(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111657830.8 (22)申请日 2021.12.3 0 (71)申请人 南京中孚信息技 术有限公司 地址 210000 江苏省南京市浦口区江浦街 道仁山路1号园区2号楼办公室东侧 ER202室 申请人 中孚信息股份有限公司 　 中孚安全技 术有限公司 　 北京中孚泰和科技发展股份有限公 司 (72)发明人 孙强　郑传义　朱岩　曲志峰　 徐国龙　 (74)专利代理 机构 北京超凡宏宇专利代理事务 所(特殊普通 合伙) 11463 代理人 徐丽(51)Int.Cl. G06K 9/62(2022.01) G06F 40/30(2020.01) (54)发明名称 非结构化内容相似度确定方法、 装置和电子 设备 (57)摘要 本发明提供了一种非结构化内容相似度确 定方法、 装置和电子设备， 对从非结构化内容中 得到的提取内容进行归一化， 得到归一化内容； 基于从归一化内容中提取的指定特征为归一化 内容设置标签， 对设置标签的归一化内容进行语 义相似度匹配得到第一匹配结果； 基于归一化内 容的上下文相关性， 对设置有标签的归一化内容 进行度量融合的关系计算， 得到关系度量信息； 根据关系度量信息进行上下文相似度匹配得到 第二匹配结果； 根据归一化内容、 归一化内容设 置的标签和关系度量信息， 对非结构化内容进行 内容相似度匹配得到第三匹配结果。 该方式综合 利用内容分析的多维度方法， 对非结构化内容进 行相似度匹配， 可以使各维度方法进行优势互 补， 提升了分析的准确度。 权利要求书2页 说明书8页 附图4页 CN 114298236 A 2022.04.08 CN 114298236 A 1.一种非结构化内容相似度确定方法， 其特 征在于， 所述方法包括： 对非结构化内容进行内容 提取， 得到提取内容； 对所述提取内容进行归一 化处理， 得到归一 化内容； 提取所述归一化内容中的指定特征， 基于所述指定特征为所述归一化内容设置标签； 对设置有标签的归一 化内容进行语义相似度匹配， 得到第一匹配结果； 基于所述归一化内容的上下文相关性， 对所述设置有标签的归一化内容进行度量融合 的关系计算， 得到关系 度量信息； 根据所述关系 度量信息进 行上下文相似度匹配， 得到第二 匹配结果； 其中， 所述上 下文相关性包括词频、 序列特 征和长距离结构模式； 根据所述归一化内容、 所述归一化内容设置的标签和所述关系度量信息， 对所述非结 构化内容进行内容相似度匹配， 得到第三匹配结果。 2.根据权利要求1所述的方法， 其特征在于， 所述非结构化内容包括文本、 图片、 音视 频、 信息流和 加密状况中的一种或多种； 所述对非结构化内容进行内容 提取， 得到提取内容的步骤， 包括： 通过预设提取方式中的一种或多种， 对所述非结构化内容进行内容提取， 得到所述提 取内容； 其中， 所述预设提取方式包括内嵌提取、 加密检测、 文本提取、 元数据提取、 音频抽 取、 视频抽帧、 缩略图生成、 P DF生成和OCR处 理。 3.根据权利要求1或2所述的方法， 其特征在于， 所述对所述提取内容进行归一化处理， 得到归一 化内容的步骤， 包括： 通过内容定义解析工具或者预设框架， 对所述提取内容进行模型定义， 以使所述提取 内容采用模型中的规范格式进 行归一化表示， 将归一化表示的所述提取内容确定为所述归 一化内容。 4.根据权利要求1所述的方法， 其特征在于， 所述提取所述归一化内容中的指定特征， 基于所述指定特 征为所述归一 化内容设置标签的步骤， 包括： 基于预设的特征提取算法， 从所述归一化内容中提取出所述指定特征； 其中， 所述指定 特征包括内容实体、 关键词、 主题、 关系信息和 属性信息； 根据提取到的所述指定特 征， 为所述归一 化内容设置 至少一个标签。 5.根据权利要求1所述的方法， 其特征在于， 所述基于所述归一化内容的上下文相关 性， 对所述设置有标签的归一化内容进行度量融合的关系计算， 得到关系度量信息的步骤 之后， 所述方法还 包括： 根据预设量化方法和指定策略， 生成所述设置有标签的归一化内容的多维度关系信 息。 6.根据权利要求5所述的方法， 其特征在于， 所述基于所述归一化内容的上下文相关 性， 对所述设置有标签的归一化内容进 行度量融合的关系计算， 得到 关系度量信息的步骤， 包括： 保留所述归一化内容的上下文相关性， 针对所述多维度关系信 息和所述归一化内容设 置的标签进行度量融合的关系计算， 得到关系度量信息 。 7.根据权利要求1所述的方法， 其特征在于， 所述根据所述归一化内容、 所述归一化内 容设置的标签和所述关系度量信息， 对所述非结构化内容进行内容相似度匹配， 得到第三 匹配结果的步骤， 包括：权　利　要　求　书 1/2 页 2 CN 114298236 A 2基于所述归一化内容、 所述归一化内容设置的标签和所述关系度量信息， 提取目标特 征； 针对所述目标特征对所述归一化内容进行特征向量化， 以对向量化的内容进行内容相 似度匹配， 得到第三匹配结果。 8.一种非结构化内容相似度确定装置， 其特 征在于， 所述装置包括： 内容提取模块， 用于对非结构化内容进行内容 提取， 得到提取内容； 归一化模块， 用于对所述 提取内容进行归一 化处理， 得到归一 化内容； 标签化模块， 用于提取所述归一化内容中的指定特征， 基于所述指定特征为所述归一 化内容设置标签； 对设置有标签的归一 化内容进行语义相似度匹配， 得到第一匹配结果； 特征关系化模块， 用于基于所述归一化内容的上下文相关性， 对所述设置有标签的归 一化内容进行度量融合的关系计算， 得到关系度量信息； 根据所述关系度量信息进行上下 文相似度匹配， 得到第二匹配结果； 其中， 所述上下文相关性包括词 频、 序列特征和长距离 结构模式； 特征向量化模块， 用于根据所述归一化内容、 所述归一化内容设置的标签和所述关系 度量信息， 对所述非结构化内容进行内容相似度匹配， 得到第三匹配结果。 9.一种电子设备， 其特征在于， 所述电子设备包括处理器和存储器， 所述存储器存储有 能够被所述处理器执行的机器可执行指令， 所述处理器执行所述机器可执行指 令以实现权 利要求1至7任一项所述的非结构化内容相似度确定方法。 10.一种机器可读存储介质， 其特征在于， 所述机器可读存储介质存储有机器可执行指 令， 所述机器可执行指令在被处理器调用和执行时， 所述机器可执行指令促使处理器实现 权利要求1至7任一项所述的非结构化内容相似度确定方法。权　利　要　求　书 2/2 页 3 CN 114298236 A 3