CN106873801A - 用于生成输入法词库中的词条组合的方法和装置 - Google Patents
用于生成输入法词库中的词条组合的方法和装置 Download PDFInfo
- Publication number
- CN106873801A CN106873801A CN201710113215.8A CN201710113215A CN106873801A CN 106873801 A CN106873801 A CN 106873801A CN 201710113215 A CN201710113215 A CN 201710113215A CN 106873801 A CN106873801 A CN 106873801A
- Authority
- CN
- China
- Prior art keywords
- entry
- combination
- language material
- default language
- subset
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
- G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
- G06F3/02—Input arrangements using manually operated switches, e.g. using keyboards or dials
- G06F3/023—Arrangements for converting discrete items of information into a coded form, e.g. arrangements for interpreting keyboard generated codes as alphanumeric codes, operand codes or instruction codes
- G06F3/0233—Character input methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/951—Indexing; Web crawling techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/237—Lexical tools
- G06F40/247—Thesauruses; Synonyms
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
- G06F40/284—Lexical analysis, e.g. tokenisation or collocates
Abstract
本申请公开了用于生成输入法词库中的词条组合的方法和装置。该方法的一具体实施方式包括:对预设语料进行切词,得到预设语料中的词条集合;将预设语料中的词条集合中每组相邻出现的上文词条与下文词条提取为词条组合,形成词条组合集合;基于词条组合在预设语料中的互信息量和/或词条组合对应的拼音被用户使用输入法应用输入的输入次数,从词条组合集合中筛选出词条组合子集;使用词条组合子集生成输入法词库中的至少一个词条组合。该实施方式生成了输入法词库中的高质量词条组合。
Description
技术领域
本申请涉及计算机技术领域,具体涉及输入法技术领域,尤其涉及用于生成输入法词库中的词条组合的方法和装置。
背景技术
输入法是一种能够实现文字输入的软件。在用户使用输入法输入整句或者根据用户已上屏的上文词条主动提供下文的候选词条时,可以使用到由相邻的上文词条和下文词条组成的二元词条组合。高质量的词条组合,有利于输入法提供整句输入或基于上文词条提供下文的候选词条时提高出词的质量,有助于用户花费更少的时间选择需要上屏的词条。
现有技术中生成二元词条组合的方案,或者生成的词条组合过多,或者词条组合的质量较差,词条组合的质量较差容易造成出词时的效果较差,词条组合过多造成终端所需要安装的词库占用较大的存储空间,因此需要进一度精选出高质量的词条组合作为输入法词库中的词条组合。
发明内容
本申请的目的在于提出一种改进的用于生成输入法词库中的词条组合的方法和装置,来解决以上背景技术部分提到的技术问题。
第一方面,本申请实施例提供了一种用于生成输入法词库中的词条组合的方法,该方法包括:对预设语料进行切词,得到预设语料中的词条集合;将预设语料中的词条集合中每组相邻出现的上文词条与下文词条提取为词条组合,形成词条组合集合;基于词条组合在预设语料中的互信息量和/或词条组合对应的拼音被用户使用输入法应用输入的输入次数,从词条组合集合中筛选出词条组合子集;使用词条组合子集生成输入法词库中的至少一个词条组合。
在一些实施例中,上述方法还包括:基于词条组合、词条组合的上文词条以及词条组合的下文词条在所述预设语料中的出现输入次数以及所述预设语料的总频次,生成所述词条集合中每个词条组合的互信息量。
在一些实施例中,在所述对预设语料进行切词,得到词条集合之后,上述方法还包括:从所述词条集合去除未出现在预设词典中的词条。
在一些实施例中,在所述将所述预设语料中的词条集合中每组相邻出现的上文词条与下文词条提取为词条组合,形成词条组合集合之后,上述方法还包括:从所述词条组合集合中去除未出现在预设词典中的词条组合。
在一些实施例中,上述基于词条组合在所述预设语料中的互信息量从所述词条组合集合中筛选出词条组合子集,包括以下任一项:从所述词条组合中筛选出互信息量大于预设阈值的词条组合;从所述词条组合中筛选出互信息量最大的预设数目个词条组合。
