一种基于混合特征的中文文档基因提取方法

摘要

本发明涉及一种基于混合特征的中文文档基因提取方法。该方法针对中文文档格式，面向文档逃避检查场景，提出了文档载体特征、属性特征、内容特征融合的混合特征，首次将顺序关系引入内容特征，作为内容特征的有效补充，并最终形成一种相对层次清晰的文档基因表征。基于该基因表征，进一步提出了基于短语特征提取的顺序关系特征提取方法，并对混合特征中的其他特征提出了可操作的特征提取方法。基于本发明混合特征提取的文档基因，对降低文档分析的时间复杂度、防逃避检查具有重要帮助作用，可实现性和实用性较强。