[發明專利]一種文本檢錯方法及裝置

有效

• 申請號: 201811458549.X
• 申請日: 2018-11-30
• 公開（公告）號: CN111339756B
• 公開（公告）日: 2023-05-16
• 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
• 代理公司: 北京超成律師事務所 11646
• 代理人: 鄧超

1.一種文本檢錯方法，其特征在于，包括：

基于待檢測文本所屬領域，獲取與該領域匹配的存儲有正確文本的語料庫；

基于所述存儲有正確文本的語料庫，從待檢測文本中篩選疑似錯誤語料；所述疑似錯誤語料包括疑似錯誤詞匯和疑似錯誤字符；

基于所述疑似錯誤詞匯和疑似錯誤字符，確定目標疑似錯誤詞匯，其中，所述基于所述疑似錯誤詞匯和疑似錯誤字符，確定目標疑似錯誤詞匯，包括：從所述待檢測文本中獲取每個所述疑似錯誤字符所屬的詞匯，并從所述疑似錯誤字符所屬的詞匯中篩選屬于所述疑似錯誤詞匯的詞匯，得到目標疑似錯誤詞匯；

基于每個目標疑似錯誤詞匯出現在所述待檢測文本的當前位置的概率，從所述目標疑似錯誤詞匯中篩選目標錯誤字符，其中，所述從所述目標疑似錯誤詞匯中篩選目標錯誤字符,包括：基于每個目標疑似錯誤詞匯出現在所述待檢測文本的當前位置的概率，從所述目標疑似錯誤詞匯中篩選目標錯誤詞匯；從所述目標錯誤詞匯的所有字符中，篩選屬于所述疑似錯誤字符的字符，得到所述目標錯誤字符。

2.根據權利要求1所述的方法，其特征在于，所述基于待檢測文本所屬領域，獲取與該領域匹配的存儲有正確文本的語料庫，包括：

獲取所述待檢測文本的生成時間以及多個待選語料庫的最新更新時間；

確定所述待檢測文本的生成時間與每個所述待選語料庫的最新更新時間的時間差；

基于所述時間差以及所述待檢測文本所屬領域，從所述待選語料庫中選取所述存儲有正確文本的語料庫。

3.根據權利要求2所述的方法，其特征在于，所述基于所述時間差以及所述待檢測文本所屬領域，從所述待選語料庫中選取所述存儲有正確文本的語料庫，包括：

在與所述待檢測文本所屬領域匹配的待選語料庫中，選取小于預定時間長度的時間差對應的待選語料庫；

將選取的待選語料庫進行合并，得到所述存儲有正確文本的語料庫。

4.根據權利要求2所述的方法，其特征在于，所述基于所述時間差以及所述待檢測文本所屬領域，從所述待選語料庫中選取所述存儲有正確文本的語料庫，包括：

在與所述待檢測文本所屬領域匹配的待選語料庫中，選取最小的時間差對應的待選語料庫，得到所述存儲有正確文本的語料庫。

5.根據權利要求1所述的方法，其特征在于，所述從所述目標疑似錯誤詞匯中篩選目標錯誤詞匯，包括：

確定每個目標疑似錯誤詞匯出現在所述待檢測文本的當前位置的概率，得到每個目標疑似錯誤詞匯的第一概率；

篩選第一概率小于第一預定值的目標疑似錯誤詞匯，得到所述目標錯誤詞匯。

6.根據權利要求5所述的方法，其特征在于，確定所述第一概率包括：

獲取所述目標疑似錯誤詞匯在所述待檢測文本中的前一個詞匯，得到第一詞匯；

獲取所述目標疑似錯誤詞匯在所述待檢測文本中的后一個詞匯，得到第二詞匯；

根據所述語料庫中每兩個詞匯共同出現的概率，確定所述目標疑似錯誤詞匯、所述第一詞匯以及所述第二詞匯共同出現的概率，得到所述第一概率。

7.根據權利要求6所述的方法，其特征在于，所述語料庫中每兩個詞匯共同出現的概率具體為，其中一個詞匯出現在另外一個詞匯的后面的概率；

確定所述第一概率包括，

根據所述語料庫中每兩個詞匯共同出現的概率，確定所述目標疑似錯誤詞匯出現在所述第一詞匯的后面，并且所述第二詞匯出現在所述目標疑似錯誤詞匯的后面的概率。

8.根據權利要求1所述的方法，其特征在于，所述從待檢測文本中篩選疑似錯誤語料，包括：

獲取所述待檢測文本；基于所述語料庫中每兩個字符共同出現的概率和每兩個詞匯共同出現的概率，從所述待檢測文本中篩選疑似錯誤詞匯和疑似錯誤字符。