在一些实施例中,上述基于词条组合在所述预设语料中的互信息量和词条组合对应的拼音被用户使用输入法应用输入的输入次数,从所述词条组合集合中筛选出词条组合子集,包括:基于所述词条组合的互信息量从所述词条组合集合中筛选出词条组合第一子集;基于词条组合对应的拼音被用户使用输入法应用输入的输入次数从所述词条组合集合中筛选出词条组合第二子集;合并所述词条组合第一子集以及所述词条组合第二子集并去重,得到所述词条组合子集。
在一些实施例中,上述使用所述词条组合子集生成输入法词库中的至少一个词条组合,包括:将所述词条组合子集中分成至少一个词条组合分组,其中每个词条组合分组是由上文词条相同且下文词条匹配的拼音相同的至少一个词条组合组成;基于词条组合中上文词条在所述预设语料中转移到下文词条的转移概率,对所述至少一个词条组合分组中的各个词条组合分组进行过滤;将过滤后的所述至少一个词条组合分组中的词条组合添加至所述输入法词库中。
在一些实施例中,上述使用所述词条组合子集生成输入法词库中的至少一个词条组合,还包括:基于词条组合在所述预设语料中的出现输入次数与词条组合的上文词条在所述预设语料中的出现输入次数的比值,生成词条组合中上文词条在所述预设语料中转移到下文词条的转移概率。
在一些实施例中,上述基于词条组合中上文词条在所述预设语料中转移到下文词条的转移概率,对所述至少一个词条组合分组中的各个词条组合分组进行过滤,包括以下任一项:保留词条组合分组中转移概率最大的预设数目个词条组合;保留词条组合分组中转移概率大于概率阈值的词条组合。
第二方面,本申请实施例提供了一种用于生成输入法词库中的词条组合的装置,装置包括:切词单元,用于对预设语料进行切词,得到所述预设语料中的词条集合;提取单元,用于将所述预设语料中的词条集合中每组相邻出现的上文词条与下文词条提取为词条组合,形成词条组合集合;筛选单元,用于基于词条组合在所述预设语料中的互信息量和/或词条组合对应的拼音被用户使用输入法应用输入的输入次数,从所述词条组合集合中筛选出词条组合子集;生成单元,用于使用所述词条组合子集生成输入法词库中的至少一个词条组合。
在一些实施例中,上述装置还包括:互信息量生成单元,用于基于词条组合、词条组合的上文词条以及词条组合的下文词条在所述预设语料中的出现输入次数以及所述预设语料的总频次,生成所述词条集合中每个词条组合的互信息量。
在一些实施例中,所述装置还包括:词条去除单元,用于在所述对预设语料进行切词,得到词条集合之后,从所述词条集合去除未出现在预设词典中的词条。
在一些实施例中,上述装置还包括:词条组合去除单元,用于在所述将所述预设语料中的词条集合中每组相邻出现的上文词条与下文词条提取为词条组合,形成词条组合集合之后,从所述词条组合集合中去除未出现在预设词典中的词条组合。
在一些实施例中,筛选单元用于执行以下任一项:从所述词条组合中筛选出互信息量大于预设阈值的词条组合;从所述词条组合中筛选出互信息量最大的预设数目个词条组合。
在一些实施例中,所述筛选单元,包括:第一筛选子单元,用于基于词条组合的互信息量从词条组合集合中筛选出词条组合第一子集;第二筛选子单元,用于基于词条组合对应的拼音被用户使用输入法应用输入的输入次数从词条组合集合中筛选出词条组合第二子集;合并去重子单元,用于合并词条组合第一子集以及词条组合第二子集并去重,得到词条组合子集。
在一些实施例中,生成单元包括:分组子单元,用于将词条组合子集分成至少一个词条组合分组,其中每个词条组合分组是由上文词条相同且下文词条匹配的拼音相同的至少一个词条组合组成;过滤子单元,用于基于词条组合中上文词条在预设语料中转移到下文词条的转移概率,对至少一个词条组合分组中的各个词条组合分组进行过滤;添加子单元,用于将过滤后的至少一个词条组合分组中的词条组合添加至输入法词库中。
在一些实施例中,生成单元,还包括:转移概率生成单元,用于基于词条组合在预设语料中的出现输入次数与词条组合的上文词条在预设语料中的出现输入次数的比值,生成词条组合中上文词条在预设语料中转移到下文词条的转移概率。
在一些实施例中,过滤子单元用于执行以下任一项:保留词条组合分组中转移概率最大的预设数目个词条组合;保留词条组合分组中转移概率大于概率阈值的词条组合。
第三方面,本申请实施例提供一种设备,包括:一个或多个处理器;存储装置,用于存储一个或多个程序,当一个或多个程序被一个或多个处理器执行,使得一个或多个处理器实现如第一方面中任一项所描述的方法。
第四方面,本申请实施例提供一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如第一方面中任一项所描述的方法。
本申请提供的用于生成输入法词库中的词条组合的方法和装置,通过切词得到词条并提取出词条组合后,利用词条组合在预设语料中的互信息量和/或词条组合对应的拼音被用户使用输入法应用输入的输入次数,筛选出用作输入法词库的词条组合,有利于提高输入法词库中词条组合的质量并减少数量,较高质量的词条组合有利于出词时能优先出被用户使用到的词条,而较少数量的词条组合则可以减少终端添加词库时所需要占用的存储空间。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述,本申请的其它特征、目的和优点将会变得更明显:
图1是本申请可以应用于其中的示例性系统架构图;
图2是根据本申请的用于生成输入法词库中的词条组合的方法的一个实施例的流程图;
图3是根据本申请的用于生成输入法词库中的词条组合的方法的又一个实施例的流程图;
图4是根据本申请的用于生成输入法词库中的词条组合的装置的一个实施例的结构示意图;
