CN101859294B - 中文字串的词汇切分系统及其方法 - Google Patents
中文字串的词汇切分系统及其方法 Download PDFInfo
- Publication number
- CN101859294B CN101859294B CN2009101326996A CN200910132699A CN101859294B CN 101859294 B CN101859294 B CN 101859294B CN 2009101326996 A CN2009101326996 A CN 2009101326996A CN 200910132699 A CN200910132699 A CN 200910132699A CN 101859294 B CN101859294 B CN 101859294B
- Authority
- CN
- China
- Prior art keywords
- vocabulary
- combination
- word
- lexicon
- chinese character
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Landscapes
- Machine Translation (AREA)
- Document Processing Apparatus (AREA)
Abstract
本发明公开了一种中文字串的词汇切分系统及其方法,在确认词汇库有自中文字串撷取的组合词汇时,通过撷取其与下一字作为组合累加词汇并继续查找,反之则撷取该组合词汇的尾字与其下一字进行查找的技术手段,可以解决现有技术在切分中文字串的过程中所存在的产生大量无效切分字词的问题,借此可于兼顾切分速度与字句原意之下,达到降低系统负担的技术功效。
Description
技术领域
本发明涉及一种中文字串的词汇切分系统及其方法,特别是指一种产生有效切分字词的中文字串的词汇切分系统及其方法。
背景技术
中文分词(Chinese Word Segmentation,CWS)是将一中文词句切分为数个切分字词,其应用于信息检索、人机互交、信息提取、文本挖掘、中外文翻译、中文校对与自动摘要等。以信息检索为例,搜寻引擎预先将检索资料切分为多个切分字词,并依照这些切分词建立索引;搜寻引擎在接收使用者输入的关键字句时,同样将关键字句切分为一或多个切分字词,将其与索引进行比对,以找出与关键字句相关的检索资料。
但中文不同于英文,字与字之间没有空格,所以亦无法按空格提取字串并建立索引,故分词遂成为达到有效信息检索的关键技术。以“我正面临一项挑战”为例,现行采用的交叉二元切分法将切分出7个切分字词,其分别为“我正”、“正面”、“面临”、“临一”、“一项”、“项考”与“考验”;此交叉二元切分法简单快速,但会产生大量无意义的切分字词,导致索引其储存空间增加而造成负担,此外,此种机械切分虽提高关键字句的命中率,但因未考虑字句原意,反而降低了检索结果的相关性。
综上所述,可知现有技术在切分中文字串的过程中,一直存在着产生大量无效切分字词的问题,因此有必要提出改进的技术手段,来解决此一问题。
发明内容
有鉴于现有技术于切分中文字串的过程中,一直存在着产生大量无效切分字词的问题,本发明遂提供一种中文字串的词汇切分系统及其方法,其中:
本发明所提供的中文字串的词汇切分系统,其包含一词汇库、一撷取模块与一查找模块。其中,词汇库被预建,且词汇库包含有复数个词汇;查找模块用于以一第一组合词汇至该词汇库进行匹配查找,以及以一第一组合累加词汇或一第二组合词汇在该词汇库进行匹配查找;撷取模块用于自接收的一中文字串撷取其第一字至第二字为第一组合词汇后:当所述查找模块以该第一组合词汇至该词汇库进行匹配查找确认该词汇库有该第一组合词汇时,撷取该第一组合词汇与其下一字为该第一组合累加词汇,反之,则撷取该第一组合词汇的尾字与其下一字为该第二组合词汇;当所述查找模块以该第一组合累加词汇或该第二组合词汇在该词汇库进行匹配查找确认该词汇库有该第一组合累加词汇时,撷取该第一组合累加词汇与其下一字为次一该第一组合累加词汇,反之,则撷取该第一组合累加词汇的尾字与其下一字为该第二组合词汇;依此类推至任一组合词汇或组合累加词汇包含有该中文字串的最终字为止。
