[發明專利]基于漢字音形相似性的拼寫糾錯方法、裝置以及電子設備

有效

• 申請號: 202110460497.5
• 申請日: 2021-04-27
• 公開（公告）號: CN112883718B
• 公開（公告）日: 2021-10-22
• 發明（設計）人: 林金曙;婁東方;王炯亮;陳哲;陳春旭
• 申請（專利權）人: 恒生電子股份有限公司
• 主分類號: G06F40/232
• 分類號: G06F40/232;G06F40/242;G06K9/62
• 代理公司: 杭州華鼎知識產權代理事務所(普通合伙) 33217
• 代理人: 魏亮

1.基于漢字音形相似性的拼寫糾錯方法，其特征在于，所述拼寫糾錯方法包括：

根據標準漢字數據庫構建包含漢字音形信息的樣本漢字集合；

基于樣本漢字集合中的漢字轉換成本計算任意兩個漢字之間對應漢字音形信息的相似度，根據得到的相似度結果構建對應樣本漢字集合中每個漢字的相似漢字集合；

接收待糾錯文本，如果待糾錯文本中的目標漢字在已構建的相似漢字集合中，則獲取與目標漢字相關聯的候選詞，結合目標漢字與候選詞的相似度與閾值的數值關系篩選得到對目標漢字進行糾錯后的替換漢字；

所述構建樣本漢字集合，包括：

從標準漢字數據庫中選取樣本漢字；

獲取樣本漢字在標準漢字庫中的拼音信息，將拼音信息分解為音節和數值化的音調參數；

獲取樣本漢字在標準漢字庫中的字形信息，將字形信息分解為符合書寫規范的筆順名稱；

所述接收待糾錯文本，如果待糾錯文本中的目標漢字在已構建的相似漢字集合中，則獲取與目標漢字相關聯的候選詞，結合目標漢字與候選詞的相似度與閾值的數值關系篩選得到對目標漢字進行糾錯后的替換漢字，包括：

接收待糾錯文本；

判斷相似漢字集合中是否有存在以待糾錯文本中的目標漢字起始的候選詞；

如果存在，則獲取音形信息的相似度高于預設相似度閾值的候選詞對目標漢字進行替換；

其中，所述獲取音形信息高于預設相似度閾值的候選詞對目標漢字進行替換，包括：

生成以目標漢字為開頭的所有可能的領域詞集合；

以目標漢字與領域詞中第一個漢字的發音相似度或形狀相似度高于預設相似度閾值的條件對領域詞進行篩選，將符合要求的領域詞保存至候選糾錯集合；

以候選糾錯集合中每個領域詞內第一個漢字在候選詞中的相似度高于預設相似度閾值的條件對領域詞進行篩選，將符合要求的領域詞對目標漢字進行替換。

2.根據權利要求1所述的基于漢字音形相似性的拼寫糾錯方法，其特征在于，所述基于樣本漢字集合中的漢字轉換成本計算任意兩個漢字之間對應漢字音形信息的相似度，根據得到的相似度結果構建對應樣本漢字集合中每個漢字的相似漢字集合，包括：

定義將樣本漢字集合中的漢字轉換為漢字的最小編輯次數作為漢字轉換成本；

結合相似度超參數構建如公式一所示的相似度計算公式，

公式一，

式中，為相似度超參數，表示兩個漢字和之間的漢字轉換成本，表示計算相似度的運算符；

將得到的對應漢字相似度結果按相似度由高到低的順序進行排序，選取排序后靠前的漢字構建對應漢字的映射關系；

將得到的映射關系構建對應漢字的相似漢字集合。

3.根據權利要求1所述的基于漢字音形相似性的拼寫糾錯方法，其特征在于，所述方法還包括在計算兩個漢字之間對應漢字音形信息的相似度之前，還包括：

對樣本漢字集合中的漢字字形信息進行篩選。

4.根據權利要求1所述的基于漢字音形相似性的拼寫糾錯方法，其特征在于，所述以候選糾錯集合中每個領域詞內第一個漢字在候選詞中的相似度高于預設相似度閾值的條件對領域詞進行篩選，將符合要求的領域詞對目標漢字進行替換，包括：

當篩選過程中出現相似度大于等于預設相似度閾值的情況，則更新符合上述要求候選詞的得分；

將目標漢字逐個與候選詞中的漢字進行比對處理；

如果目標漢字已經對應到候選詞的最后一個漢字，將該候選詞及相應得分保存至糾錯漢字串集合中，同時將候選詞從候選糾錯集中刪除。

5.根據權利要求1所述的基于漢字音形相似性的拼寫糾錯方法，其特征在于，所述以候選糾錯集合中每個領域詞內第一個漢字在候選詞中的相似度高于預設相似度閾值的條件對領域詞進行篩選，將符合要求的領域詞對目標漢字進行替換，包括：

相似度小于設定閾值，從候選糾錯集中刪除。