CN111310465B - 平行语料获取方法、装置、电子设备、及存储介质 - Google Patents

Abstract

本公开实施例公开了一种平行语料获取方法、装置、电子设备、及存储介质，方法包括：识别存在平行语料的网页；对所述网页进行分组；对分组内的网页基于网页文本的主要语种的比例确定是否保留与主要语种有关的文本数据；将分组内保留的文本数据根据不同语种两两组合，对各组合所包含的文本数据对进行文本对齐获取平行语料。本公开实施例能够提高获取平行语料的效率，应用该方法能够从海量网页中自动获取大量平行语料数据。

Description

平行语料获取方法、装置、电子设备、及存储介质

技术领域

本公开实施例涉及计算机应用技术领域，具体涉及一种平行语料获取方法、装置、电子设备、及存储介质。

背景技术

语料库的建设是统计学习方法的重要基础，对自然语言处理研究具有巨大价值，特别是双语语料库，已经成为机器翻译、机器辅助翻译以及翻译知识获取研究不可或缺的重要资源。现有的机器翻译模型，为了进行有效训练以得到准确的翻译效果，一般都需要大量的平行语料作为训练样本。

但是大量平行语料并不容易获得。目前一般采用开发专门定制的抓取与解析抽取器从公开数据集和词典网站中抓取平行例句来生成平行语料。

一方面，针对特定网站的专用抓取工具和解析抽取器不具有通用性和扩展性；另一方面，上述站点数量有限，因此获取的平行语料数量有限，内容涵盖的范围也存在局限性。

发明内容

有鉴于此，本公开实施例提供一种平行语料获取方法、装置、电子设备、及存储介质，以实现自动从海量网页中获取大量平行语料数据。

本公开实施例的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本公开实施例的实践而习得。

第一方面，本公开实施例提供了一种平行语料获取方法，包括：

识别存在平行语料的网页；

对所述网页进行分组；

对分组内的网页基于网页文本的主要语种的比例确定是否保留与主要语种有关的文本数据；

将分组内保留的文本数据根据不同语种两两组合，对各组合所包含的文本数据对进行文本对齐获取平行语料。

第二方面，本公开实施例还提供了一种平行语料获取装置，包括：

网页识别单元，用于识别存在平行语料的网页；

网页分组单元，用于对所述网页进行分组；

网页过滤单元，用于对分组内的网页基于网页文本的主要语种的比例确定是否保留与主要语种有关的文本数据；

对齐计算单元，用于将分组内保留的文本数据根据不同语种两两组合，对各组合所包含的文本数据对进行文本对齐获取平行语料。

第三方面，本公开实施例还提供了一种电子设备，包括：

一个或多个处理器；

存储器，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第一方面中各项所述方法的指令。

第四方面，本公开实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如第一方面中各项所述方法的步骤。

本公开实施例通过识别存在平行语料的网页，对所述网页进行分组后，对分组内的网页基于网页文本的主要语种的比例确定是否保留与主要语种有关的文本数据；将分组内保留的文本数据根据不同语种两两组合，对各组合所包含的文本数据对进行文本对齐获取平行语料，能够提高获取平行语料的效率，应用该方法能够从海量网页中自动获取大量平行语料数据。

附图说明

为了更清楚地说明本公开实施例中的技术方案，下面将对本公开实施例描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本公开实施例中的一部分实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据本公开实施例的内容和这些附图获得其他的附图。

图1是本公开实施例提供的一种平行语料获取方法的流程示意图；

图2是本公开实施例提供的另一种平行语料获取方法的流程示意图；

图3是本公开实施例提供的一种优化对齐双向词典的方法的流程示意图；

图4是本公开实施例提供的一种平行语料获取装置的结构示意图；

图5是本公开实施例提供的另一种平行语料获取装置的结构示意图；

图6是本公开实施例提供的对齐双向词典更新单元的结构示意图；

图7示出了适于用来实现本公开实施例的电子设备的结构示意图。

具体实施方式

为使本公开实施例解决的技术问题、采用的技术方案和达到的技术效果更加清楚，下面将结合附图对本公开实施例的技术方案作进一步的详细描述，显然，所描述的实施例仅仅是本公开实施例中的一部分实施例，而不是全部的实施例。基于本公开实施例中的实施例，本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本公开实施例保护的范围。