本发明所提供的中文字串的词汇切分方法,该方法首先预建有包含复数个词汇的一词汇库;接着,自一中文字串撷取其第一字至第二字为一第一组合词汇;接着,以该第一组合词汇至词汇库进行匹配查找;接着,当以该第一组合词汇至该词汇库进行匹配查找确认词汇库有该第一组合词汇时,撷取该第一组合词汇与其下一字为一第一组合累加词汇,反之则撷取该第一组合词汇的尾字与其下一字为一第二组合词汇;接着,以该第一组合累加词汇或该第二组合词汇在该词汇库进行匹配查找;接着,当以该第一组合累加词汇或该第二组合词汇在该词汇库进行匹配查找确认词汇库有该第一组合累加词汇时,撷取该第一组合累加词汇与其下一字为次一个该第一组合累加词汇,反之则撷取该第一组合累加词汇的尾字与其下一字为该第二组合词汇;接着,以该第一组合累加词汇或该第二组合词汇在该词汇库进行匹配查找;依此类推,直至任一组合词汇或组合累加词汇包含有该中文字串的最终字为止。
本发明所提供的系统与方法如上,与现有技术之间的差异在于本发明在确认词汇库有自该中文字串撷取的组合词汇时,进一步撷取其与下一字作为组合累加词汇并继续查找,反之则撷取该组合词汇的尾字与其下一字进行查找的技术手段,通过此技术手段,本发明可产生有效的组合词汇或组合累加词汇,在兼顾切分速度与字句原意之下,达到降低系统负担的技术功效。
附图说明
图1为本发明的中文字串切分系统其方框示意图;
图2为本发明的中文字串切分方法其步骤流程图;
图3为本发明的增添识别模块与设定模块的中文字串切分系统其方框示意图;
图4为本发明的增添识别步骤与设定步骤的中文字串切分方法其步骤流程图;
图5为本发明的中文字串其长词优先的切分结果的示意图。
具体实施方式
以下将配合附图及实施例来详细说明本发明的实施方式,借此对本发明如何应用技术手段来解决技术问题并达到技术功效的实现过程能充分理解并据以实施。
图1为本发明的中文字串切分系统其方框示意图。请参照图1,中文字串切分系统100包含有一词汇库110、一撷取模块120与一查找模块130。其中,词汇库110包含有复数个词汇,该些词汇是用于作为后续比对的依据;撷取模块120用于自接收的一中文字串101撷取其第一字至第二字为第一组合词汇后,依据该第一组合词汇其后续查找之有无,选择撷取该第一组合词汇与其下一字为第一组合累加词汇,或是撷取该第一组合词汇的尾字与其下一字为第二组合词汇。
举例来说,一中文字串101为“我最喜欢你的笑容”,其中“我”为第一字,“容”为该中文字串101的最终字;撷取模块120自该中文字串101撷取其第一字至第二字为第一组合词汇,即“我最”,并依据该第一组合词汇“我最”后续查找之有无,选择撷取“我最”与“我最”于该中文字串101的下一字“喜”为第一组合累加词汇“我最喜”,或是撷取“我最”的尾字“最”与其下一字“喜”为第二组合词汇“最喜”。又以中文字串101“星期一天气晴”为例,撷取模块120将撷取“星期”为第一组合词汇,并依据后续查找“星期”之有无,选择撷取第一组合累加词汇“星期一”或第二组合词汇“期一”。
查找模块130用于在词汇库110依序进行该第一组合词汇的匹配查找,以及该第一组合累加词汇或该第二组合词汇的匹配查找;其中,当查找模块130确认词汇库110有该第一组合累加词汇时,撷取模块120继续选择撷取该第一组合累加词汇与其下一字为次第一组合累加词汇,反之,则撷取该第一组合累加词汇的尾字与其下一字为该第二组合词汇,由查找模块130进行该次第一组合累加词汇或该第二组合词汇的匹配查找,依此类推至任一组合词汇或组合累加词汇包含有该中文字串101的最终字为止。
延续上例,查找模块130在词汇库110查找与该第一组合词汇“我最”相符的一词汇,并确定词汇库110无“我最”,此时,撷取模块120选择撷取该第一组合词汇“我最”的尾字与其下一字为第二组合词汇“最喜”,查找模块130即在词汇库110进行该第二组合词汇“最喜”的匹配查找;当查找模块130确认词汇库110无该第二组合词汇“最喜”时,撷取模块120选择撷取该第二组合词汇“最喜”的尾字与其下一字为该第三组合词汇,即“喜欢”,并由查找模块130在词汇库110进行该第三组合词汇的匹配查找;依此类推,当查找模块130查找出与该第三组合词汇“喜欢”相符的词汇后,更依序对撷取模块120所产生的第三组合累加词汇“喜欢你”、第四组合词汇“你的”、第五组合词汇“的笑”与第六组合词汇“笑容”进行匹配查找,最后依据该第六组合词汇“笑容”包含最终字“容”而停止查找,产生“我”、“最”、“喜欢”、“你”、“的”与“笑容”的切分结果。