图5是适于用来实现本申请实施例的设备的计算机系统的结构示意图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释相关发明,而非对该发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与有关发明相关的部分。
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
图1示出了可以应用本申请的用于生成输入法词库中的词条组合的方法或用于生成输入法词库中的词条组合的装置的实施例的示例性系统架构100。
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释相关发明,而非对该发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与有关发明相关的部分。
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
图1示出了可以应用本申请的用于展示候选词条的方法或用于展示候选词条的装置的实施例的示例性系统架构100。
如图1所示,系统架构100可以包括终端设备101、102、103,网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互,以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用,例如输入法应用、网页浏览器应用等。
终端设备101、102、103可以是具有显示屏并且支持输入法应用的各种电子设备,包括但不限于智能手机、平板电脑、电子书阅读器、MP3播放器(Moving Picture ExpertsGroup Audio Layer III,动态影像专家压缩标准音频层面3)、MP4(Moving PictureExperts Group Audio Layer IV,动态影像专家压缩标准音频层面4)播放器、膝上型便携计算机和台式计算机等等。
服务器105可以是提供各种服务的服务器,例如对终端设备101、102、103上显示的词条提供支持的后台服务器。后台服务器可以向终端设备安装的输入法应用提供词库或者词库中的词条组合。
需要说明的是,本申请实施例所提供的用于生成输入法词库中的词条组合的方法一般由服务器105执行,特殊情况下也可以由终端设备101、102、103执行;相应地,用于生成输入法词库中的词条组合的装置一般设置于服务器105中,某些情况下也可以设置于终端设备101、102、103执行。
应该理解,图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。在一些情况下,也可以没有终端设备。
继续参考图2,示出了根据本申请的用于生成输入法词库中的词条组合的方法的一个实施例的流程200。该用于生成输入法词库中的词条组合的方法,包括以下步骤:
步骤201,对预设语料进行切词,得到预设语料中的词条集合。
在本实施例中,用于生成输入法词库中的词条组合的方法运行于其上的电子设备(例如图1所示的服务器)可以首先从本地或通过网络从远程设备获取预设语料。其中,预设语料可以是一段语料,也可以是多段语料组成的语料库。之后,电子设备可以对该预设语料执行切词操作,切词操作可以得到一系列的词条,从而形成预设语料中的词条集合。
步骤202,将预设语料中的词条集合中每组相邻出现的上文词条与下文词条提取为词条组合,形成词条组合集合。
在本实施例中,基于步骤201中执行切词操作得到的词条集合,电子设备可以根据各个词条在预设语料中的位置,将相邻出现的上文词条与下文词条进行搭配,所搭配的上文词条与下文词条即为每个词条组合,从而可以得到预设语料中的词条组合集合。
步骤203,基于词条组合在预设语料中的互信息量和/或词条组合对应的拼音被用户使用输入法应用输入的输入次数,从词条组合集合中筛选出词条组合子集。
在本实施例中,电子设备可以首先获取或计算出词条组合在预设语料中的互信息量和/或词条组合对应的拼音被用户使用输入法应用输入的输入次数。其中,互信息量是一个随机变量由于已知另一个随机变量而减少的不肯定性。在本实施例中,即为在语料库中,词条组合中由于一个词条已知而导致另一个词条减少的不肯定性。之后,电子设备可以将互信息量和输入次数中的一项或多项作为指标,按照一定的标准从词条组合集合中进行词条组合筛选,从而筛选出词条组合子集。在使用两项指标进行筛选时,筛选出的词条组合可以只需满足对其中的任一项指标设立的标准,也可以是必须同时满足对其中的两项指标分别设立的标准。
步骤204,使用词条组合子集生成输入法词库中的至少一个词条组合。
在本实施例中,基于步骤203所筛选出的词条组合子集,电子设备可以使用其生成输入法词库中的至少一个词条组合。实践中,可以将词条组合子集中的全部添加为输入法词库中的词条组合,也可以按照一定的标准进一步筛选出部分词条组合添加至输入法词库中。
在本实施例的一些可选的实现方式中,上述方法还包括:基于词条组合、词条组合的上文词条以及词条组合的下文词条在预设语料中的出现输入次数以及预设语料的总频次,生成词条集合中每个词条组合的互信息量。在该实现方式中,例如,互信息量可以通过以下的公式(1)进行计算:
其中,I(A;B)是上文词条A和下文词条B在预设词库中的互信息量,cooc是上文词条A和下文词条B构成的词条组合在预设语料中的出现频次,SUM是预设语料中词条的总个数,FA是上文词条A在预设语料中的出现频次,FB是下文词条B在预设语料中的出现频次。
