[發(fā)明專利]一種獲取新詞的方法、系統(tǒng)及設(shè)備

無效

• 申請?zhí)枺?/td>: 200710122187.2
• 申請日: 2007-09-21
• 公開（公告）號: CN101119334A
• 公開（公告）日: 2008-02-06
• 發(fā)明（設(shè)計）人: 李偉杰
• 申請（專利權(quán)）人: 騰訊科技（深圳）有限公司
• 主分類號: H04L12/58
• 分類號: H04L12/58;G06F17/20
• 代理公司: 北京匯澤知識產(chǎn)權(quán)代理有限公司
• 代理人: 王黎延

技術(shù)領(lǐng)域

本發(fā)明涉及信息提取技術(shù)，特別是指一種利用即時通信(IM)系統(tǒng)獲取新詞的方法、系統(tǒng)及實現(xiàn)新詞獲取的即時通信客戶端和服務(wù)器。

背景技術(shù)

隨著信息化、電子化和網(wǎng)絡(luò)化的迅猛發(fā)展和普及，人們每天會從各種通信網(wǎng)絡(luò)、互聯(lián)網(wǎng)絡(luò)接觸或獲取到巨大的信息量；隨著信息的大量傳播以及人們交流內(nèi)容的不斷擴(kuò)展，新的詞匯層出不窮并被廣泛使用。由于詞匯是人們溝通的基礎(chǔ)，不斷增加和更新詞庫是非常必要的。目前，新詞獲取在輸入法和網(wǎng)絡(luò)搜索等領(lǐng)域應(yīng)用較多，對于輸入法而言，需要不斷更新自身的數(shù)據(jù)庫，以保證為用戶提供更多的詞匯、更方便的輸入；對于搜索引擎而言，需要隨時更新和擴(kuò)展搜索關(guān)鍵詞，以提高搜索速度。

具體來說，在輸入法方面，現(xiàn)在常用的中文輸入法包括鍵盤輸入和非鍵盤輸入兩類，所謂鍵盤輸入是指利用鍵盤上的26個英文字母，按照一定的編碼規(guī)則輸入漢字，如：拼音輸入、部首輸入、五筆輸入等等；所謂非鍵盤輸入是指利用其他形式輸入漢字，如手寫輸入、語音輸入、光學(xué)字符識別(OCR)技術(shù)輸入等等。但是，這兩類輸入方式對獲取新詞都存在不同程度的問題：鍵盤輸入法，是依據(jù)用戶的輸入頻率和次數(shù)等特征獲取新詞，一般的方式是：先采集輸入信息并將輸入的信息存儲，然后對存儲的信息按預(yù)置規(guī)則進(jìn)行篩選和統(tǒng)計，這樣，雖然能準(zhǔn)確的獲取新詞，但所獲取的新詞僅來源于某個用戶、且僅存儲在該用戶當(dāng)前使用的終端上，并不能面向更多用戶，即使很多新詞是大家都常用的，不同用戶也需要各自通過頻繁輸入分別獲取；而且，對于同一用戶，由于新詞僅存儲在當(dāng)前使用的終端上，那么，更換終端后又需要重新獲取，比如：在辦公室的終端上已得到很多常用的新詞，但在自家的終端上使用所需的新詞時又需要重新獲取。非鍵盤輸入法，很明顯，這類輸入本身是靠設(shè)備或軟件對筆跡、聲音、光學(xué)字符的識別完成漢字的輸入，并不能保證較高的識別準(zhǔn)確度，那么，在這種識別程度上獲取新詞，很可能得到錯誤的詞匯或并非所需的詞匯，因此很難達(dá)到獲取新詞的真正目的。在網(wǎng)絡(luò)搜索方面，新詞的獲取是將采集到的所有網(wǎng)絡(luò)用戶輸入的關(guān)鍵詞，匯集到網(wǎng)絡(luò)服務(wù)器上存儲，之后再進(jìn)行統(tǒng)計和提取。但是，由于新詞的不斷出現(xiàn)，且分散在不同的語料庫中，很難及時、有效地識別與更新；而且，現(xiàn)有技術(shù)通常會采用人工參與收集、整理和辨別新詞的方式，再將得到的新詞加入已有詞庫中，如此，不僅耗費時間、成本，且工作效率很低。

可以看出，現(xiàn)有技術(shù)獲取新詞的途徑相對較少，主要是對用戶輸入和查詢關(guān)鍵詞進(jìn)行收集和統(tǒng)計，進(jìn)而獲取到新詞，目前并未將其它信息來源作為新詞的獲取源。

發(fā)明內(nèi)容

有鑒于此，本發(fā)明的主要目的在于提供一種獲取新詞的方法，能基于即時通信的詞源簡單、有效、實時地自動獲取新詞，并能使所獲取的新詞適用范圍更廣。

本發(fā)明的另一目的在于提供一種獲取新詞的系統(tǒng)及設(shè)備，能支持基于即時通信的新詞自動獲取方式，實現(xiàn)簡單方便、靈活有效。

為達(dá)到上述目的，本發(fā)明的技術(shù)方案是這樣實現(xiàn)的：

本發(fā)明提出了一種獲取新詞的方法，包括：

A、從聊天數(shù)據(jù)中獲取備選字符串；

B、根據(jù)預(yù)置規(guī)則對所得到的備選字符串進(jìn)行篩選，將經(jīng)過篩選后的詞作為新詞。

步驟A中，所述的獲取為：獲取本端輸入的聊天數(shù)據(jù)；或為獲取接收到的對端的聊天數(shù)據(jù)，其中，所述對端為一個或一個以上。

所述聊天數(shù)據(jù)為本端輸入的聊天數(shù)據(jù)；則步驟A具體為：

IM客戶端軟件接收當(dāng)前用戶通過輸入法輸入的數(shù)據(jù)信息，在將輸入數(shù)據(jù)作為聊天記錄顯示于即時通信界面的同時，將當(dāng)前的輸入信息作為備選字符串；

或者，所述聊天數(shù)據(jù)為來自對端的聊天數(shù)據(jù)；則步驟A具體為：

IM客戶端軟件接收對端發(fā)來的數(shù)據(jù)信息，在將接收的數(shù)據(jù)信息作為聊天記錄顯示于即時通信界面的同時，將收到的數(shù)據(jù)信息作為備選字符串。

步驟A與步驟B之間進(jìn)一步包括：將備選字符串劃分為一個或一個以上的詞；則步驟B根據(jù)預(yù)置規(guī)則對所得到的詞進(jìn)行篩選。

步驟B所述篩選后進(jìn)一步包括：統(tǒng)計并判斷經(jīng)過篩選的詞在指定位置出現(xiàn)的次數(shù)是否達(dá)到設(shè)定閾值，如果達(dá)到，則將相應(yīng)詞作為新詞；否則不作為新詞。其中，所述指定位置為互聯(lián)網(wǎng)數(shù)據(jù)，或為來自本端或?qū)Χ说牧奶煊涗洝?/p>

上述方案中，該方法進(jìn)一步包括：將獲取的新詞并入各種輸入法的數(shù)據(jù)庫。

上述方案中，所述步驟A和步驟B由IM客戶端完成，該方法進(jìn)一步包括：IM客戶端將獲取的新詞通過即時通信系統(tǒng)發(fā)送給對端用戶。