随着企业和信息化应用规模的不断扩大,在企业的信息化应用的过程中会产生大量的机密敏感性的文档信息,同时企业机密文档的泄漏也日益普遍。如何对企业文档进行泄漏检查成为一个不可忽视的议题。因此,文档相似检测在企业文档防泄漏方向的应用具有十分重要的意义,对企业内部员工发送到企业外部的文档信息中,检查是否包含存放在企业的敏感信息的机密文档库中的信息,可以保证企业内部员工不会将企业的敏感或机密信息发送到公司外部。同时也能帮助企业保护内部机密文档的安全,提高企业竞争力,避免因内部机密文档泄漏给企业带来的重大损失。基于文档相似检测的企业文档防泄漏检测算法将近似重复文档检测算法、句子相似检测算法相结合,利用数字指纹、倒排索引和基于词语语义的句子语义相似度计算的方法实现该企业文档防泄漏检测算法。该算法通过将文档映射成一个数字指纹信息,并通过比较两个文档数字指纹的海明距离还判断文档是否属于泄漏文档。此外,为了方便句子层面的泄漏相似句子检测,算法对合法的注册文档进行倒排索引文件构建。最后论文利用中文的知识库计算词语的相似度,进而通过词语对之间的相似情况计算得到句子相似度,并基于句子相似度判定文档是否属于泄漏文档。最后,基于文档相似检测的企业文档防泄漏检测算法在测试数据集上进行了测试,测试结果表明该算法能够有效检测常见的机密文档泄漏情况。