在另一例中,查找模块130在词汇库110查找出与该第一组合词汇“星期”相符的一词汇,撷取模块120即依据此查找结果选择撷取第一组合累加词汇“星期一”,并由查找模块130在词汇库110进行“星期一”的匹配查找;当查找出该第一组合累加词汇“星期一”时,撷取模块120撷取次第一组合累加词汇“星期一天”,并由查找模块130在词汇库110进行“星期一天”的匹配查找;依此类堆,查找模块130确定无该次第一组合累加词汇“星期一天”的词汇时,更依序对撷取模块120所产生的第二组合词汇“天气”、第二组合词汇“天气晴”与第三组合词汇“晴”进行匹配查找,最后依据该第三组合词汇“晴”为最终字而停止查找,产生“星期”、“星期一”、“天气”、“晴”的切分结果。
此外,中文字串切分系统100可更包含一识别模块140(请见图3),用于在查找模块130确认词汇库110无该第一组合词汇(或该第二组合词汇)时,将该第一组合词汇(或该第二组合词汇)的首字识别为第一切分字(或第二切分字)。在上例产生“我”、“最”、“喜欢”、“你”、“的”与“笑容”的过程中,识别模块140依据该第一组合词汇“我最”其查找结果为无,将其尾字“我”识别为第一切分字;依此类推,“最”为第二切分字,“你”为第四切分字,“的”为第五切分字,而“喜欢”与“笑容”则为上述之第三组合词汇与第六组合词汇。
图2为本发明的中文字串切分方法其步骤流程图,预建包含有复数个词汇的一词汇库110。请参照图2,首先自一中文字串101撷取其第一字至第二字为第一组合词汇;(步骤210);以该第一组合词汇至词汇库110进行匹配查找,当确认词汇库110有该第一组合词汇时,撷取该第一组合词汇与其下一字为第一组合累加词汇,反之,则撷取该第一组合词汇的尾字与其下一字为第二组合词汇,并再次以该第二组合词汇在词汇库110进行匹配查找(步骤220);以该第一组合累加词汇至词汇库110进行匹配查找,当确认词汇库110有该第一组合累加词汇时,撷取该第一组合累加词汇与其下一字为次第一组合累加词汇,反之,则撷取该第一组合累加词汇的尾字与其下一字为该第二组合词汇,并再次以该第二组合词汇在词汇库110进行匹配查找(步骤230);依此类推至任一组合词汇或组合累加词汇包含有该中文字串101之最终字为止(步骤240)。
承上,将第二组合词汇在词汇库110进行匹配查找(步骤220或步骤230),当确认词汇库110有该第二组合词汇时,撷取该第二组合词汇与其下一字为第二组合词汇,并在词汇库110进行该第二组合词汇的匹配查找;反之,则撷取该第二组合词汇的尾字与其下一字为第三组合词汇,在词汇库110进行该第三组合词汇的匹配查找。
其中,在词汇库110进行一组合词汇(包含第一组合词汇、第二组合词汇、或是第三组合词汇及其以上的可能)的匹配查找,并确认词汇库110无该组合词汇时,更包含将该组合词汇的首字辨识为一切分字(依序为第一切分字、第二切分字、第三切分字及其以上)的步骤。
为求解说详尽,以下针对本发明的中文字串的词汇切分系统及其方法,导入撷取起点、撷取字数与词汇记录的概念,以使其实施方式更加具体。
图3为本发明的增添识别模块与设定模块的中文字串切分系统其方框示意图。请参照图3,中文字串切分系统100较前述更包含一识别模块140与一设定模块150;其中识别模块140如前所述,而包含有一撷取起点、一撷取数字与一词汇记录的设定模块150,是用于依据查找模块130查找之有无,选择对该撷取字数与该词汇记录分别进行累加与标记,或是对该撷取起点进行累加,并重置该撷取字数与该词汇记录。
以上例“星期一天气晴”说明之,请同时参照图3、图4与图5,设定模块150所预设的该撷取起点510为0,该撷取字数520为2,该词汇记录则未标记;首先,撷取模块120以预设的该撷取起点510为基准,自该中文字串101撷取符合该撷取字数520的字串为第一组合词汇,即“星期”(步骤410);查找模块130在确认词汇库110有该第一组合词汇“星期”时(步骤420),再次确认“星期”不包含该中文字串101的最终字“晴”(步骤430);设定模块150依据“星期”的查找结果,选择累加该撷取字数520为3,并标记该词汇记录(步骤440);撷取模块120依据该撷取起点510与撷取字数520,撷取第0至第3之间的字串“星期一”为第一组合累加词汇(步骤410)。
