[發明專利]用于組織和處理基于特征的數據結構的系統和方法

有效

• 申請號: 201680002011.0
• 申請日: 2016-12-14
• 公開（公告）號: CN107427732B
• 公開（公告）日: 2021-01-29
• 發明（設計）人: 劉揚;馮超;招琸珩;吳康恒;雷志斌
• 申請（專利權）人: 香港應用科技研究院有限公司
• 主分類號: G06F40/242
• 分類號: G06F40/242;G06F40/232
• 代理公司: 北京安信方達知識產權代理有限公司 11262
• 代理人: 周靖;鄭霞

1.一種用于組織和處理語言拼寫檢查和自動校正中的基于特征的數據結構的系統，包括：

計算機處理器，其被配置為：

基于高頻詞的共同特征，使用顯式劃分或隱式劃分將原始詞典劃分為兩個或更多個子詞典，其中每個子詞典的大小都小于原始詞典，并且其中，每個子詞典中的內容以層次結構樹的方式被組織；

接收輸入的人類可讀文本，該輸入的人類可讀文本包含一個或多個錯誤；

由輸入的人類可讀文本確定子詞典選擇特征或選擇標準；

基于確定的子詞典選擇特征或選擇標準選擇子詞典；

執行輸入的人類可讀文本中的錯誤附近的一個或多個字符、單詞或短語與選擇的子詞典中的字符、單詞和短語的第一匹配，其中，如果輸入的人類可讀文本中的錯誤附近的一個或多個字符、單詞或短語與子詞典中的候選匹配字符、單詞或短語之間的相似度在相似程度閾值以上，則找到了匹配；

如果找到了唯一匹配，則返回選擇的子詞典中的唯一匹配的字符、單詞或短語作為糾正錯誤的輸出；

否則，如果找到不止一個候選匹配，則利用上升的相似程度閾值執行輸入的人類可讀文本中的錯誤附近的一個或多個字符、單詞或短語與選擇的子詞典中的字符、單詞和短語的第二匹配；并且重復第二匹配，直到找到唯一匹配，并返回選擇的子詞典中的唯一匹配的字符、單詞或短語作為糾正錯誤的輸出。

2.根據權利要求1所述的系統，其中，所述顯式劃分包括：

識別原始詞典中的字符、單詞和短語之間的高頻詞的所述共同特征；和

根據所識別的高頻詞的共同特征的差異值，將原始詞典中的字符、單詞和短語劃分為兩個或更多個子詞典。

3.根據權利要求1所述的系統，其中，隱式劃分包括：

使用字符、單詞和短語的Unicode值，確定原始詞典中的每個字符、單詞和短語的向量空間；

確定原始詞典中的字符、單詞和短語的向量空間的中心值；和

將原始詞典中的字符、單詞和短語劃分成兩個或更多個子詞典，使得每個子詞典包含向量空間中心在特定值范圍內的字符、單詞和短語。

4.根據權利要求1所述的系統，其中，通過在比較下確定輸入的人類可讀文本中的錯誤附近的一個或多個字符、單詞或短語與選擇的子詞典中的字符、單詞和短語之間的Unicode差異，來執行第一匹配和第二匹配。

5.一種用于組織和處理語言拼寫檢查和自動校正中的基于特征的數據結構的方法，該方法包括：

基于高頻詞的共同特征，使用顯式劃分或隱式劃分將原始詞典劃分為兩個或更多個子詞典，其中每個子詞典的大小都小于原始詞典，并且其中，以層次結構樹的方式組織每個子詞典中的內容；

接收輸入的人類可讀文本，該輸入的人類可讀文本包含一個或多個錯誤；

由輸入的人類可讀文本確定子詞典選擇特征或選擇標準；

基于確定的子詞典選擇特征或選擇標準選擇子詞典；

執行輸入的人類可讀文本中的錯誤附近的一個或多個字符、單詞或短語與選擇的子詞典中的字符、單詞和短語的第一匹配，其中，如果輸入的人類可讀文本中的錯誤附近的一個或多個字符、單詞或短語與子詞典中的候選匹配字符、單詞或短語之間的相似度在相似程度閾值以上，則找到了匹配；

如果找到了唯一匹配，則返回選擇的子詞典中的候選匹配字符、單詞或短語作為糾正錯誤的輸出；

否則，如果找到不止一個候選匹配，則利用上升的相似程度閾值執行輸入的人類可讀文本中的錯誤附近的一個或多個字符、單詞或短語與選擇的子詞典中的字符、單詞和短語的第二匹配；并且重復第二匹配，直到找到唯一匹配，并返回選擇的子詞典中的唯一匹配的字符、單詞或短語作為糾正錯誤的輸出。

6.根據權利要求5所述的方法，其中，顯式劃分包括：

識別原始詞典中的字符、單詞和短語之間的高頻詞的所述共同特征；和

根據所識別的高頻詞的共同特征的差異值，將原始詞典中的字符、單詞和短語劃分為兩個或更多個子詞典。