CN102012748A - 语句级中英文混合输入方法 - Google Patents

Abstract

语句级中英文混合输入方法，本发明涉及信息输入方法，尤其涉及一种中英文混合语句输入方法。它解决了现有的中英文混合输入方法采用手工标示输入的字母串中哪些需要转换成中文哪些是英文单词，无法保证连续的语句输入的问题。它包括下述步骤：用键盘输入字符串；由输入法管理系统对字符串进行中英文切分；所做的中英文切分是基于中文拼音库和英文词库的自动识别；输入法管理系统对切分后的字符串分别进行相应的中文和英文字符转换，并提供混合语句候选和中英文词语候选；所做出的中文和英文字符转换是基于中文词库和中英文统计库的自动识别；从通过插入、删除、选择等编辑命令，最终从候选列表中选定输出内容；输出中英文混合语句。用于文字输入。

Description

语句级中英文混合输入方法

技术领域

本发明涉及信息输入方法，尤其涉及一种中英文混合语句输入方法。

背景技术

随着社会的发展，国际交流的逐步加深，两种语言甚至多种语言混合使用的现象越来越普遍，时刻充斥着人们的日常生活。其中，诸如“这样就OK了！”，“阿Q精神”等中文中夹杂着少量英文混合使用的现象最为常见。为了满足中英文混合使用的需求，在计算机系统中，要求输入法支持中英文混合输入方式。目前，中英文混合输入的方法主要有以下两种：

(1)通过切换中英文输入模式，独立输入中英文。这种输入方式通过人工拼接中英文混合语句达到输入目的。输入过程中需要频繁地切换输入模式，打断用户的连续输入，加重用户的思维负担，严重影响输入速度。以用户输入“Chinese和English混合输入”为例，用户需要首先在英文输入模式下输入“Chinese”，然后切换到中文输入模式下输入“和”，再次切换到英文输入模式下输入“English”，最后切换到中文输入模式输入“混合输入”。整个输入过程，除必要的选词过程外，需要切换至少三次中英文输入模式。

(2)为了避免频繁的中英文输入模式的切换，一些输入法在中文输入模式下允许英文输入，但仅局限于句子末尾单个英文单词的输入。这种输入方式仍然会经常打断用户的连续输入。同样以输入“Chinese和English混合输入”为例，在中文输入模式下，用户需要首先输入“Chinese”，然后输入“和”，接着输入“English”，最后输入“混合输入”，整个过程被切割成四次输入。

上述两种中英文混合输入方法均采用手工标示输入的字母串中哪些需要转换成中文哪些是英文单词，无法保证连续的语句输入，智能程度相对较低。

发明内容

本发明的目的是提供一种语句级中英文混合输入方法，以解决现有的中英文混合输入方法采用手工标示输入的字母串中哪些需要转换成中文哪些是英文单词，无法保证连续的语句输入。它包括下述步骤：一、用键盘输入字符串；二、由输入法管理系统对字符串进行中英文切分；所做的中英文切分是基于中文拼音库和英文词库的自动识别；三、输入法管理系统对切分后的字符串分别进行相应的中文和英文字符转换，并提供混合语句候选和中英文词语候选；所做出的中文和英文字符转换是基于中文词库和中英文统计库的自动识别；四、从通过插入、删除、选择等编辑命令，最终从包括了混合语句候选和中英文词语候选的候选列表中选定输出内容；五、输出中英文混合语句。

本发明的方法由输入法管理系统对字符串进行中英文的自动切分，不需要采用手工标示输入的字母串中哪些需要转换成中文哪些是英文单词，因此保证了字符串的连续输入。本发明能自动识别所输字母串中哪些需要转换成中文哪些是英文单词，很大程度上减轻了用户的思维负担，确保连续的语句输入，提高中英文混合语句输入的速度。此外，还能自动学习新的中文词汇和英文词汇，更好地适应用户的输入习惯，进一步提高中英文混合语句输入效率。

附图说明

图1是本发明的流程示意图，图2是基于歧义度的音节切分有向图，图3是中文音节切分和英文单词识别有向图。图4是实施例1中输入字符与候选列表的对应示意图；图5是实施例2中输入字符与候选列表的对应示意图。图6是实施例3中输入字符与候选列表的对应示意图。图7是实施例4中输入字符与候选列表的对应示意图。图8是实施例5中输入字符与候选列表的对应示意图。