在本实施例的一些可选实现方式中,在步骤201之后,上述方法还可以包括:从词条集合去除未出现在预设词典中的词条。在该实现方式中,可以使用预设的词典对词条集合中的词条进行过滤,从而可以将未出现在预设词典中的一些生僻词条去除掉,有助于最终生成的词条组合在后期出词时被使用到的概率,也可以减少本实施例中后续步骤所执行数据处理的数据量。
在本实施例的一些可选实现方式中,在步骤202之后,上述方法还包括:从词条组合集合中去除未出现在预设词典中的词条组合。在该实现方式中,可以使用预设的词典对词条组合集合中的词条组合进行过滤,从而可以将未出现在预设词典中的一些生僻词条组合去除掉,有助于最终生成的词条组合在后期出词时被使用到的概率,也可以减少本实施例中后续步骤所执行数据处理的数据量。
在本实施例的一些可选实现方式中,上述步骤203中使用到基于词条组合在预设语料中的互信息量从词条组合集合中筛选出词条组合子集时,可以通过以下任一项实现:从词条组合中筛选出互信息量大于预设阈值的词条组合;从词条组合中筛选出互信息量最大的预设数目个词条组合。其中,使用前一项时,可以预先设定一个阈值,然后将各词条组合的互信息与该阈值进行比较,从而将互信息量大于该阈值的词条组合筛选出来。该方案有利于保证筛选出的词条组合的互信息量都能达到一定的标准。后一项则是将词条组合按互信息量从大到到小的顺序选取出预设数目个词条组合,该方案能够筛选出数量固定的词条组合。
在本实施例的一些可选实现方式中,上述步骤203在基于词条组合在预设语料中的互信息量和词条组合对应的拼音被用户使用输入法应用输入的输入次数,从词条组合集合中筛选出词条组合子集时,可以执行如下操作:首先,电子设备可以基于词条组合的互信息量从词条组合集合中筛选出词条组合第一子集。此外,电子设备可以基于词条组合对应的拼音被用户使用输入法应用输入的输入次数从词条组合集合中筛选出词条组合第二子集。之后,电子设备可以合并词条组合第一子集以及词条组合第二子集并去重,得到词条组合子集。
本申请的上述实施例提供的方法通过切词得到词条并提取出词条组合后,利用词条组合在预设语料中的互信息量和/或词条组合对应的拼音被用户使用输入法应用输入的输入次数,筛选出用作输入法词库的词条组合,有利于提高输入法词库中词条组合的质量并减少数量,较高质量的词条组合有利于出词时能优先出被用户使用到的词条,而较少数量的词条组合则可以减少终端添加词库时所需要占用的存储空间。
进一步参考图3,其示出了用于生成输入法词库中的词条组合的方法的又一个实施例的流程300。该用于生成输入法词库中的词条组合的方法的流程300,包括以下步骤:
步骤301,对预设语料进行切词,得到预设语料中的词条集合。
在本实施例中,步骤301的具体处理可以参考图2对应实施例中的步骤201,这里不再赘述。
步骤302,将预设语料中的词条集合中每组相邻出现的上文词条与下文词条提取为词条组合,形成词条组合集合。
在本实施例中,步骤302的具体处理可以参考图2对应实施例的步骤202,这里不再赘述。
步骤303,基于词条组合在预设语料中的互信息量和/或词条组合对应的拼音被用户使用输入法应用输入的输入次数,从词条组合集合中筛选出词条组合子集。
在本实施例中,步骤303的具体处理可以参考图2对应实施例中的步骤203,这里不再赘述。
步骤304,将词条组合子集分成至少一个词条组合分组。
在本实施例中,基于步骤303所筛选出的词条组合子集,电子设备可以将词条组合子集分成至少一个词条组合分组。其中,每个词条组合分组是由上文词条相同且下文词条匹配的拼音相同的至少一个词条组合组成。即,电子设备可以将其中将其中上文词条相同且下文词条匹配的拼音相同的至少一个词条组合组成分组,即可得到至少一个词条组合分组。例如,“我很-帅吧”和“我很-摔吧”这两个词条组合中,上文词条皆为“我很”,下文词条“帅吧”和“摔吧”匹配的拼音皆为“shuaiba”,则可以将这两个词条组合分入同一个词条组合分组中。
步骤305,基于词条组合中上文词条在预设语料中转移到下文词条的转移概率,对至少一个词条组合分组中的各个词条组合分组进行过滤。
针对步骤304所分成的至少一个词条组合分组中的各个词条组合分组,电子设备可以基于词条组合中上文词条在预设语料中转移到下文词条的转移概率进行词条组合过滤。通常,可以优先保留其中转移概率较大的词条组合。需要说明的是,还可以在过滤时将转移概率与其他未列出的信息共同作为过滤标准进行过滤。其中,转移概率是指客观事物由一种状态转移到另一种状态的概率。在本实施例中,转移概率具体可以是指已知预设语料中当前词条为词条组合的上文词条时,当前词条的下一个词条是词条组合中的下文词条的概率。实践中,可以直接使用语料库中词条组合的出现频次与词条组合中上文词条的出现频次的比值作为转移概率,以方便计算。
在本实施例的一些可选实现方式中,步骤305可以具体包括:保留词条组合分组中转移概率最大的预设数目个词条组合;保留词条组合分组中转移概率大于概率阈值的词条组合。
步骤306,将过滤后的至少一个词条组合分组中的词条组合添加为输入法词库中。
在本实施例中,针对步骤305执行过滤操作后的至少一个词条组合分组,电子设备可以将至少一个词条组合分组中的词条分组添加至输入法词库中,作为输入法词库中的词条组合。
从图3中可以看出,与图2对应的实施例相比,本实施例中的用于生成输入法词库中的词条组合的方法的流程300,针对上文词条相同且下文词条匹配的拼音相同的多个词条组合,进一步采用转移概率进行过滤,从而进一步提高最终添加到输入法词库的词组组合的质量并降低数量,也能进一步提高基于词条组合为用户提供候选词条时的出词效率以及减少输入法词库占用的空间。
