[發(fā)明專利]用于圖紙排版的文本斷句方法及系統(tǒng)

在審

• 申請?zhí)枺?/td>: 201710187190.6
• 申請日: 2017-03-27
• 公開（公告）號: CN107038152A
• 公開（公告）日: 2017-08-11
• 發(fā)明（設(shè)計）人: 席斌;李明;王興強;彭成超
• 申請（專利權(quán)）人: 成都優(yōu)譯信息技術(shù)股份有限公司
• 主分類號: G06F17/25
• 分類號: G06F17/25;G06F17/27;G06K9/62
• 代理公司: 成都行之專利代理事務(wù)所(普通合伙)51220
• 代理人: 馮龍

技術(shù)領(lǐng)域

本發(fā)明涉及圖紙排版，具體涉及用于圖紙排版的文本斷句方法及系統(tǒng)。

背景技術(shù)

隨著國際合作日益加強，無論是中國公司還是外國公司，在國際工程與國際科研的立項及開展過程中，都需要通過圖紙文件與對方進行交流。圖紙文件中的注釋內(nèi)容、公司信息和標注等文本往往需要進行非語法的斷句，由于各種語言文化的差異，這些文本斷句往往也存在極大的區(qū)別，增大了文本斷句的難度。

傳統(tǒng)對圖紙排版中文本的斷句，往往采用人工排版和人工斷句，費時費力，成本較高；同時，對不同語言的圖紙需要不同的工作人員對其進行排版和斷句，極大的降低了圖紙排版效率。

發(fā)明內(nèi)容

本發(fā)明所要解決的技術(shù)問題是在圖紙排版中采用人工斷句時，費時費力，成本較高，多語種圖紙文本斷句效率低下，目的在于提供用于圖紙排版的文本斷句方法及系統(tǒng)，解決上述問題。

本發(fā)明通過下述技術(shù)方案實現(xiàn)：

用于圖紙排版的文本斷句方法，包括以下步驟：S1：對完成斷句的句群進行SVM學(xué)習(xí)；S2：利用學(xué)習(xí)后的SVM對需要斷句的句群進行分析；S3：根據(jù)分析結(jié)果對需要斷句的句群進行斷句。

現(xiàn)有技術(shù)中，圖紙排版中采用人工斷句時，費時費力，成本較高，多語種圖紙文本斷句效率低下。本發(fā)明應(yīng)用時，先對完成斷句的句群進行SVM學(xué)習(xí)，再利用學(xué)習(xí)后的SVM對需要斷句的句群進行分析，然后根據(jù)分析結(jié)果對需要斷句的句群進行斷句，從而實現(xiàn)對圖紙排版中的文字進行機器斷句，提高了文本斷句效率，降低了成本。對斷句的句群進行機器學(xué)習(xí)時，由于句群的特征量龐大，使得學(xué)習(xí)樣本為高維樣本，一般的機器學(xué)習(xí)方法在這里需要對學(xué)習(xí)樣本進行降維處理，同時，句群的特征量一般為非線性數(shù)據(jù)，一般的機器學(xué)習(xí)方法對非線性問題處理效果不好。針對以上兩個特點，發(fā)明人通過大量實驗和創(chuàng)造性勞動，優(yōu)選出SVM作為本發(fā)明的機器學(xué)習(xí)方法，SVM適合解決高維問題，而不需要對學(xué)習(xí)樣本進行降維處理，提高了文本斷句效率，同時SVM適合解決非線性問題，提高了本發(fā)明的處理效果。SVM比起其他機器學(xué)習(xí)方法，還具有小樣本情況下，機器學(xué)習(xí)的能力，這就使得進行多語種圖紙文本斷句時，只需要增加一個語種的小樣本進行學(xué)習(xí)，就可以實現(xiàn)對該語種圖紙文本的斷句， 提高了多語種圖紙文本斷句的效率。

進一步的，步驟S1包括以下子步驟：S11：收集完成斷句的句群；S12：標記完成斷句的句群中需要提取特征的地方；S13：對標記后句群的特征進行SVM學(xué)習(xí)。

本發(fā)明應(yīng)用時，先收集完成斷句的句群，再標記完成斷句的句群中需要提取特征的地方，然后對標記后句群的特征進行SVM學(xué)習(xí)。本發(fā)明通過對完成斷句的句群進行標記，提高了提取特征的準確性和效率。

再進一步的，步驟S13中所述SVM學(xué)習(xí)包括利用線性核函數(shù)對特征進行處理。

本發(fā)明應(yīng)用時，所述SVM學(xué)習(xí)包括利用線性核函數(shù)對特征進行處理。SVM在機器學(xué)習(xí)的過程中，需要數(shù)據(jù)是可分的，而句群的特征量在當前維度是不可分的，于是需要通過核函數(shù)對該句群的特征量進行升維使得句群的特征量在更高的維度上可分。發(fā)明人選取了線性核函數(shù)、多項式核函數(shù)、sigmoid核函數(shù)和高斯核函數(shù)等多種核函數(shù)進行大量的實驗和創(chuàng)造性勞動發(fā)現(xiàn)，多項式核函數(shù)、sigmoid核函數(shù)和高斯核函數(shù)在機器學(xué)習(xí)過程中，會使得SVM出現(xiàn)過學(xué)習(xí)現(xiàn)象，從而將線性核函數(shù)優(yōu)選為本發(fā)明所使用的核函數(shù)，使得SVM學(xué)習(xí)過程更加穩(wěn)定，對文本斷句處理更加準確。

再進一步的，所述SVM學(xué)習(xí)后形成二元分類器。

本發(fā)明應(yīng)用時，SVM學(xué)習(xí)后形成二元分類器，使得SVM在對需要斷句的句群分析時，只需要通過二元分類器將該句群的特征值與學(xué)習(xí)的特征值進行“是”與“否”的判斷，就可以得出需要斷句的位置，提高了文本斷句效率。

進一步的，步驟S2包括以下子步驟：S21：輸入需要斷句的句群；S22：標記需要斷句的句群中需要提取特征的地方；S23：對標記后句群的特征通過SVM進行分析。

本發(fā)明應(yīng)用時，先輸入需要斷句的句群，再標記需要斷句的句群中需要提取特征的地方，然后對標記后句群的特征通過SVM進行分析。本發(fā)明通過對需要斷句的句群進行標記，提高了提取特征的準確性和效率。

用于圖紙排版的文本斷句系統(tǒng)，包括：對完成斷句的句群進行SVM學(xué)習(xí)的學(xué)習(xí)單元；利用學(xué)習(xí)后的SVM對需要斷句的句群進行分析的分析單元；根據(jù)分析結(jié)果對需要斷句的句群進行斷句的斷句單元。