需要说明的是，本公开实施例中术语“系统”和“网络”在本文中常被可互换使用。本公开实施例中提到的“和/或”是指包括一个或更多个相关所列项目的任何和所有组合。本公开的说明书和权利要求书及附图中的术语“第一”、“第二”等是用于区别不同对象，而不是用于限定特定顺序。

还需要说明是，本公开实施例中下述各个实施例可以单独执行，各个实施例之间也可以相互结合执行，本公开实施例对此不作具体限制。

本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。

下面结合附图并通过具体实施方式来进一步说明本公开实施例的技术方案。

图1示出了本公开实施例提供的一种平行语料获取方法的流程示意图，本实施例可适用于从跨网页的文档中提取平行语料的情况，该方法可以由配置于电子设备中的平行语料获取装置来执行，如图1所示，本实施例所述的平行语料获取方法包括：

在步骤S110中，识别存在平行语料的网页。例如，可根据网页的网址中是否包含代表语种的语种信息片段(例如网址中形如“English”、“en”、“china”、“zh”、“Lang＝ch”、以及“Lang＝eng”等形式的片段)识别存在平行语料的网页。又如，可根据存在平行语料的网页所具有的特征，识别存在平行语料的网页。其中，用于识别的网页集可通过周期性抓取得到，也可以是预定网页集。

在步骤S120中，对所述网页进行分组。具体的分组方法可包括多种，例如可按照网页的域名进行分组，将同一域名下的网页分到一组。又如，还可对网页的网址去除其包含的语种信息片段后，再进行正则匹配，根据正则匹配结果对所述网页进行分组。

例如可将网页的URL(Uniform Resource Locator,统一资源定位符)中域名的后缀移除，如“.com”、“.cn”、“.hk”、“.us”以及“.de”等。将所有可能区分语种的语种编码(例如iso639-1/2/3)编译成一个正则表达式，对上述删除域名后缀的网页对应的URL片段进行匹配以获取平行网页，以进行单独对齐处理。

在步骤S130中，对分组内的网页基于网页文本的主要语种的比例确定是否保留与主要语种有关的文本数据。本步骤用于筛选出单语种的网页，例如，对分组内的网页，可对其网页文本进行语种比例成分检测，若比例最高语种的比例小于预定比例阈值(例如90％)，则过滤掉该网页，否则保留该网页文本中该比例最高语种的文本数据。

在步骤S140中，将分组内保留的文本数据根据不同语种两两组合，对各组合所包含的文本数据对进行文本对齐获取平行语料。

对两个文本进行对齐可采用多种方法，本实施例对此不作限定。例如，可确定该文本数据对的两个语种对应的对齐双向词典；对该文本数据对的第一文本数据中的各源语句，从该文本数据对的第二文本数据中取出一个比对语句进行语句对齐。

具体的语句对齐方式包括多种，例如可对所述源语句进行分词和词性过滤得到第一词集，确定所述第一词集中属于所述对齐双向词典中的第一对齐词集；以及对所述比对语句进行分词和词性过滤得到第二词集，确定所述第二词集中属于所述对齐双向词典中的第二对齐词集；根据所述第一词集的词数、第一对齐词集的词数、所述第二词集的词数、以及所述第二对齐词集的词数确定所述源词句和所述比对语句之间的对齐度；若所述对齐度大于预定对齐度阈值，则将所述源语句和所述比对语句组成的语句对作为平行语料。

上述示例性的语句对齐方法中，对该文本数据对的第一文本数据中的各源语句，从该文本数据对的第二文本数据中取出一个比对语句，可通过顺次获取所述第一文本数据中的一个语句作为所述源语句，若所述源语句的前一语句与所述第二文本数据中的第I语句之间的对齐度大于所述预定对齐度阈值，且所述I小于所述第二文本数据中语句数，则从所述第二文本数据中取出所述第I语句的下一语句作为所述对比语句，其中所述I为自然数。

本实施例通过识别存在平行语料的网页并进行分组后，对分组内的网页基于网页文本的主要语种的比例确定是否保留与主要语种有关的文本数据；将分组内保留的文本数据根据不同语种两两组合，对各组合所包含的文本数据对进行文本对齐获取平行语料，能够提高获取平行语料的效率，应用该方法能够从海量网页中自动获取大量平行语料数据。