进一步参考图4,作为对上述各图所示方法的实现,本申请提供了一种用于生成输入法词库中的词条组合的装置的一个实施例,该装置实施例与图2所示的方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图4所示,本实施例的用于生成输入法词库中的词条组合的装置400包括:切词单元401、提取单元402、筛选单元403和生成单元404。其中,切词单元401用于对预设语料进行切词,得到预设语料中的词条集合;提取单元402用于将预设语料中的词条集合中每组相邻出现的上文词条与下文词条提取为词条组合,形成词条组合集合;筛选单元403用于基于词条组合在预设语料中的互信息量和/或词条组合对应的拼音被用户使用输入法应用输入的输入次数,从词条组合集合中筛选出词条组合子集;而生成单元404用于使用词条组合子集生成输入法词库中的至少一个词条组合。
在本实施例中,切词单元401、提取单元402、筛选单元403和生成单元404的具体处理可以参考图2对应实施例中的步骤201、步骤202、步骤203以及步骤204,不再赘述。
在本实施例的一些可选实现方式中,装置400还包括:互信息量生成单元(未示出),用于基于词条组合、词条组合的上文词条以及词条组合的下文词条在预设语料中的出现输入次数以及预设语料的总频次,生成词条集合中每个词条组合的互信息量。该实现方式的具体处理可以参考图2对应实施例中相应的实现方式,这里不再赘述。
在本实施例的一些可选实现方式中,装置400还包括:词条去除单元(未示出),用于在对预设语料进行切词,得到词条集合之后,从词条集合去除未出现在预设词典中的词条。
在本实施例的一些可选实现中,装置400还包括:词条组合去除单元(未示出),用于在将预设语料中的词条集合中每组相邻出现的上文词条与下文词条提取为词条组合,形成词条组合集合之后,从词条组合集合中去除未出现在预设词典中的词条组合。
在本实施的一些可选实现方式中,筛选单元403用于执行以下任一项:从词条组合中筛选出互信息量大于预设阈值的词条组合;从词条组合中筛选出互信息量最大的预设数目个词条组合。
在本实施例的一些可选实现方式中,筛选单元403包括:第一筛选子单元(未示出),用于基于词条组合的互信息量从词条组合集合中筛选出词条组合第一子集;第二筛选子单元(未示出),用于基于词条组合对应的拼音被用户使用输入法应用输入的输入次数从词条组合集合中筛选出词条组合第二子集;合并去重子单元(未示出),用于合并词条组合第一子集以及词条组合第二子集并去重,得到词条组合子集。
在本实施例的一些可选实现方式中,生成单元404可以包括:分组子单元(未示出),用于将词条组合子集分成至少一个词条组合分组,其中每个词条组合分组是由上文词条相同且下文词条匹配的拼音相同的至少一个词条组合组成;过滤子单元(未示出),用于基于词条组合中上文词条在预设语料中转移到下文词条的转移概率,对至少一个词条组合分组中的各个词条组合分组进行过滤;添加子单元(未示出),用于将过滤后的至少一个词条组合分组中的词条组合添加至输入法词库中。该实现方式的具体处理可以参考图3对应实施例中相应的步骤,这里不再赘述。
在本实施例的一些可选实现方式中,过滤子单元用于执行以下任一项:保留词条组合分组中转移概率最大的预设数目个词条组合;保留词条组合分组中转移概率大于概率阈值的词条组合。
本申请还提供了一种设备,该设备包括:一个或多个处理器;存储装置,用于存储一个或多个程序,当一个或多个程序被一个或多个处理器执行,使得一个或多个处理器实现图2或图3对应的实施例以及实施例中任一可选实现方式所描述的方法。图5示出了适于用来实现本申请实施例的终端的计算机系统500的结构示意图。图5示出的设备仅仅是一个示例,不应对本申请实施例的功能和使用范围带来任何限制。
如图5所示,计算机系统500包括中央处理单元(CPU)501,其可以根据存储在只读存储器(ROM)502中的程序或者从存储部分508加载到随机访问存储器(RAM)503中的程序而执行各种适当的动作和处理。在RAM 503中,还存储有系统500操作所需的各种程序和数据。CPU 501、ROM 502以及RAM 503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。
以下部件连接至I/O接口505:包括键盘、鼠标等的输入部分506;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分507;包括硬盘等的存储部分508;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分509。通信部分509经由诸如因特网的网络执行通信处理。驱动器510也根据需要连接至I/O接口505。可拆卸介质511,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器510上,以便于从其上读出的计算机程序根据需要被安装入存储部分508。
特别地,根据本公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分509从网络上被下载和安装,和/或从可拆卸介质511被安装。在该计算机程序被中央处理单元(CPU)501执行时,执行本申请的方法中限定的上述功能。
附图中的流程图和框图,图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本申请实施例中所涉及到的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中,例如,可以描述为:一种处理器包括切词单元、抽取单元、筛选单元和生成单元。其中,这些单元的名称在某种情况下并不构成对该单元本身的限定,例如,切词单元还可以被描述为“对预设语料进行切词,得到预设语料中的词条集合”。
