[發明專利]一種在搜索引擎中確定形近字的方法和裝置

在審

• 申請號: 201410104483.X
• 申請日: 2014-03-19
• 公開（公告）號: CN103927330A
• 公開（公告）日: 2014-07-16
• 發明（設計）人: 項碧波
• 申請（專利權）人: 北京奇虎科技有限公司;奇智軟件（北京）有限公司
• 主分類號: G06F17/30
• 分類號: G06F17/30
• 代理公司: 北京潤澤恒知識產權代理有限公司 11319
• 代理人: 趙娟

技術領域

本發明涉及語言文字信息的技術領域，具體涉及一種在搜索引擎中確定形近字的方法、一種提供搜索中文關鍵詞糾錯的方法、一種在搜索引擎中確定形近字的裝置、一種提供搜索中文關鍵詞糾錯的裝置。

背景技術

隨著互聯網的高速發展，網絡應用趨向多元化，網上的信息量急劇增加。

在各種場合下，用戶經常需要輸入語言文字進行信息的交互。例如，在搜索引擎中輸入關鍵詞搜索網頁信息，在即時通訊工具中輸入詞句與其他用戶進行交流，等等。

語言文字存在形近字，即語言文字的結構相似的語言文字。語言文字被定義為各種編碼方式進行輸入，例如五筆編碼、拼音編碼等等，用戶在采用該編碼方式輸入語言文字時，由于形近字的原因，很容易出現誤操作，輸入其他語言文字，導致用戶經常需要重新輸入語言文字，不僅操作麻煩，而且浪費系統資源。

以五筆為例，五筆輸入文字準不準確取決于用戶是否細心或對漢字本身的認知，但是由于粗心導致的誤操作或用戶認知本身就是錯別字導致的輸錯漢字的情形等并不少見，例如某新聞報紙的某次頭版頭條“亂撳喇叭被罰不要喊冤”寫成了“亂撳嗽叭被罰不要喊冤”。

再者，若用戶在搜索引擎中想輸入搜索詞“項羽”，搜索歷史人物項羽的相關網頁信息，但是將“項”誤輸入為“頂”，由于“項”和“頂”也很相近，用戶很可能輸入了“頂羽”而沒有察覺，直接請求搜索引擎搜索與“頂羽”相關的網頁信息。

一方面，誤操作的搜索結果與當初的預期有很大差別，用戶體驗十分差，浪費了客戶端的資源和搜索引擎的資源。另一方面，用戶需要獲取自己感興趣的網頁信息，會再次在搜索引擎中輸入關鍵詞進行搜索，搜索引擎要再次進行海量信息的搜索、對比、篩選等獲取與搜索關鍵詞相關的信息，不僅用戶操作更加繁瑣，耗費用戶的時間，而且將大大增加搜索引擎的負擔，耗費更多客戶端與搜索引擎的資源。

發明內容

鑒于上述問題，提出了本發明以便提供一種克服上述問題或者至少部分地解決上述問題的一種在搜索引擎中確定形近字的方法、一種提供搜索中文關鍵詞糾錯的方法和相應的、一種在搜索引擎中確定形近字的裝置、一種提供搜索中文關鍵詞糾錯的裝置。

依據本發明的一個方面，提供了一種在搜索引擎中確定形近字的方法，包括：

確定輸入搜索引擎中的待校驗的第一文字和第二文字；

按照預設規則獲取所述第一文字的第一編碼字符串以及所述第二文字的第二編碼字符串；

計算所述第一編碼字符串和所述第二編碼字符串之間的編碼距離；

當所述編碼距離小于預設距離閾值時，判定所述第一文字與所述第二文字互為形近字；

在搜索引擎中建立第一文字與第二文字之間的形近字映射關系。

可選地，所述預設規則包括預設的編碼規則，所述獲取所述第一文字的第一編碼字符串以及所述第二文字的第二編碼字符串的步驟包括：

按照預設的編碼規則計算所述第一文字對應的第一編碼字符串；

按照所述編碼規則計算所述第二文字對應的第二編碼字符串；

其中，所述預設的編碼規則包括五筆編碼規則。

可選地，還包括：

將所述互為形近字的第一文字和第二文字及所述形近字映射關系輸出至指定的字體數據庫中。

根據本發明的另一方面，提供了一種提供搜索中關鍵詞糾錯的方法，包括：

接收搜索請求；所述搜索請求中包括搜索關鍵詞；

當對所述搜索關鍵詞進行糾錯處理發現錯誤時，采用與所述搜索關鍵詞匹配的形近字對所述搜索關鍵詞進行改寫；

以改寫后的搜索關鍵詞進行搜索，獲得與所述改寫后的搜索關鍵詞相匹配的搜索結果數據。

可選地，所述形近字通過以下方式獲得：

確定待輸入搜索引擎中的校驗是否為形近字的第一文字和第二文字；

按照預設規則獲取所述第一文字的第一編碼字符串以及所述第二文字的第二編碼字符串；

計算所述第一編碼字符串和所述第二編碼字符串之間的編碼距離；

當所述編碼距離小于預設距離閾值時，判定所述第一文字與所述第二文字互為形近字；

在搜索引擎中建立第一文字與第二文字之間的形近字映射關系。

可選地，所述預設規則包括預設的編碼規則，所述按照預設規則獲取所述第一文字的第一編碼字符串以及所述第二文字的第二編碼字符串的步驟包括：

按照預設的編碼規則計算所述第一文字對應的第一編碼字符串；

按照所述編碼規則計算所述第二文字對應的第二編碼字符串；

其中，所述預設的編碼規則包括五筆編碼規則。