(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210618101.X (22)申请日 2022.06.01 (71)申请人 北京金山数字 娱乐科技有限公司 地址 100085 北京市海淀区西二 旗中路33 号院5号楼1 1层002号 (72)发明人 汪洲　李长亮　 (74)专利代理 机构 北京智信禾专利代理有限公 司 11637 专利代理师 金鹏 (51)Int.Cl. G06F 40/194(2020.01) G06F 40/30(2020.01) G06F 16/33(2019.01) (54)发明名称 文档搜索方法及装置 (57)摘要 本申请提供文档搜索方法及装置， 其中所述 文档搜索方法包括： 首先通过提取所述待搜索文 档的目标文本内容 以及所述目标文本内容的第 一语义向量， 基于所述目标文本内容和第一语义 向量， 搜索第一候选文档和搜索第二候选文档， 可以结合文本层面和语义层面进行搜索， 使 得搜 索得到的候选文档更全面。 然后因为结合了语义 层面和文本层面， 对所述待搜索文档、 所述第一 候选文档和所述第二候选文档进行相似分析， 确 定所述待搜索文档的目标相似文档， 提升了确定 的目标相似 文档的准确度。 权利要求书4页 说明书22页 附图11页 CN 114912431 A 2022.08.16 CN 114912431 A 1.一种文档搜索方法， 其特 征在于， 包括： 获取待搜索文档， 提取所述待搜索文档的目标文本内容以及所述目标文本 内容的第 一 语义向量； 基于所述目标文本内容， 搜索第 一候选文档， 并基于所述第 一语义向量， 搜索第 二候选 文档； 对所述待搜索文档、 所述第一候选文档和所述第二候选文档进行相似分析， 确定所述 待搜索文档的目标相似文档。 2.根据权利要求1所述的方法， 其特征在于， 所述提取所述目标文本 内容的第 一语义向 量， 包括： 根据所述目标文本 内容， 利用预先训练的自然语言模型提取所述目标文本 内容的第 一 语义向量。 3.根据权利要求1所述的方法， 其特征在于， 所述基于所述目标文本内容， 搜索第一候 选文档， 包括： 提取所述目标文本内容中的关键词； 基于所述目标文本内容和所述关键词， 搜索第一 候选文档。 4.根据权利要求3所述的方法， 其特征在于， 所述目标文本内容包括待搜索文档的文件 名和原始文本内容； 所述提取所述目标文本内容中的关键词， 包括： 从所述文件名中提取文件名关键词， 并从所述原 始文本内容中提取文本内容关键词； 所述基于所述目标文本内容和所述关键词， 搜索第一 候选文档， 包括： 基于所述文件名、 所述原始文本内容、 所述文件名关键词和所述文本内容关键词， 搜索 第一候选文档。 5.根据权利要求4所述的方法， 其特征在于， 所述基于所述文件名、 所述原始文本内容、 所述文件名关键词和所述文本内容关键词， 搜索第一 候选文档， 包括： 基于所述文件名， 搜索预 先建立的文档数据库， 得到文件名候选文档； 基于所述原 始文本内容， 搜索预 先建立的文档数据库， 得到原 始文本内容 候选文档； 基于所述文件名关键词， 搜索预 先建立的文档数据库， 得到文件名关键词候选文档； 基于所述文本内容关键词， 搜索预先建立的文档数据库， 得到文本内容关键词候选文 档； 将所述文件名候选文档、 所述原始文本内容候选文档、 所述文件名关键词候选文档和 所述文本内容关键词候选文档合并为第一 候选文档。 6.根据权利要求1所述的方法， 其特征在于， 所述基于所述第一语义向量， 搜索第二候 选文档， 包括： 提取各样本文档中目标文本内容的第二语义向量； 将所述第一语义向量分别与 各所述第 二语义向量进行比对， 从各所述第 二语义向量中 确定所述第一语义向量的相似向量； 确定所述相似向量对应的样本文档作为第二 候选文档。 7.根据权利要求1所述的方法， 其特征在于， 所述对所述待搜索文档、 所述第一候选文 档和所述第二 候选文档进行相似分析， 确定所述待搜索文档的目标相似文档， 包括：权　利　要　求　书 1/4 页 2 CN 114912431 A 2获取所述待搜索文档、 所述第一 候选文档和所述第二 候选文档的指定特 征数据； 计算所述待搜索文档的指定特征数据和所述第一候选文档的指定特征数据的第一相 似度， 以及所述待搜索 文档的指定特征数据和所述第二候选文档的指 定特征数据的第二相 似度； 基于所述第 一相似度和所述第 二相似度， 从所述第 一候选文档和所述第 二候选文档中 确定所述待搜索文档的目标相似文档。 8.根据权利要求7 所述的方法， 其特 征在于， 所述指定特 征数据包括文件名语义向量； 所述计算所述待搜索文档的指定特征数据和所述第一候选文档的指定特征数据的第 一相似度， 以及所述待搜索 文档的指 定特征数据和所述第二候选文档的指 定特征数据的第 二相似度， 包括： 根据所述待搜索文档、 所述第一候选文档和所述第二候选文档的文件名语义向量， 分 别计算所述待搜索文档和所述第一候选文档的第一文件名相似度、 所述待搜索文档和所述 第二候选文档的第二文件名相似度； 所述基于所述第 一相似度和所述第 二相似度， 从所述第 一候选文档和所述第 二候选文 档中确定所述待搜索文档的目标相似文档， 包括： 基于所述第 一文件名相似度和所述第 二文件名相似度， 从所述第 一候选文档和所述第 二候选文档中确定所述待搜索文档的目标相似文档。 9.根据权利要求7 所述的方法， 其特 征在于， 所述指定特 征数据包括文件名字面特 征； 所述计算所述待搜索文档的指定特征数据和所述第一候选文档的指定特征数据的第 一相似度， 以及所述待搜索 文档的指 定特征数据和所述第二候选文档的指 定特征数据的第 二相似度， 包括： 根据所述待搜索文档、 所述第一候选文档以及所述第二候选文档的文件名字面特征， 分别计算所述待搜索 文档与所述第一候选文档的第一文件名字面相似度、 所述待搜索文档 与所述第二 候选文档的第二文件名字面相似度； 所述基于所述第 一相似度和所述第 二相似度， 从所述第 一候选文档和所述第 二候选文 档中确定所述待搜索文档的目标相似文档， 包括： 基于所述第 一文件名字面相似度和所述第 二文件名字面相似度， 从所述第 一候选文档 和所述第二 候选文档中确定所述待搜索文档的目标相似文档。 10.根据权利要求7所述的方法， 其特征在于， 所述指定特征数据包括原始文本内容语 义向量； 所述计算所述待搜索文档的指定特征数据和所述第一候选文档的指定特征数据的第 一相似度， 以及所述待搜索 文档的指 定特征数据和所述第二候选文档的指 定特征数据的第 二相似度， 包括： 根据所述待搜索文档、 所述第 一候选文档和所述第 二候选文档的原始文本 内容语义向 量， 分别计算所述待搜索文档和所述第一候选文档的第一文本相似度、 所述待搜索文档和 所述第二 候选文档的第二文本相似度； 所述基于所述第 一相似度和所述第 二相似度， 从所述第 一候选文档和所述第 二候选文 档中确定所述待搜索文档的目标相似文档， 包括： 基于所述第 一文本相似度和所述第 二文本相似度， 从所述第 一候选文档和所述第 二候权　利　要　求　书 2/4 页 3 CN 114912431 A 3