作为另一方面,本申请还提供了一种计算机可读介质,该计算机可读介质可以是上述实施例中描述的设备中所包含的;也可以是单独存在,而未装配入该设备中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该设备执行时,使得该设备:对预设语料进行切词,得到所述预设语料中的词条集合;将所述预设语料中的词条集合中每组相邻出现的上文词条与下文词条提取为词条组合,形成词条组合集合;基于词条组合在所述预设语料中的互信息量和/或词条组合对应的拼音被用户使用输入法应用输入的输入次数,从所述词条组合集合中筛选出词条组合子集;使用所述词条组合子集生成输入法词库中的至少一个词条组合。
需要说明的是,本申请所描述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中,计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:无线、电线、光缆、RF等等,或者上述的任意合适的组合。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本申请中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (20)
1.一种用于生成输入法词库中的词条组合的方法,其特征在于,所述方法包括:
对预设语料进行切词,得到所述预设语料中的词条集合;
将所述预设语料中的词条集合中每组相邻出现的上文词条与下文词条提取为词条组合,形成词条组合集合;
基于词条组合在所述预设语料中的互信息量和/或词条组合对应的拼音被用户使用输入法应用输入的输入次数,从所述词条组合集合中筛选出词条组合子集;
使用所述词条组合子集生成输入法词库中的至少一个词条组合。
2.根据权利要求1所述的方法,其特征在于,所述方法还包括:
基于词条组合、词条组合的上文词条以及词条组合的下文词条在所述预设语料中的出现输入次数以及所述预设语料的总频次,生成所述词条集合中每个词条组合的互信息量。
3.根据权利要求1所述的方法,其特征在于,在所述对预设语料进行切词,得到词条集合之后,所述方法还包括:
从所述词条集合去除未出现在预设词典中的词条。
4.根据权利要求1所述的方法,其特征在于,在所述将所述预设语料中的词条集合中每组相邻出现的上文词条与下文词条提取为词条组合,形成词条组合集合之后,所述方法还包括:
从所述词条组合集合中去除未出现在预设词典中的词条组合。
5.根据权利要求1所述的方法,其特征在于,所述基于词条组合在所述预设语料中的互信息量从所述词条组合集合中筛选出词条组合子集,包括以下任一项:
从所述词条组合中筛选出互信息量大于预设阈值的词条组合;
从所述词条组合中筛选出互信息量最大的预设数目个词条组合。
6.根据权利要求5所述的方法,其特征在于,所述基于词条组合在所述预设语料中的互信息量和词条组合对应的拼音被用户使用输入法应用输入的输入次数,从所述词条组合集合中筛选出词条组合子集,包括:
基于所述词条组合的互信息量从所述词条组合集合中筛选出词条组合第一子集;
基于词条组合对应的拼音被用户使用输入法应用输入的输入次数从所述词条组合集合中筛选出词条组合第二子集;
合并所述词条组合第一子集以及所述词条组合第二子集并去重,得到所述词条组合子集。
7.根据权利要求1-6之一所述的方法,其特征在于,所述使用所述词条组合子集生成输入法词库中的至少一个词条组合,包括:
将所述词条组合子集中分成至少一个词条组合分组,其中每个词条组合分组是由上文词条相同且下文词条匹配的拼音相同的至少一个词条组合组成;
基于词条组合中上文词条在所述预设语料中转移到下文词条的转移概率,对所述至少一个词条组合分组中的各个词条组合分组进行过滤;
将过滤后的所述至少一个词条组合分组中的词条组合添加至所述输入法词库中。
8.根据权利要求7所述的方法,其特征在于,所述使用所述词条组合子集生成输入法词库中的至少一个词条组合,还包括:
基于词条组合在所述预设语料中的出现输入次数与词条组合的上文词条在所述预设语料中的出现输入次数的比值,生成词条组合中上文词条在所述预设语料中转移到下文词条的转移概率。
9.根据权利要求7所述的方法,其特征在于,所述基于词条组合中上文词条在所述预设语料中转移到下文词条的转移概率,对所述至少一个词条组合分组中的各个词条组合分组进行过滤,包括以下任一项:
保留词条组合分组中转移概率最大的预设数目个词条组合;
保留词条组合分组中转移概率大于概率阈值的词条组合。
10.一种用于生成输入法词库中的词条组合的装置,其特征在于,所述方法包括:
切词单元,用于对预设语料进行切词,得到所述预设语料中的词条集合;
提取单元,用于将所述预设语料中的词条集合中每组相邻出现的上文词条与下文词条提取为词条组合,形成词条组合集合;
筛选单元,用于基于词条组合在所述预设语料中的互信息量和/或词条组合对应的拼音被用户使用输入法应用输入的输入次数,从所述词条组合集合中筛选出词条组合子集;
生成单元,用于使用所述词条组合子集生成输入法词库中的至少一个词条组合。
11.根据权利要求10所述的装置,其特征在于,所述装置还包括:
互信息量生成单元,用于基于词条组合、词条组合的上文词条以及词条组合的下文词条在所述预设语料中的出现输入次数以及所述预设语料的总频次,生成所述词条集合中每个词条组合的互信息量。
12.根据权利要求10所述的装置,其特征在于,所述装置还包括:
