[發明專利]一種提取字形特征的方法、裝置及設備

有效

• 申請號: 201810128376.9
• 申請日: 2018-02-08
• 公開（公告）號: CN110134935B
• 公開（公告）日: 2023-08-11
• 發明（設計）人: 童毅軒;張永偉;董濱;姜珊珊;張佳師
• 申請（專利權）人: 株式會社理光
• 主分類號: G06F40/279
• 分類號: G06F40/279;G06F16/35
• 代理公司: 北京銀龍知識產權代理有限公司 11243
• 代理人: 許靜;劉偉

本發明實施例提供一種提取字形特征的方法、裝置及設備，涉及文字處理技術領域，用以提高提取字形特征的性能。所述方法包括：對待處理數據進行預處理；獲取預設大小的字形特征提取窗口，其中，所述字形特征提取窗口的大小在提取字形特征的過程中保持不變；利用所述字形特征提取窗口，從預處理后的待處理數據中提取字形特征。本發明實施例可提高提取字形特征的性能。

技術領域

本發明實施例涉及文字處理技術領域，尤其涉及一種提取字形特征的方法、裝置及設備。

背景技術

現有技術中，字形特征的提取通常利用CNN(Convolutional?Neural?Network，卷積神經網絡)和LSTM(Long?Short-Term?Memory，長短時記憶)等模型實現。但是，在實現本發明的過程中發明人發現，由于這些模型的復雜度較高，因此，使得利用這些模型獲得字形特征的性能較差。

發明內容

有鑒于此，本發明實施例提供一種提取字形特征的方法、裝置及設備，用以提高提取字形特征的性能。

為解決上述技術問題，一方面，本發明實施例提供一種提取字形特征的方法，包括：

對待處理數據進行預處理；

獲取預設大小的字形特征提取窗口，其中，所述字形特征提取窗口的大小在提取字形特征的過程中保持不變；

利用所述字形特征提取窗口，從預處理后的待處理數據中提取字形特征。

其中，所述對待處理數據進行預處理的步驟，包括：

清除所述待處理數據中的噪聲；

將清除噪聲后的待處理數據進行數據分割，獲得一個或者多個句子，并將所述句子劃分成一個或者多個詞；

為所述多個詞分配ID。

其中，所述為所述多個詞分配ID的步驟，包括：

從所述多個詞中選擇V個不同的詞，并利用所述V個不同的詞構成模型詞庫，其中，V為自然數；

若所述多個詞中的第一目標詞位于所述模型詞庫中，則為所述第一目標詞分配第一ID，不同的第一目標詞具有不同的ID；

若第二目標詞未位于所述模型詞庫中，則為所述第二目標詞分配第二ID，其中，所述第二ID不同于所述第一ID，所述第二目標詞包括未位于所述模型詞庫中的詞且所有第二目標詞的ID相同。

其中，所述獲取預設大小的字形特征提取窗口的步驟，包括：

提取預設單詞的前P個字母作為前綴信息，提取所述預設單詞的后S個字母作為后綴信息，其中，P、S為自然數；

利用所述前綴信息和所述后綴信息組成所述字形特征提取窗口。

其中，所述利用所述字形特征提取窗口，從預處理后的待處理數據中提取字形特征的步驟，包括：

從由英文大、小寫字母構成的字母集合中選擇C個不同的字母為已知字母，并為所述C個不同的字母分別指定N維的表示向量，其中，N為自然數；

對于多個詞中的第三目標詞，若所述第三目標詞中的第一目標字符未位于所述已知字母中，則為所述第一目標字符分配表示向量，其中所述第一目標字符分配的表示向量不同于所述C個字母的表示向量；

獲取所述前P個字母的表示向量、后S個字母的表示向量，并構成第一向量，其中所述第一向量為(P+S)*N維的向量；

獲取權重矩陣M，其中所述權重矩陣M包括含(P+S)*N行、F列，其中F為自然數；

將所述第一向量和所述權重矩陣相乘，獲得字形特征，其中所述字形特征的維度為F。