具体实施方式

具体实施方式一：下面结合图1至图3说明本实施方式。它包括下述步骤：一、用键盘输入字符串；二、由输入法管理系统对字符串进行中英文切分；所做的中英文切分是基于中文拼音库和英文词库的自动识别；三、输入法管理系统对切分后的字符串分别进行相应的中文和英文字符转换，并提供混合语句候选和中英文词语候选；所做出的中文和英文字符转换是基于中文词库和中英文统计库的自动识别；四、从通过插入、删除、选择等编辑命令，最终从包括了混合语句候选和中英文词语候选的候选列表中选定输出内容；五、输出中英文混合语句。

本发明为了解决现有技术均采用手工标示输入的字母串中哪些需要转换成中文哪些是英文单词，无法保证连续的语句输入，智能程度相对较低的问题，先要解决以下两个问题：(一)自动识别输入字母串中的拼音音节和英文单词；(二)把已识别的拼音音节和英文单词自动转换成为中英文混合语句。

对于中文音节切分，主要在于如何处理普遍存在的交叉歧义和组合歧义。以输入字母串“xiana”为例，可能的全拼切分有“xian/a”，“xia/na”，“xi/an/a”和“xi/a/na”，全拼“xian”和“na”共用一个字母“n”，存在交叉歧义。全拼“xian”和“xia”可以继续分别切分成“xi/an”和“xi/a”，存在组合歧义。常用的方法有前向最大匹配、后向最大匹配和最少元素切分算法。与前向最大匹配和后向最大匹配算法相比，最少元素切分算法因能很好地处理交叉歧义而广泛应用于音节切分。同样以输入“xiana”为例，前向最大匹配算法只能得到“xian/a”这种切分结果，后向最大匹配算法只能得到“xia/na”这种切分结果，而最少元素切分算法能得到“xian/a”和“xia/na”这两种切分结果，很好地解决了交叉歧义。尽管如此，最少元素切分算法在处理组合歧义时，无能为力，不能得到类似于“xi/an/a”和“xi/a/na”这样的切分结果。对于英文单词的识别，目前主要通过判断输入字母串末尾未转换子串是否是英文单词来达到识别单个英文单词的目的，存在很大的局限性。

而为了解决上述问题，本实施方式中拼音音节切分和英文单词混合识别方法采用了最短路径切分的方法。从认知学角度出发，对于中文音节，根据人们通常的理解程度对全拼和简拼进行等级划分。全拼因具有完整的音节意义，在音节理解的时候没有歧义；简拼因没有完整的音节意义，存在多种可能的全拼候选，在音节理解的时候存在歧义。为了更好地描述这些现象，引入音节切分歧义度的概念对它们进行量化。所谓音节切分歧义度，就是对输入的拼音串，在音节理解时歧义大小的度量；对于任意输入x，其歧义度记为a(x)。它首先具有以下三条基本度量规则：

1、对于任意输入x，a(x)≥0。

2、如果x是全拼，y是简拼。则a(x)≤a(y)。

3、满足三角原理：a(xy)≤a(x)+a(y)，其中xy表示x连接y。对于给定的拼音输入，存在多种切分可能，每种可能都对应一个歧义度。这样，音节切分问题就转化成了基于歧义度的有向图路径求解问题。例如，输入“xiana”，可以得到如图2所示的基于歧义度的音节切分有向图。从认知学角度出发，所有音节切分结果中歧义度最小的切分结果最利于用户理解，能有效地降低中文理解时的困惑度。因此，应该选择歧义度最小的切分结果作为下一阶段的输入。歧义度最小的切分结果可以用最短路径算法求解。在中文拼音音节切分问题中，将全拼的歧义度设置为0，简拼的歧义度设为1，非法拼音(i和v)的歧义度为+∞，能切当地描述拼音音节切分问题，并很好地处理普遍存在的交叉歧义和组合歧义。这样，图2中的音节切分结果为“xian/a”，“xi/an/a”，“xia/na”以及“xi/a/na”。对于英文单词的识别，也采用与拼音音节切分类似的方法。考虑到英文单词之间很少存在类似于中文拼音音节切分时存在的交叉歧义和组合歧义，将英文字母和单词的切分歧义度均设置成1，实际上在英文单词识别的过程中，采用了最少元素切分算法。以输入字符串“hear”为例，可以得到如图3所示的中文音节切分和英文单词识别有向图。其中实线表示拼音音节切分，虚线表示英文单词识别有向图。粗线表示最小歧义度路径。这样，中文拼音音节切分最少歧义度的结果“he/a/r”和英文单词最小歧义度识别结果“hear”均作为下一阶段的输入。