词条去除单元,用于在所述对预设语料进行切词,得到词条集合之后,从所述词条集合去除未出现在预设词典中的词条。
13.根据权利要求10所述的装置,其特征在于,所述装置还包括:
词条组合去除单元,用于在所述将所述预设语料中的词条集合中每组相邻出现的上文词条与下文词条提取为词条组合,形成词条组合集合之后,从所述词条组合集合中去除未出现在预设词典中的词条组合。
14.根据权利要求10所述的装置,其特征在于,所述筛选单元用于执行以下任一项:
从所述词条组合中筛选出互信息量大于预设阈值的词条组合;
从所述词条组合中筛选出互信息量最大的预设数目个词条组合。
15.根据权利要求14所述的装置,其特征在于,所述筛选单元,包括:
第一筛选子单元,用于基于所述词条组合的互信息量从所述词条组合集合中筛选出词条组合第一子集;
第二筛选子单元,用于基于词条组合对应的拼音被用户使用输入法应用输入的输入次数从所述词条组合集合中筛选出词条组合第二子集;
合并去重子单元,用于合并所述词条组合第一子集以及所述词条组合第二子集并去重,得到所述词条组合子集。
16.根据权利要求10-15之一所述的装置,其特征在于,所述生成单元包括:
分组子单元,用于将所述词条组合子集分成至少一个词条组合分组,其中每个词条组合分组是由上文词条相同且下文词条匹配的拼音相同的至少一个词条组合组成;
过滤子单元,用于基于词条组合中上文词条在所述预设语料中转移到下文词条的转移概率,对所述至少一个词条组合分组中的各个词条组合分组进行过滤;
添加子单元,用于将过滤后的所述至少一个词条组合分组中的词条组合添加至所述输入法词库中。
17.根据权利要求16所述的装置,其特征在于,所述生成单元,还包括:
转移概率生成单元,用于基于词条组合在所述预设语料中的出现输入次数与词条组合的上文词条在所述预设语料中的出现输入次数的比值,生成词条组合中上文词条在所述预设语料中转移到下文词条的转移概率。
18.根据权利要求16所述的装置,其特征在于,所述过滤子单元用于执行以下任一项:
保留词条组合分组中转移概率最大的预设数目个词条组合;
保留词条组合分组中转移概率大于概率阈值的词条组合。
19.一种设备,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-9中任一所述的方法。
20.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-9中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710113215.8A CN106873801A (zh) | 2017-02-28 | 2017-02-28 | 用于生成输入法词库中的词条组合的方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710113215.8A CN106873801A (zh) | 2017-02-28 | 2017-02-28 | 用于生成输入法词库中的词条组合的方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106873801A true CN106873801A (zh) | 2017-06-20 |
Family
ID=59168058
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710113215.8A Pending CN106873801A (zh) | 2017-02-28 | 2017-02-28 | 用于生成输入法词库中的词条组合的方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106873801A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109656385A (zh) * | 2018-12-28 | 2019-04-19 | 北京金山安全软件有限公司 | 基于知识图谱的输入预测方法、装置和电子设备 |
CN111460805A (zh) * | 2019-01-22 | 2020-07-28 | 北京京东尚科信息技术有限公司 | 语句处理方法、装置及设备 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101266599A (zh) * | 2005-01-31 | 2008-09-17 | 日电(中国)有限公司 | 字典学习方法以及使用该方法的装置,输入方法以及使用该方法的用户终端装置 |
CN102129427A (zh) * | 2010-01-13 | 2011-07-20 | 腾讯科技(深圳)有限公司 | 一种词关系挖掘方法和装置 |
US20120166450A1 (en) * | 2010-12-23 | 2012-06-28 | Nhn Corporation | Search system and search method for recommending reduced query |
CN102591472A (zh) * | 2011-01-13 | 2012-07-18 | 新浪网技术(中国)有限公司 | 一种汉字输入方法和装置 |
US8392175B2 (en) * | 2010-02-01 | 2013-03-05 | Stratify, Inc. | Phrase-based document clustering with automatic phrase extraction |