承上,查找模块130在确认词汇库110有该第一组合累加词汇“星期一”时(步骤420),再次确认“星期一”不包含最终字“晴”(步骤430);设定模块150依据“星期一”的查找结果,选择将该撷取字数520累加至4,并维持标记的该词汇记录(步骤440);撷取模块120撷取第0至第4之间的字串“星期一天”为次第一组合累加词汇(步骤410);查找模块130在确认词汇库110不包含该次第一组合累加词汇“星期一天”(步骤420),再次确认该词汇记录为标记状态,识别模块140在确认该词汇记录为标记状态后,选择不动作(步骤450);设定模块150依据查找结果为无,将该撷取起点510指定为3(0+4-1),重新指定该撷取字数520为2,并取消该词汇记录的标记(步骤460);撷取模块120撷取第3至第5之间的字串“天气”为第二组合词汇(步骤410)。
查找模块130在确认词汇库110有该第二组合词汇“天气”时(步骤420),再次确认“天气”不包含最终字“晴”(步骤430);设定模块150将该撷取字数520累加至3,并标记该词汇记录(步骤440);撷取模块120撷取第3至第6之间的字串“天气晴”为第二组合词汇(步骤410);查找模块130确认词汇库110不包含该第二组合词汇“天气晴”时(步骤420),识别模块140确认该词汇记录为标记状态后,选择不动作(步骤450);设定模块150依据“天气晴”的查找结果为无,将该撷取起点510指定为5(3+3-1),重新指定该撷取字数520为2,并取消该词汇记录的标记(步骤460);撷取模块120撷取出第5至第7之间的字串“晴”为第三组合词汇(步骤410);查找模块130在词汇库110查无“晴”时(步骤420),识别模块140依据该词汇标记为无,而将“晴”识别为第三切分字(步骤470),查找模块130确认“晴”包含有该最终字“晴”(步骤480),故结束查找,产生“星期”、“星期一”、“天气”、“睛”的切分结果。若查找模块130在确认一切分字不包含最终字时(步骤480),设定模块150则累计该撷取起点510,重新给定该撷取数字520为2(步骤490),并重复步骤410。图5之“星期一”、“天气”、“晴”为此例的长词优先的分词结果,其中“星期一”530为第一组合累加字汇,“天气”540为第二组合词汇,“晴”550为第三切分字,此长词优先的切分结果适合应用于中外文翻译。
综上所述,可知本发明与现有技术之间的差异在于具有在确认词汇库有自该中文字串撷取的组合词汇时,进一步撷取其与下一字作为组合累加词汇并继续查找,反之则撷取该组合词汇的尾字与其下一字进行查找的技术手段,借由此一技术手段可以解决现有技术所存在的问题,进而于兼顾切分速度与字句原意之下,达到降低系统负担的技术功效。
虽然本发明所公开的实施方式如上,惟所述的内容并非用于直接限定本发明的专利保护范围。本领域技术人员在不脱离本发明所揭露的精神和范围的前提下,可以在实施的形式上及细节上作些许之更动。本发明的专利保护范围,仍须以所附权利要求书所界定为准。
Claims (4)
1.一种中文字串之词汇切分系统,其特征在于,包含:
一词汇库,该词汇库被预建,且该词汇库包含有复数个词汇;
一查找模块,用于以一第一组合词汇至该词汇库进行匹配查找,以及以一第一组合累加词汇或一第二组合词汇在该词汇库进行匹配查找;及
一撷取模块,用于自一中文字串撷取其第一字至第二字为该第一组合词汇:
当所述查找模块以该第一组合词汇至该词汇库进行匹配查找确认该词汇库有该第一组合词汇时,撷取该第一组合词汇与其下一字为该第一组合累加词汇,反之,则撷取该第一组合词汇的尾字与其下一字为该第二组合词汇;
当所述查找模块以该第一组合累加词汇或该第二组合词汇在该词汇库进行匹配查找确认该词汇库有该第一组合累加词汇时,撷取该第一组合累加词汇与其下一字为次一个该第一组合累加词汇,反之,则撷取该第一组合累加词汇的尾字与其下一字为该第二组合词汇;及
依此类推至任一组合词汇或组合累加词汇包含有该中文字串的最终字为止。
2.如权利要求1所述的中文字串的词汇切分系统,其特征在于,该系统更包含一识别模块,用于在该查找模块确认该词汇库无该第一组合词汇/第二组合词汇时,将该第一组合词汇/第二组合词汇的首字识别为第一切分字/第二切分字。
3.一种中文字串的词汇切分方法,其特征在于,该方法包含下列步骤:
