[發明專利]文本糾錯方法及裝置

在審

• 申請號: 201811215941.1
• 申請日: 2018-10-18
• 公開（公告）號: CN111079412A
• 公開（公告）日: 2020-04-28
• 發明（設計）人: 張占秋;李帥;王偉瑋;王杰
• 申請（專利權）人: 北京嘀嘀無限科技發展有限公司
• 主分類號: G06F40/232
• 分類號: G06F40/232;G06F40/289
• 代理公司: 北京超成律師事務所 11646
• 代理人: 鄧超

1.一種文本糾錯方法，其特征在于，包括：

確定可用于替換待糾錯文本中的疑似錯字的候選詞組的集合；

分別利用所述候選詞組的集合中的每個候選詞組替換所述待糾錯文本中的所述疑似錯字，獲得與每個候選詞組對應的候選糾錯文本；

計算每個候選糾錯文本的合理程度，將合理程度最高的候選糾錯文本確定為對所述疑似錯字進行糾錯后的文本，其中，所述候選糾錯文本的合理程度表示將所述候選糾錯文本確定為所述糾錯后的文本的合理性。

2.根據權利要求1所述的文本糾錯方法，其特征在于，所述確定可用于替換所述疑似錯字的候選詞組的集合，包括：

遍歷基于語料庫文本統計出的字典中的每個字，計算每個字與所述疑似錯字的相似度；

將對應的所述相似度滿足預設條件的字確定為一個候選詞組并添加至所述候選詞組的集合中。

3.根據權利要求2所述的文本糾錯方法，其特征在于，所述預設條件包括：所述相似度超過預設程度，或所述相似度為遍歷結束后計算出的所有相似度中最大的K個之一，其中，K為不超過所述字典中的總字數的正整數。

4.根據權利要求2所述的文本糾錯方法，其特征在于，所述相似度包括以下至少一種：所述字典中的字與所述疑似錯字的在拼音上的相似度，所述字典中的字與所述疑似錯字分別按照九宮格拼音輸入法進行輸入時在輸入方式上的相似度，以及所述字典中的字與所述疑似錯字分別按照五筆字型輸入法進行輸入時在輸入方式上的相似度。

5.根據權利要求4所述的文本糾錯方法，其特征在于，計算所述字典中的字與所述疑似錯字的在拼音上的相似度，包括：

根據所述字典中的字與所述疑似錯字在聲母上的差異，計算所述字典中的字與所述疑似錯字在聲母上的相似度；

根據所述字典中的字與所述疑似錯字在韻母上的差異，計算所述字典中的字與所述疑似錯字在韻母上的相似度；

根據所述在聲母上的相似度以及所述在韻母上的相似度計算所述在拼音上的相似度。

6.根據權利要求5所述的文本糾錯方法，其特征在于，所述在聲母上的差異包括聲母之間平翹舌的差異，所述在韻母上的差異包括韻母之間前后鼻音的差異。

7.根據權利要求4所述的文本糾錯方法，其特征在于，計算所述字典中的字與所述疑似錯字分別按照九宮格拼音輸入法進行輸入時在輸入方式上的相似度，包括：

分別確定所述字典中的字以及所述疑似錯字按照九宮格拼音輸入法進行輸入時的按鍵序列；

根據兩個按鍵序列的差異以及兩個按鍵序列的長度的差異計算所述在輸入方式上的相似度。

8.根據權利要求7所述的文本糾錯方法，其特征在于，所述根據兩個按鍵序列是否相同以及兩個按鍵序列的長度差異計算所述在輸入方式上的相似度，包括：

根據兩個按鍵序列的差異、兩個按鍵序列的長度差異以及所述字典中的字與所述疑似錯字的在聲母上和/或在韻母上的差異計算所述九宮格拼音的相似度。

9.根據權利要求4所述的文本糾錯方法，其特征在于，計算所述字典中的字與所述疑似錯字分別按照五筆字型輸入法進行輸入時在輸入方式上的相似度，包括：

分別確定所述字典中的字以及所述疑似錯字按照五筆字型輸入法進行輸入時的五筆字型編碼；

將兩個五筆字型編碼的萊文斯坦比確定為所述在輸入方式上的相似度。

10.根據權利要求1所述的文本糾錯方法，其特征在于，所述確定可用于替換所述疑似錯字的候選詞組的集合，包括：

遍歷基于語料庫文本統計出的字典中的每個字，將每個字置于所述疑似錯字之前與所述疑似錯字構成初步候選詞組，以及置于所述疑似錯字之后與所述疑似錯字構成初步候選詞組；

若所述初步候選詞組屬于基于所述語料庫文本統計出的詞典中的詞，將所述初步候選詞組確定為一個候選詞組并添加至所述候選詞組的集合中。