本实施方式中中英文混合语句转换方法采用下述具体步骤：语句级中英文混合输入的任务就是将字母串输入I＝c₁，c₂，c₃，L，c_t(1≤t)，转化成中英文混合语句输出O＝w₁，w₂，w₃，L，w_l(其中w_i(1≤i≤l)既可以是中文汉词，也可以是英文单词)的过程。这一过程可以采用混合语言统计模型来描述，在此仅以2-gram为例作说明：

$\underset{I,O}{\arg \max }P(I,O)=\underset{O,I}{\arg \max }p\left(c_1\right)p\left(w_1\right)p\left(c_2\right)p\left(w_2\right|w_1)...p\left(c_l\right)p\left(w_l\right|w_{l-1})---\left(3\right),$

与传统的单一语言统计相比，引入了中文音节切分和英文单词识别结果c_i的概率p(c_i)(1≤i≤l)来描述语言的影响系数，该系数与拼音音节切分歧义度和英文单词识别歧义度有关。拼音音节切分歧义度越小，作为汉字音节的可能性越大，转换成英文的可能性也越大；同理英文单词识别歧义度越小，作为英文单词的可能性也越大。

具体实施方式二：本实施方式与实施方式一的不同点在于：它还包括步骤六、根据步骤五输出的中英文混合语句，构造中文未登录词汇和英文未登录词汇并对英文词库、中文词库和中英文统计库进行更新。

已有的中文未登陆词识别方法主要有基于统计和基于规则的两种方法。基于统计的方法一般采用统计策略提取出候选串，然后再利用语言知识排除不是新词语的垃圾串，适于处理大规模语料，不受领域限制。但是，其召回率偏低，对数据稀疏问题敏感，存在“短词优先”危险。基于规则的方法通常根据未登陆词的构词特征或外型特点建立规则库、专业词库或模式库，通过规则匹配发现新词。该方法简单高效，但需要手工建立规则库，易于局限于某一领域。英文未登陆词识别方面主要采用“所输即所得”的输入方式。由于现有的中英文混合输入仅局限于句子末尾单个英文单词的输入，因此，句子末尾输入的未登陆英文单词就是新构造的英文词汇。该方法存在很大的局限性。

本实施方式的方法采用统计和规则相结合构造中文未登陆词，采用触发式规则构造英文未登陆词汇。中文未登陆词识别，一方面，考虑到汉语中存在大量基于词根的派生现象，以这些词根相对位置的成词能力为评价标准，获取用户词候选。然后根据这些候选词对整个语句输出的影响程度，过滤掉一些影响较小的候选。其中，词根相对位置的成词能力通过极大似然方法求得。另一方面，考虑到自然语言处理的数据稀疏性，有些词不能被统计的方法识别。利用一些常用的人名、地名以及固定结构词汇的组词规则进一步提高中文未登陆词的识别能力。英文未登陆识别方面采用“基于用户触发的所选即所得”的识别方法。在输入的任意位置选择英文字母触发英文未登陆词识别模块，并列出以该字母开头的所有子串作为未登陆英文单词的候选，用户选中的那个就是最新构造的英文词汇。

具体实施方式三：下面具体举一个例子说明本发明的方法。如图1所示，语句级中英文混合输入首先要进行中英文切分，识别中文拼音音节和英文单词。中英文切分之后，本发明根据识别结果，输入法管理系统对切分后的字符串分别进行相应的中文和英文字符转换，并提供混合语句候选和中英文词语候选。用户根据中英文切分结果和候选项进行编辑操作，最后确认输出。本发明在中文音节切分时充分考虑到了全拼和简拼，为了方便起见，在举例说明的程中主要以全拼为主。

实施例1

输入的字母串有误导致音节切分和英文识别错误，存在两种错误：输入字母过多和输入字母过少。对前者删除多余的字母，对后者添加不足的字母。

实施例2

输入的字母串无误时，如果首选项(语句级候选)就是用户想要输入的混合语句，按确认键(空格和数字键‘1’)确认输出。再次以输入“Chinese和English混合输入”为例。首先输入字母串“chineseheenglishhunheshuru”，拼音音节切分结果为：“chi/ne/se/he/en/g/li/sh/hun/he/shu/ru”，英文单词识别结果为：“hinese/h/hinese/h/u/n/he/s/h/u/r/u”。利用混合语言模型生成混合语句候选“Chinese和English混合输入”。用户选择首选项得到最终输出结果。整个输入过程如图4和5所示。

