[發明專利]一種語音轉錄文本的實體糾錯方法及系統

有效

• 申請號: 202010439068.5
• 申請日: 2020-05-21
• 公開（公告）號: CN111611792B
• 公開（公告）日: 2023-05-23
• 發明（設計）人: 賈全燁;張強;宋博川;柴博
• 申請（專利權）人: 全球能源互聯網研究院有限公司;國家電網有限公司;國家電網有限公司信息通信分公司;國網山東省電力公司信息通信公司
• 主分類號: G06F40/232
• 分類號: G06F40/232;G06F40/295;G10L15/26
• 代理公司: 北京三聚陽光知識產權代理有限公司 11250
• 代理人: 胡曉靜

1.一種語音轉錄文本的實體糾錯方法，其特征在于，包括：

對從目標語音轉錄文本中提取的實體詞匯進行拼音標注；

利用標注的拼音及基于拼音相似度的編輯距離對實體詞匯進行聚類，生成聚類結果；

將聚類結果中在同一類別出現頻率最高的實體詞匯確定為標準實體詞匯，并將該類別中其他實體詞匯替換為所述標準實體詞匯；

利用標注的拼音及基于拼音相似度的編輯距離對實體詞匯進行聚類，生成聚類結果，包括：

步驟S1：將所有實體詞匯隨機劃分為若干類；

步驟S2：從所有實體詞匯中依次選擇待分類實體詞匯，利用標注的拼音計算所述待分類實體詞匯與每一類中所包含的所有實體詞匯之間基于拼音相似度的編輯距離的平均值；

步驟S3：將所述待分類實體詞匯劃分入基于拼音相似度的編輯距離的平均值最小的類別中，并返回上述步驟S2，直至分類結果不再變化為止；

所述基于拼音相似度的編輯距離通過如下公式計算：

其中，Lev_a,b(i,j)表示字符串a中前i個字符和b中前j個字符之間的基于拼音相似度的編輯距離，i，j分別表示字符串a，b的長度，且i、j為自然數；sim_pinyin(a_i,b_j)表示字符a_i與字符b_j之間的拼音相似度，A表示拼音相似度的預設權重值；

計算兩個字符的拼音相似度包括：

分別將兩個字符的拼音分為聲母部分和韻母部分；

利用預設聲母分類規則判斷所述兩個字符的聲母部分是否屬于相同類別，并根據判斷結果及預設賦值規則得到聲母部分相似度；

利用預設韻母分類規則判斷所述兩個字符的韻母部分是否屬于相同類別，并根據判斷結果及預設賦值規則得到韻母部分相似度；

根據所述聲母部分相似度及所述韻母部分相似度計算所述拼音相似度；

所拼音相似度通過如下公式計算：

其中，sim_pinyin(a_i,b_j)表示字符a_i與字符b_j之間的拼音相似度，g(a_i1,b_j1)表示字符a_i與字符b_j之間聲母部分相似度，g(a_i2,b_j2)表示字符a_i與字符b_j之間韻母部分相似度，a_i1和a_i2分別表示字符a_i的聲母和韻母，b_j1和b_j2分別表示字符b_j的聲母和韻母；

所聲母部分相似度通過如下公式計算：

其中，g(x1,y1)表示聲母x1與聲母y1的聲母部分相似度，N1和N2為0－1之間的小數，且N1＞N2；

所韻母部分相似度通過如下公式計算：

其中，g(x2,y2)表示韻母x2與韻母y2的相似度，M1和M2為0－1之間的小數，且M1＞M2。