件匹配方法包括:获取第一文件和第二文件;分别对第一文件和第二文件进行索引提取,得到第一索引组和第二索引组;基于对应关系表,检索上述第一索引组中的每个索引对应的倒排索引的权重和上述第二索引组中的每个索引对应的倒排索引的权重。
根据本公开的一个或多个实施例,文件匹配方法还包括:确定第一索引组和第二索引组的交集;确定交集对应的至少一个倒排索引的权重和;基于权重和,确定第一文件和第二文件的相似度。
根据本公开的一个或多个实施例,提供了用于文件处理的装置,包括:提取单元,被配置成提取目标文件组中每个文件的索引组,得到索引组集合;匹配单元,被配置成将上述目标文件组中每个文件的索引组分别与上述目标文件组中的各个文件进行匹配生成倒排索引组,得到倒排索引组集合;生成单元,被配置成对于上述倒排索引组集合中的每个倒排索引,确定上述倒排索引的权重。
根据本公开的一个或多个实施例,上述生成单元进一步被配置成:确定预定阈值与上述倒排索引的长度的比值;基于上述比值,确定上述倒排索引的权重。
根据本公开的一个或多个实施例,生成单元进一步被配置成:响应于上述比值大于等于设定值,将上述比值确定为待处理值;响应于上述比值小于设定值,将上述设定值确定为待处理值;对上述待处理值进行对数处理得到上述倒排索引的权重。
根据本公开的一个或多个实施例,上述文件处理的装置还包括:关系表生成单元,被配置成基于索引和与索引对应的倒排索引的权重,生成对应关系表。
根据本公开的一个或多个实施例,提供的文件匹配装置,包括:文件获取单元,被配置成获取第一文件和第二文件;索引提取单元,被配置成分别对第一文件和第二文件进行索引提取,得到第一索引组和第二索引组;权重生成单元,被配置成基于对应关系表,检索第一索引组中的每个索引对应的倒排索引的权重和第二索引组中的每个索引对应的倒排索引的权重。
根据本公开的一个或多个实施例,文件匹配装置,还包括:交集确定单元,被配置成确定第一索引组和上述第二索引组的交集;求和单元,被配置成确定交集对应的至少一个倒排索引的权重和;相似度确定单元,被配置成基于权重和,确定第一文件和第二文件的相似度。
根据本公开的一个或多个实施例,提供了一种电子设备,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上述任一的方法。
根据本公开的一个或多个实施例,提供了一种计算机可读介质,其上存储有计算机程序,其中,程序被处理器执行时实现如上述任一的方法。
以上描述仅为本公开的一些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,本公开的实施例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。例如上述特征与本公开的实施例中公开的(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。