[发明专利]文件的处理方法、装置、存储介质和设备

权利要求书

1.一种文件的处理方法，其特征在于，包括：

获取多个目标文件，并解析出多个所述目标文件对应的文件内容，其中，所述目标文件为包括涉密词语、危险词语的文件；

根据所述文件内容对多个所述目标文件进行聚类，得到分组结果；

基于所述分组结果对每组文件的文件内容进行分词，得到每组文件的分词结果；

按照预设规则分别对所述每组文件的分词结果进行处理，生成识别文件危险性的策略。

2.根据权利要求1所述的方法，其特征在于，获取多个目标文件，并解析出多个所述目标文件对应的文件内容包括：

确定多个所述目标文件的文件格式；

判断所述文件格式是否为文本格式；

在所述文件格式为文本格式的情况下，则直接生成目标文件对应的文件内容；否则，将所述文件格式转化为文本格式，再生成目标文件对应的文件内容。

3.根据权利要求1所述的方法，其特征在于，根据所述文件内容对多个所述目标文件进行聚类，得到分组结果包括：

基于每个目标文件的文件内容，确定各个目标文件之间的相似度；

基于各个目标文件之间的相似度进行聚类，得到分组结果。

4.根据权利要求1所述的方法，其特征在于，基于所述分组结果对每组文件的文件内容进行分词，得到每组文件的分词结果包括：

利用分词算法对每组文件的文件内容进行分词，得到每组文件的初始分词结果；

分别对所述每组文件的初始分词结果进行统计分析，生成各组文件的分词结果，其中，所述分词结果至少包括以下之一：词语名称，词语出现的次数和词语的得分。

5.根据权利要求1所述的方法，其特征在于，按照预设规则分别对所述每组文件的分词结果进行处理，生成识别文件危险性的策略包括：

基于所述每组文件的分词结果确定预设规则，其中，所述预设规则包括以下至少之一：得分最高的词语，填写已知的词语，文件相似度，词语出现的次数和文件内容符合的正则表达式；

根据所述预设规则生成识别目标文件的策略。

6.根据权利要求1至5中任意一项所述的方法，其特征在于，按照预设规则分别对所述每组文件的分词结果进行处理，生成识别文件危险性的策略还包括：

基于机器学习得到的验证模型，识别得到与生成识别目标文件的策略对应的误判率；

根据所述误判率，确定最优的识别目标文件的策略。

7.一种文件的处理装置，其特征在于，包括：

获取模块，用于获取多个目标文件，并解析出多个所述目标文件对应的文件内容，其中，所述目标文件为包括涉密词语、危险词语的文件；

聚类模块，用于根据所述文件内容对多个所述目标文件进行聚类，得到分组结果；

分词模块，用于基于所述分组结果对每组文件的文件内容进行分词，得到每组文件的分词结果；

生成模块，用于按照预设规则分别对所述每组文件的分词结果进行处理，生成识别文件危险性的策略。

8.根据权利要求7所述的装置，其特征在于，所述获取模块包括：

第一确定单元，用于确定多个所述目标文件的文件格式；

判断单元，用于判断所述文件格式是否为文本格式；

第一生成单元，用于在所述文件格式为文本格式的情况下，则直接生成目标文件对应的文件内容；否则，将所述文件格式转化为文本格式，再生成目标文件对应的文件内容。

9.一种存储介质，其特征在于，所述存储介质存储有程序，该程序被处理器执行时实现权利要求1至6中任意一项所述的文件的处理方法。

10.一种设备，其特征在于，所述设备包括至少一个处理器、以及与所述处理器连接的至少一个存储器、总线，其中，所述处理器、所述存储器通过所述总线完成相互间的通信；所述处理器用于调用所述存储器中的程序指令，以执行权利要求1至6中任意一项所述的文件的处理方法。