互联网信息内容相似定义方法

摘要

一种互联网信息内容相似定义方法，步骤如下：每次文章入库前，根据语义将文章内容中的所有完整的句子分割出来，然后将句子按照由长到短的顺序排序，选取前十个句子，如果文章内容中没有十个句子，就选取所有的句子；然后将选取的句子进行取MD5数据指纹，并对句子的MD5数据指纹码进行自然排序，最后存入到数据库中；在比较两个文章内容的相似性时，就比较两个文章内容的MD5数据指纹。本发明内容相似定义方法就是在ElasticSearch搜索服务器的基础上开发的一个插件，文章数据在存入ElasticSearch时最多找出文章中10个最长句子，然后进行取MD5数据指纹存入ElasticSearch库中。在对两条文章内容进行相似比较时，对比两条数据的MD5数据指纹的相同比率，来判断是否相似。