[發明專利]用于在中文文檔中識別化學名稱的方法及系統

有效

• 申請號: 201110254753.1
• 申請日: 2011-08-31
• 公開（公告）號: CN102955773A
• 公開（公告）日: 2013-03-06
• 發明（設計）人: 吳賢;張俐;陳穎;蘇中
• 申請（專利權）人: 國際商業機器公司
• 主分類號: G06F17/27
• 分類號: G06F17/27
• 代理公司: 北京市中咨律師事務所 11247
• 代理人: 張亞非;于靜

1.一種用于在中文文檔中識別化學名稱的方法，包括：

接收包括化學名稱的中文文檔；

識別所述文檔中的化學名稱片段；

識別所述文檔中的非化學名稱片段；以及

基于所識別的化學名稱片段和非化學名稱片段，合并所述化學名稱片段以得到所述化學名稱。

2.如權利要求1所述的方法，其中所述非化學名稱片段在所述合并所述化學名稱片段以得到所述化學名稱中作為阻隔符。

3.如權利要求1所述的方法，其中所述識別所述文檔中的化學名稱片段包括：

對所述文檔進行分句；

基于化學名稱片段字典匹配所述文檔的分句中出現的所有化學名稱片段；

記錄所述化學名稱片段的位置信息；以及

縮減在同一分句中的所述化學名稱片段。

4.如權利要求1或3所述的方法，其中所述識別所述文檔中的非化學名稱片段包括：

對所述文檔進行分詞；

檢查每個分詞是否在非化學名稱片段字典中；

響應于所述分詞在非化學名稱片段字典中，確定所述分詞為非化學名稱片段；以及

記錄所述非化學名稱片段的位置信息。

5.如權利要求3或4所述的方法，其中所述基于所識別的化學名稱片段和非化學名稱片段，合并所述化學名稱片段以得到所述化學名稱包括：

根據所述化學名稱片段的位置信息，確定在同一個句子中的相鄰的化學名稱片段；

根據化學名稱片段和非化學名稱片段的位置信息，檢查相鄰的化學名稱片段的中間是否存在非化學名稱片段；以及，

響應于相鄰的化學名稱片段的中間不存在非化學名稱片段，合并相鄰的化學名稱片段以得到所述化學名稱。

6.如權利要求1或5所述的方法，其中所述方法還包括：

從所述化學名稱片段的位置向兩端進行擴展，直至遇到非化學名稱片段為止，以獲得所述化學名稱。

7.如權利要求3或4所述的方法，其中：

所述位置信息包括所述化學名稱片段和非化學名稱片段中之一的在所述文檔中的開始位置和結束位置。

8.如權利要求3或4所述的方法，還包括以下步驟至少之一：

從已有的中文化學名稱生成化學名稱片段字典；或者

基于非化學領域的中文文檔收集出現頻率較高的詞形成非化學名稱片段字典。

9.如權利要求3所述的方法，其中所述縮減在同一分句中的所述化學名稱片段按照以最少的化學名稱片段數目匹配最多的化學名稱片段的原則進行縮減。

10.如權利要求8所述的方法，還包括：

從已有的英文化學名稱生成化學名稱片段字典。

11.一種用于在中文文檔中識別化學名稱的系統，包括：

接收裝置，被配置為接收包括化學名稱的中文文檔；

第一識別裝置，被配置為識別所述文檔中的化學名稱片段；

第二識別裝置，被配置為識別所述文檔中的非化學名稱片段；以及

合并裝置，被配置為基于所識別的化學名稱片段和非化學名稱片段，合并所述化學名稱片段以得到所述化學名稱。

12.如權利要求11所述的系統，其中所述非化學名稱片段在合并所述化學名稱片段以得到所述化學名稱中作為阻隔符。

13.如權利要求11所述的系統，其中所述第一識別裝置包括：

分句裝置，被配置為對所述文檔進行分句；

匹配裝置，被配置為基于化學名稱片段字典匹配所述文檔的分句中出現的所有化學名稱片段；

第一記錄裝置，被配置為記錄所述化學名稱片段的位置信息；以及

縮減裝置，被配置為縮減在同一分句中的所述化學名稱片段。

14.如權利要求11或13所述的系統，其中所述第二識別裝置包括：

分詞裝置，被配置為對所述文檔進行分詞；

第一檢查裝置，被配置為檢查每個分詞是否在非化學名稱片段字典中；

第一確定裝置，被配置為響應于所述分詞在非化學名稱片段字典中，確定所述分詞為非化學名稱片段；以及

第二記錄裝置，被配置為記錄所述非化學名稱片段的位置信息。