[发明专利]文件的处理方法、装置、存储介质和设备

说明书

本发明公开了一种文件的处理方法、装置、存储介质和设备。其中，该方法包括：获取多个目标文件，并解析出多个目标文件对应的文件内容，其中，目标文件为包括涉密词语、危险词语的文件；根据文件内容对多个目标文件进行聚类，得到分组结果；基于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。本发明解决了相关技术中依靠人工判断文件危险性而造成的高成本、低效率的技术问题。

技术领域

本发明涉及文件处理领域，具体而言，涉及一种文件的处理方法、装置、存储介质和设备。

背景技术

在日常工作中，我们往往需要去判断一个文件是否涉密、有危险词语等，人为一个一个文档去查看判断效率非常低。而且，随着社会的发展，人力成本也在不断提高，如果继续依靠人工判断文件危险性，随之而来的就是高额的人力成本。

针对上述的问题，目前尚未提出有效的解决方案。

发明内容

本发明实施例提供了一种文件的处理方法、装置、存储介质和设备，以至少解决相关技术中依靠人工判断文件危险性而造成的高成本、低效率的技术问题。

根据本发明实施例的一个方面，提供了一种文件的处理方法，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。

可选地，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。

可选地，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。

可选地，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。

可选地，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，文件相似度参数，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。

可选地，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。

根据本发明实施例的另一方面，还提供了一种文件的处理装置，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。

可选地，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。