实施例3

输入的字母串无误时，如果首选项不是用户想要输入的混合语句，根据候选依次选择用户想要的输入结果，并确认输出。存在两种类型的错误：

1、语言间的识别错误：中文被错误地识别成英文和英文被错误地识别成中文。再次以输入“输入的是English，输出的是Chinese”为例。首先输入字母串“shurudeshienglish，shuchudeshichinese”，拼音音节切分和英文单词识别结果分别为：

“shu/ru/de/shi/en/g/li/sh/，/shu/chu/de/shi/chi/ne/se”，

“s/h/u/rude/s/hi/hinese/s/h/u/c/h/u/d/e/s/h/i/hinese”。利用混合语言模型生成混合语句候选“术rude是English输出的是Chinese”。这里出现了将中文“输入的”错误地识别成“术rude”的现象，原因在于中文音节“ru/de”被错误地识别成英文单词“rude”，用户需要依次选择“输入的”，并得到最终的输出结果。整个过程如图5所示。相仿地，也会出现少数英文错误识别成中文的情况。以输入“women是woman的复数形式”为例。首先输入字母串“womenshiwomandefushuxingshi”，拼音音节切分和英文单词识别结果分别为：

“wo/men/shi/wo/man/de/fu/shu/xing/shi”，

“women/s/hi/woman/d/e/fu/s/h/u/x/in/g/s/hi”。

利用混合语言模型生成混合语句候选“我们是woman的复数形式”。这里出现了将英文单词“women”错误识别成中文“我们”的现象，原因在于英文单词“women”被错误地识别成中文音节“wo/men”，用户需要依次选择“women”，并得到最终的输出结果，整个过程如图6所示。

2、语言内的识别错误：主要是中文多音字词歧义导致的。与常规的中文模式下的输入方式一样，在此不再赘述。

实施例4

中英文未登陆词识别也是本发明的一个重要部分。对于中文未登陆词识别仅以人名识别为例作说明。以输入“郑海霞是我国著名女篮运动员”为例，首先输入字母串“zhenghaixiashiwoguozhumingdenvlanyundongyuan”，首次整句转换结果为“政海峡是我国著名的女篮运动员”，并且在候选项中不存在“郑海霞”这个词，依次选择“郑海霞”，并最终输出“郑海霞是我国著名女篮运动员”。这一过程中“郑海霞”被自动识别成新的中文词汇。再次输入包含“zhenghaixia”的字母串时，“郑海霞”将会出现在候选词中。以输入“郑海霞出嫁了”为例，首先输入字母串“zhenghaixiachujiale”，首次整句转换结果即为“郑海霞出嫁了”，并且“郑海霞”出现在候选词中。整个过程如图7所示。

实施例5

对于英文未登陆词，以输入“我想carrie回来了”为例，首先输入字母串“woxiangcarriehuilaile”，首次整句转换结果为“我想car日额回来了”，在字母‘c’处选择字母候选激活英文未登陆词识别模块，然后出现以‘c’开头所有字母子串中未登陆词的候选，选择carrie并输出最终结果。这一过程中“carrie”被自动识别成新的英文单词。再次输入包含“carrie”的字母串时，“carrie”将会出现在候选词中。以输入“carrie回家了”为例，首先输入字母串“carriehuijiale”，首次整句转换结果即为“carrie回家了”。整个过程如图8所示。

Claims (5)

1.语句级中英文混合输入方法，其特征在于它包括下述步骤：一、用键盘输入字符串；二、由输入法管理系统对字符串进行中英文切分；所做的中英文切分是基于中文拼音库和英文词库的自动识别；三、输入法管理系统对切分后的字符串分别进行相应的中文和英文字符转换，并提供混合语句候选和中英文词语候选；所做出的中文和英文字符转换是基于中文词库和中英文统计库的自动识别；四、从通过插入、删除、选择等编辑命令，最终从包括了混合语句候选和中英文词语候选的候选列表中选定输出内容；五、输出中英文混合语句。

2.根据权利要求1所述的语句级中英文混合输入方法，其特征在于中文拼音音节切分和英文单词混合识别方法采用了最短路径切分的方法。

3.根据权利要求1所述的语句级中英文混合输入方法，其特征在于它还包括步骤四、对步骤一的输入字符串、步骤二的识别结果和步骤三的候选提示结果进行编辑，并最终确定输出结果。

4.根据权利要求1所述的语句级中英文混合输入方法，其特征在于它还包括步骤六、根据步骤五输出的中英文混合语句，构造中文未登录词汇和英文未登录词汇并对英文词库、中文词库和中英文统计库进行更新。

5.根据权利要求4所述的语句级中英文混合输入方法，其特征在于采用统计和规则相结合构造中文未登陆词，采用触发式规则构造英文未登陆词汇。

Images