[发明专利]一种基于文章相似数量的文章热度计算方法

权利要求书

1.一种基于文章相似数量的文章热度计算方法，其特征在于，包括以下步骤：

S1.数据预处理，根据文章内容利用相似度算法获得文章相似度指纹码；

S2.将S1计算的文章相似度指纹码与文章信息的关联关系保存到数据库；

S3.根据要统计的时间范围和数量，对S2步骤数据库保存的相似度指纹码与文章信息关联关系进行聚合查询，根据聚合结果进行排序；

S4.根据S3查询结果计算文章的热度评分。

2.如权利要求1所述的方法，其特征在于，S1的具体过程如下：

S11.将文章标题加文章内容合并成一个字符串；

S12.利用互联网开源分词器Ansj进行分词；

S13.对分词结果进行优化，根据位置计算权重，对关键词进行排序；

S14.根据关键词列表计算sha-1哈希值，sha-1哈希值即为相似度指纹码。

3.如权利要求1所述的方法，其特征在于，S2的数据库字段至少包括文章标题、文章内容、发布时间和相似度指纹码。

4.如权利要求3所述的方法，其特征在于，S2采用Elasticsearch进行存储。

5.如权利要求1所述的方法，其特征在于，S3中根据聚合结果进行排序具体是相似文章数量由高到低进行排序。

6.如权利要求5所述的方法，其特征在于，S4具体过程如下：

S41.根据聚合结果计算平均相似文章数量S，计算规则为：去掉相似最多和最少的数据，再求剩余的相似文章数量的平均值，计算公式如下：

其中，S_i为排在第i位的相似文章数量；

S42.将需要查询的时间范围转换为以天为单位，记为D；

S43.计算热度评分Score，公式如下：

其中，评分基数BS是一个整数值，用于计算评分的基准，是热度评分结果的最高期望分值；

间隔时间IT是当前时间与文章发布时间间隔时间，单位为天；

相似数量权重SW是相似文章数量在计算评分时评分时所占的权重，与时间权重相加为1；

时间权重TW是间隔时间在评分时所占的比重，相似权重一样的情况评分会随着时间递减，与相似度权重相加为1；

S44.根据文章相似指纹码获取发布时间最早的文章信息，从而获得热门文章列表与热门文章评分。