基于文本相似度的数据去重方法、装置及存储介质和服务器.pdfVIP

下载本文档

0
0
约1.81万字
约 18页
2023-05-05 发布于北京
举报
版权申诉

基于文本相似度的数据去重方法、装置及存储介质和服务器.pdf

1、本文档共18页，其中可免费阅读17页，需付费10金币后方可阅读剩余内容。
2、本文档内容版权归属内容提供方，所产生的收益全部归内容提供方所有。如果您对本文有版权争议，可选择认领，认领后既往收益都归您。
3、本文档由用户上传，本站不保证质量和数量令人满意，可能有诸多瑕疵，付费之前，请仔细先通过免费阅读内容等途径辨别内容交易风险。如存在严重挂羊头卖狗肉之情形，可联系本站下载客服投诉处理。
4、文档侵权举报电话：400-050-0827(电话支持时间：9:00-18:30)。
5、该文档为VIP文档，如果想要下载，成为VIP会员后，下载免费。
6、成为VIP后，下载本文档将扣除1次下载权益。下载后，不支持退款、换文档。如有疑问请联系我们。
7、成为VIP后，您将拥有八大权益，权益包括：VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
8、VIP文档为合作方或网友上传，每下载1次，网站将根据用户上传文档的质量评分、类型等，对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档

本发明涉及大数据处理领域，具体涉及一种基于文本相似度的数据去重方法、装置及存储介质和服务器；所述方法包括对初始文本数据和增量文本数据分别预处理；从初始文本数据中抽取部分样本，采用层次聚类算法对其分类，并确定出一级索引；采用k‑means聚类算法将所有初始文本数据哈希值划分到层次聚类算法对应的类别中，构建出二级索引，并将二级索引的地址指向一级索引；通过检索二级索引，对初始文本数据去重，并从二级索引选择排名靠前的作为常驻索引，结合常驻索引、二级索引和一级索引，对增量文本数据进行去重处理。本发明能提高

(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 CN 114281989 A (43)申请公布日 2022.04.05 (21)申请号 202111516164.6 (22)申请日 2021.12.06 (71)申请人重庆邮电大学地址