[發(fā)明專利]一種文本校對(duì)錯(cuò)誤詞庫(kù)的自動(dòng)構(gòu)造方法和裝置

在審

• 申請(qǐng)?zhí)枺?/td>: 201710905273.4
• 申請(qǐng)日: 2017-09-29
• 公開（公告）號(hào): CN107665190A
• 公開（公告）日: 2018-02-06
• 發(fā)明（設(shè)計(jì)）人: 李曉妮
• 申請(qǐng)（專利權(quán)）人: 李曉妮
• 主分類號(hào): G06F17/27
• 分類號(hào): G06F17/27;G06K9/32;G06K9/72
• 代理公司: 北京君尚知識(shí)產(chǎn)權(quán)代理事務(wù)所(普通合伙)11200
• 代理人: 邱曉鋒

1.一種文本校對(duì)錯(cuò)誤詞庫(kù)的自動(dòng)構(gòu)造方法，其特征在于，包括以下步驟：

步驟一，構(gòu)建一個(gè)大規(guī)模的正確詞庫(kù)表，并將每個(gè)詞按照在正確詞庫(kù)表中的先后順序進(jìn)行編號(hào)；

步驟二，針對(duì)計(jì)算機(jī)系統(tǒng)字庫(kù)中的每一個(gè)漢字，構(gòu)造一系列的字表；

步驟三，根據(jù)構(gòu)造的字表創(chuàng)建字字之間的相關(guān)度系統(tǒng)矩陣表；

步驟四，依次枚舉正確詞庫(kù)表中的每一個(gè)詞，并針對(duì)每一個(gè)詞中的每個(gè)漢字依次進(jìn)行其他漢字替換，根據(jù)相關(guān)度系統(tǒng)矩陣表計(jì)算替換一個(gè)漢字后的錯(cuò)誤詞語與正確詞語的詞語匹配相似度；

步驟五，將詞語匹配相似度的數(shù)值從大到小進(jìn)行排序，設(shè)定詞語匹配的相似度閾值，將大于閾值的詞語作為候選對(duì)象補(bǔ)充至錯(cuò)誤詞庫(kù)。

2.如權(quán)利要求1所述的方法，其特征在于，所述正確詞庫(kù)表包括：新華詞典、漢語分詞詞表、成語詞典庫(kù)、古詩(shī)詞名句以及特定專業(yè)領(lǐng)域詞庫(kù)。

3.如權(quán)利要求1所述的方法，其特征在于，所述字表包括：拼音編碼表、偏旁部首表和五筆字型編碼表。

4.如權(quán)利要求1所述的方法，其特征在于，所述相關(guān)度系統(tǒng)矩陣表包括不同詞之間相對(duì)應(yīng)位置處漢字的相關(guān)度值，計(jì)算規(guī)則如下：

1)兩個(gè)字相同，相關(guān)度為2；

2)兩個(gè)字不同，但拼音相同或相近，則相關(guān)度為1；

3)兩個(gè)字不同，但字形相近，即漢字主體部首結(jié)構(gòu)相同，則相關(guān)度為1；

4)兩個(gè)字不同，但五筆編碼相同或相近，則相關(guān)度為1；

5)否則，相關(guān)度為0。

5.如權(quán)利要求4所述的方法，其特征在于，所述字形相近的判斷方法，包括人工輔助方法、OCR識(shí)別方法和機(jī)器自動(dòng)圖像匹配識(shí)別方法。

6.如權(quán)利要求5所述的方法，其特征在于，所述人工輔助方法包括以下步驟：

1)人工將所有漢字的偏旁部首進(jìn)行拆分；

2)指定漢字本身的主體結(jié)構(gòu)部首，形成漢字偏旁部首構(gòu)成表；

3)當(dāng)判斷是否為字形相近時(shí)，讀取每個(gè)漢字的偏旁部首構(gòu)成和主體結(jié)構(gòu)部首，并進(jìn)行比較；

4)當(dāng)待比較的兩個(gè)漢字的主體結(jié)構(gòu)部首相同時(shí)則判斷為字形相近，否則判斷為字形不相近。

7.如權(quán)利要求5所述的方法，其特征在于，所述OCR識(shí)別方法包括以下步驟：

1)將每個(gè)漢字經(jīng)過電腦編輯排版后打印輸出；

2)接著將打印后的每個(gè)漢字經(jīng)過掃描處理后進(jìn)行OCR識(shí)別；

3)在OCR識(shí)別結(jié)果集合中選擇排名靠前的文字對(duì)象，作為該漢字對(duì)應(yīng)的字形相近候選字存儲(chǔ)在子集合中；

4)通過判斷兩個(gè)漢字是否屬于同一個(gè)子集合來判斷他們是否為字形相近。

8.如權(quán)利要求5所述的方法，其特征在于，所述機(jī)器自動(dòng)圖像匹配識(shí)別方法包括以下步驟：

1)提取易錯(cuò)字、形近字圖像集合中每個(gè)字符圖像的多維的方向線素特征；

2)根據(jù)每個(gè)字符圖像的多維的方向線素特征，通過最大最小距離法對(duì)字符圖像進(jìn)行圖像聚類。

9.如權(quán)利要求1所述的方法，其特征在于，當(dāng)所述詞語匹配相似度的數(shù)值相同時(shí)，候選詞語的優(yōu)先級(jí)次序如下：

1)音同且形近；

2)音近且形近；

3)形近；

4)音同；

5)音近。

10.一種文本校對(duì)錯(cuò)誤詞庫(kù)的自動(dòng)構(gòu)造裝置，其特征在于，包括：

正確詞庫(kù)表構(gòu)造模塊，負(fù)責(zé)構(gòu)建一個(gè)大規(guī)模的正確詞庫(kù)表，并將每個(gè)詞按照在正確詞庫(kù)表中的先后順序進(jìn)行編號(hào)；

漢字字表構(gòu)造模塊，負(fù)責(zé)針對(duì)計(jì)算機(jī)系統(tǒng)字庫(kù)中的每一個(gè)漢字，構(gòu)造一系列的字表；

相關(guān)度系統(tǒng)矩陣表構(gòu)造模塊，負(fù)責(zé)依據(jù)漢字字表構(gòu)造模塊產(chǎn)生的字表，創(chuàng)建字字之間的相關(guān)度系統(tǒng)矩陣表；

詞語匹配相似度計(jì)算模塊，負(fù)責(zé)依次枚舉正確詞庫(kù)表構(gòu)造模塊產(chǎn)生的正確詞庫(kù)表中的每一個(gè)詞，并針對(duì)每一個(gè)詞中的每個(gè)漢字依次進(jìn)行其他漢字替換，根據(jù)相關(guān)度系統(tǒng)矩陣表計(jì)算替換一個(gè)漢字后的錯(cuò)誤詞語與正確詞語的相似度；

錯(cuò)誤詞語選擇模塊，負(fù)責(zé)將詞語匹配相似度計(jì)算模塊計(jì)算得到的詞語匹配相似度的數(shù)值從大到小進(jìn)行排序，設(shè)定詞語匹配的相似度閾值，將大于閾值的詞語作為候選對(duì)象補(bǔ)充至錯(cuò)誤詞庫(kù)。