CN103309852A (zh) * | 2013-06-14 | 2013-09-18 | 瑞达信息安全产业股份有限公司 | 一种基于统计和规则的特定领域的合成词发现方法 |
CN103984688A (zh) * | 2013-04-28 | 2014-08-13 | 百度在线网络技术(北京)有限公司 | 一种基于本地词库提供输入候选词条的方法与设备 |
-
2017
- 2017-02-28 CN CN201710113215.8A patent/CN106873801A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101266599A (zh) * | 2005-01-31 | 2008-09-17 | 日电(中国)有限公司 | 字典学习方法以及使用该方法的装置,输入方法以及使用该方法的用户终端装置 |
CN102129427A (zh) * | 2010-01-13 | 2011-07-20 | 腾讯科技(深圳)有限公司 | 一种词关系挖掘方法和装置 |
US8392175B2 (en) * | 2010-02-01 | 2013-03-05 | Stratify, Inc. | Phrase-based document clustering with automatic phrase extraction |
US20120166450A1 (en) * | 2010-12-23 | 2012-06-28 | Nhn Corporation | Search system and search method for recommending reduced query |
CN102591472A (zh) * | 2011-01-13 | 2012-07-18 | 新浪网技术(中国)有限公司 | 一种汉字输入方法和装置 |
CN103984688A (zh) * | 2013-04-28 | 2014-08-13 | 百度在线网络技术(北京)有限公司 | 一种基于本地词库提供输入候选词条的方法与设备 |
CN103309852A (zh) * | 2013-06-14 | 2013-09-18 | 瑞达信息安全产业股份有限公司 | 一种基于统计和规则的特定领域的合成词发现方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109656385A (zh) * | 2018-12-28 | 2019-04-19 | 北京金山安全软件有限公司 | 基于知识图谱的输入预测方法、装置和电子设备 |
CN111460805A (zh) * | 2019-01-22 | 2020-07-28 | 北京京东尚科信息技术有限公司 | 语句处理方法、装置及设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109286825A (zh) | 用于处理视频的方法和装置 | |
CN110334346A (zh) | 一种pdf文件的信息抽取方法和装置 | |
CN107145485A (zh) | 用于压缩主题模型的方法和装置 | |
CN109165573A (zh) | 用于提取视频特征向量的方法和装置 | |
CN107731229A (zh) | 用于识别语音的方法和装置 | |
CN109145148A (zh) | 信息处理方法和装置 | |
CN109685137A (zh) | 一种题目分类方法、装置、电子设备及存储介质 | |
CN107679217A (zh) | 基于数据挖掘的关联内容提取方法和装置 | |
CN106921749A (zh) | 用于推送信息的方法和装置 | |
CN109496295A (zh) | 多媒体内容生成方法、装置和设备/终端/服务器 | |
CN109410918A (zh) | 用于获取信息的方法及装置 | |
CN109063190A (zh) | 用于处理数据序列的方法和装置 | |
CN108733662A (zh) | 数据一致性比对的方法、装置、电子设备和可读存储介质 | |
CN104809218B (zh) | 一种ugc视频分类方法及装置 | |
CN106774975A (zh) | 输入方法和装置 | |
CN110046254A (zh) | 用于生成模型的方法和装置 | |
CN106202438A (zh) | 存储关联数据的方法和系统 | |
CN108256646A (zh) | 模型生成方法和装置 | |
CN110321447A (zh) | 重复图像的确定方法、装置、电子设备及存储介质 | |
CN106873801A (zh) | 用于生成输入法词库中的词条组合的方法和装置 | |
CN106909232A (zh) | 用于展示候选词条的方法和装置 | |
CN109284367A (zh) | 用于处理文本的方法和装置 | |
CN110516261A (zh) | 简历评估方法、装置、电子设备及计算机存储介质 | |
CN109325178A (zh) | 用于处理信息的方法和装置 | |
CN109697090A (zh) | 一种控制终端设备的方法、终端设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170620 |
|
RJ01 | Rejection of invention patent application after publication |