[發(fā)明專利]文字檢索方法及文字檢索裝置

有效

• 申請?zhí)枺?/td>: 201611225709.7
• 申請日: 2016-12-27
• 公開（公告）號: CN106649764B
• 公開（公告）日: 2020-04-17
• 發(fā)明（設(shè)計）人: 王曉健;江世盛
• 申請（專利權(quán)）人: 北京漢王數(shù)字科技有限公司
• 主分類號: G06F16/33
• 分類號: G06F16/33
• 代理公司: 北京瑞盟知識產(chǎn)權(quán)代理有限公司 11300
• 代理人: 劉昕;謝玉斌

本發(fā)明涉及文字檢索方法及文字檢索裝置，該文字檢索方法包括以下步驟：識別用戶打開的電子文檔中的表意文字描述序列；將所識別的表意文字描述序列轉(zhuǎn)換為擴展表意文字描述序列，并基于所述擴展表意文字描述序列創(chuàng)建擴展表意文字描述序列庫，其中，所述擴展表意文字描述序列由二元表意文字描述符和基本部件構(gòu)成；判斷所輸入的待檢索文字是否為表意文字描述序列，其中，當所述待檢索文字為表意文字描述序列時，將所述待檢索文字轉(zhuǎn)換為擴展表意文字描述序列，并在所述擴展表意文字描述序列庫中進行檢索；當所述待檢索文字不是表意文字描述序列時，在所述電子文檔中檢索所述待檢索文字。

技術(shù)領(lǐng)域

本發(fā)明涉及文字信息處理技術(shù)，尤其涉及一種能夠?qū)y(tǒng)一表意文字進行檢索的文字檢索方法及文字檢索裝置。

背景技術(shù)

隨著計算機技術(shù)的發(fā)展，為實現(xiàn)計算機跨語言、跨平臺的文本轉(zhuǎn)換及處理，國際組織制定并公布了Unicode(萬國碼、統(tǒng)一碼)編碼系統(tǒng)，其中包括中日韓統(tǒng)一表意文字(CJKUnited Ideographs)。

然而，漢字的數(shù)量龐大，結(jié)構(gòu)復(fù)雜，盡管Unicode標準已經(jīng)包括了70000多個漢字符號，但是仍然有許多生僻字未被包括進來。這些未被編碼的漢字可稱其為“集外字”。雖然Unicode標準持續(xù)不斷的對集外字進行分類編碼，分配碼位，但是漢字是一個開放的集合，可以預(yù)計根本不可能也沒有必要窮盡所有的漢字。Unicode標準也認識到單純依靠擴大收字量無法從根本上解決CJK(中日韓)文字的編碼問題。

有鑒于此，Unicode標準定義了表意文字描述序列IDS(Ideographic DescriptionCharacters Sequence)和表意文字描述符IDC(Ideographic Description Characters)。表意文字描述的算法依據(jù)是：理論上所有的漢字都可以拆分為更小的部件，而這些部件本身是表意文字。所以通過定義描述文字結(jié)構(gòu)的表意文字描述符IDC，再配合已有編碼的文字，即可描述絕大多數(shù)未被編碼的集外字。

在現(xiàn)有規(guī)則下，表意文字描述符IDC共有12個，對應(yīng)描述12種文字結(jié)構(gòu)，例如，左右結(jié)構(gòu)、上下結(jié)構(gòu)、左中右結(jié)構(gòu)、上中下結(jié)構(gòu)、全包圍結(jié)構(gòu)、上三包圍結(jié)構(gòu)、下三包圍結(jié)構(gòu)、左三包圍結(jié)構(gòu)、左上包圍結(jié)構(gòu)、右上包圍結(jié)構(gòu)、左下包圍結(jié)構(gòu)合交叉結(jié)構(gòu)，碼位區(qū)間從U+2FF0到U+2FFB，如表1所示。

表1.IDC編碼表

表意文字描述序列IDS由一系列的IDC描述符以及已有編碼的文字組成，來描述未編碼的集外字。IDS的語法比較簡單，只要求三元IDC(U+2FF2和U+2FF3)后面必須有3個IDS，二元IDC(U+2FF2和U+2FF3以外的其他IDC)后面必須有2個IDS，IDS中除了IDC以外必須是一元CJK字符。IDS還有2個長度限制，即：①序列長度不可超過16個Unicode編碼；②如果沒有表意文字描述符作為間隔，構(gòu)成序列的部件或者偏旁不能超過6個。

圖1是表意文字序列的示例。

如圖1所示，以字為例，其表意文字描述序列由兩個IDC(2FF1)、(2FF0)以及已有編碼的文字“鳥”(9CE5)、“龜”(9F9C)以及“灬”(706C)構(gòu)成。

IDS為集外字的描述提供了一種標準的文本交換機制。在制作電子文檔，尤其是在古籍電子化的過程中，可對文檔中的集外字采用IDS描述，同時收錄該集外字的摳圖。當使用閱讀軟件閱讀該電子文檔時，讀者可看到集外字的摳圖，又可在文本搜索框中輸入IDS描述，來檢索集外字。

然而，使用IDS描述集外字存在歧義性，即一個集外字可能用多種IDS來表示。這是因為IDS本身可以繼續(xù)被分解。

例如，參照圖2，圖2是集外字的多種IDS描述的示例。

如圖2所示，所例舉的集外字有3種不同的IDS描述。