预建包含有复数个词汇的一词汇库;
自一中文字串撷取其第一字至第二字为一第一组合词汇;
以该第一组合词汇至该词汇库进行匹配查找;
当以该第一组合词汇至该词汇库进行匹配查找确认该词汇库有该第一组合词汇时,撷取该第一组合词汇与其下一字为一第一组合累加词汇,反之,则撷取该第一组合词汇的尾字与其下一字为一第二组合词汇;
以该第一组合累加词汇或该第二组合词汇在该词汇库进行匹配查找;
当以该第一组合累加词汇或该第二组合词汇在该词汇库进行匹配查找确认该词汇库有该第一组合累加词汇时,撷取该第一组合累加词汇与其下一字为次一个该第一组合累加词汇,反之,则撷取该第一组合累加词汇的尾字与其下一字为该第二组合词汇;
以该第一组合累加词汇或该第二组合词汇在该词汇库进行匹配查找;及
依此类推至任一组合词汇或组合累加词汇包含有该中文字串的最终字为止。
4.如权利要求3所述的中文字串的词汇切分方法,其特征在于,在确认该词汇库无该第一组合词汇/第二组合词汇时,更包含将该第一组合词汇/第二组合词汇的首字辨识为第一切分字/第二切分字的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2009101326996A CN101859294B (zh) | 2009-04-07 | 2009-04-07 | 中文字串的词汇切分系统及其方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2009101326996A CN101859294B (zh) | 2009-04-07 | 2009-04-07 | 中文字串的词汇切分系统及其方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN101859294A CN101859294A (zh) | 2010-10-13 |
CN101859294B true CN101859294B (zh) | 2012-01-11 |
Family
ID=42945210
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2009101326996A Active CN101859294B (zh) | 2009-04-07 | 2009-04-07 | 中文字串的词汇切分系统及其方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN101859294B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112559732A (zh) * | 2019-09-25 | 2021-03-26 | 阿里巴巴集团控股有限公司 | 文本处理方法、装置和系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101082909A (zh) * | 2007-06-28 | 2007-12-05 | 腾讯科技(深圳)有限公司 | 一种识别衍生词的中文分词方法及系统 |
CN101122900A (zh) * | 2007-09-25 | 2008-02-13 | 中兴通讯股份有限公司 | 一种分词系统及方法 |
-
2009
- 2009-04-07 CN CN2009101326996A patent/CN101859294B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101082909A (zh) * | 2007-06-28 | 2007-12-05 | 腾讯科技(深圳)有限公司 | 一种识别衍生词的中文分词方法及系统 |
CN101122900A (zh) * | 2007-09-25 | 2008-02-13 | 中兴通讯股份有限公司 | 一种分词系统及方法 |
Non-Patent Citations (2)
Title |
---|
JP特开2004-128710A 2004.04.22 |
US 7,092,567 B2,2006.08.15,全文. |
Also Published As
Publication number | Publication date |
---|---|
CN101859294A (zh) | 2010-10-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US7277029B2 (en) | Using language models to expand wildcards | |
CN106537370B (zh) | 在存在来源和翻译错误的情况下对命名实体鲁棒标记的方法和系统 | |
CN100504851C (zh) | 一种中文分词方法及系统 | |
CN103020140B (zh) | 一种对互联网用户评论内容自动过滤的方法和装置 | |
US10031907B2 (en) | Context-based text auto completion | |
CN110321470A (zh) | 文档处理方法、装置、计算机设备和存储介质 | |
CN102915299A (zh) | 一种分词方法及装置 | |
JP5426710B2 (ja) | 検索支援装置、検索支援方法およびプログラム | |
KR100930249B1 (ko) | 영상으로부터 얻은 정보를 이용하여 인터넷을 검색하는장치 및 그 방법 | |
CN102023972A (zh) | 基于结构化的翻译记忆的自动翻译系统及其自动翻译方法 | |
US20110320464A1 (en) | Retrieval device | |
CN102236423A (zh) | 一种字符自动补充的方法、装置和输入法系统 | |
CN105468584A (zh) | 文本中不良文字信息的过滤方法及过滤系统 | |
CN106383814A (zh) | 一种英文社交媒体短文本分词方法 | |
CN104182381A (zh) | 文字输入用方法和系统 | |
CN108197315A (zh) | 一种建立分词索引库的方法和装置 | |
CN102117171A (zh) | 拼音输入系统及方法 | |
US7505903B2 (en) | Speech recognition dictionary creation method and speech recognition dictionary creating device | |
CN101655846A (zh) | 中文输入法标点关联方法及装置 | |
CN101859294B (zh) | 中文字串的词汇切分系统及其方法 | |
CN104731766A (zh) | 拼音文字词库构建方法和装置及输入方法和系统 | |
CN109510904B (zh) | 呼叫中心外呼录音的检测方法及系统 | |
KR100805190B1 (ko) | 영어 문장 분리 장치 및 방법 | |
KR101245631B1 (ko) | 근사조합장치, 근사조합방법, 프로그램 및 기록매체 | |
CN109923538B (zh) | 文本检索装置、文本检索方法以及计算机程序 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
ASS | Succession or assignment of patent right |
Owner name: I VALLEY HOLDINGS CO., LTD. Free format text: FORMER OWNER: YINGYEDA CO., LTD., TAIWAN Effective date: 20150721 |
|
C41 | Transfer of patent application or patent right or utility model | ||
TR01 | Transfer of patent right |
Effective date of registration: 20150721 Address after: Cayman Islands, George Town Patentee after: IValley Holding Co., Ltd. Address before: Taipei City, Taiwan, China Patentee before: Inventec Corporation |