图2示出了本公开实施例提供的另一种平行语料获取方法的流程示意图，本实施例以前述实施例为基础，进行了改进优化。如图2所示，本实施例所述的平行语料获取方法包括：

在步骤S210中，从周期性抓取的网页中，将当天新增的网页和前N(N为自然数)天抓取的网页进行汇聚，从中确定网址中包含代表语种的语种信息片段的网页。

例如，在天级的网页抓取与平行语料获取任务中，一般绝大部分平行文档来自同一域名，并且相同域名的文档被抓取的日期大部分也是连续的，每天新增的数据回溯最近N天的历史数据进行文档匹配，可避免历史数据被重复计算，显著降低计算量。

在步骤S220中，对所述网页的网址去除所述语种信息片段后进行正则匹配，根据正则匹配结果对所述网页进行分组。其中，进行正则匹配可采用多种方法，例如可将网页的网址(URL地址，统一资源定位符)进行正则表达式匹配。

于一实施例中，在对所述网页进行分组之前，还可获取语种信息片段样本集，根据样本集生成正则表达式，对网页的网址去除语种信息片段后，基于该正则表达式进行正则匹配。

在步骤S230中，对分组内的网页基于网页文本的主要语种的比例确定是否保留与主要语种有关的文本数据。例如，对分组内的网页，获取该网页内的网页文本，对所述网页文本进行语种比例成分检测，若比例最高语种的比例小于预定比例阈值，则过滤掉该网页，否则保留该网页文本中该比例最高语种的文本数据。

在步骤S240中，将分组内保留的文本数据根据不同语种两两组合。

在步骤S250中，对各组合所包含的两个文本数据基于长度比例确定是否保留该组合。

一般来说，平行文本的长度比较相近，而计算文本数据的长度计算量非常小，在步骤S260之前，对各组合所包含的两个文本数据基于长度比例确定是否保留该组合，能淘汰掉大量的不太可能属于平行文本的文本数据组合，可减少进行文本对齐的文本数据组合，显著降低计算量。

需要说明的是，所述长度比例可设置成统一的长度比例范围。鉴于不同语种之间长度比例的合理范围存在差异性，也可为不同的语种对分别设置合理的长度比例范围，以增加筛选的精度。

在步骤S260中，对保留的各组合所包含的文本数据对进行文本对齐获取平行语料。

例如，可确定该文本数据对的两个语种对应的对齐双向词典；对该文本数据对的第一文本数据中的各源语句，从该文本数据对的第二文本数据中取出一个比对语句，执行如下操作：

对所述源语句进行分词和词性过滤得到第一词集，确定所述第一词集中属于所述对齐双向词典中的第一对齐词集；以及对所述比对语句进行分词和词性过滤得到第二词集，确定所述第二词集中属于所述对齐双向词典中的第二对齐词集；根据所述第一词集的词数、第一对齐词集的词数、所述第二词集的词数、以及所述第二对齐词集的词数确定所述源词句和所述比对语句之间的对齐度；若所述对齐度大于预定对齐度阈值，则将所述源语句和所述比对语句组成的语句对作为平行语料。

其中，从文本数据对的第二文本数据中取出一个比对语句，可通过顺次获取所述第一文本数据中的一个语句作为所述源语句，若所述源语句的前一语句与所述第二文本数据中的第I语句之间的对齐度大于所述预定对齐度阈值，且所述I小于所述第二文本数据中语句数，则从所述第二文本数据中取出所述第I语句的下一语句作为所述对比语句，其中所述I为自然数。

于一实施例中，在对各组合所包含的文本数据对进行文本对齐获取平行语料之后，还可筛选出对齐度大于预定第二对齐度阈值的平行语料，其中所述预定第二对齐度阈值大于所述预定对齐度阈值；将所筛选的平行语料传送给用于生成对齐双向词典的训练模型进行训练以优化所述训练模型；采用优化后的所述训练模型生成新的对齐双向词典更新所述对齐双向词典。

在上一实施例的基础之上，本实施例进一步在分组聚合之前，从网页中筛选出网址包含代表语种的语种信息片段的候选网页，初步筛选出平行网页提取平行语料，再将剩下的网页两两组合提取平行语料，通过初步筛选快速处理平行网页，能减少后面对网页文本内容两两匹配和对齐运算的计算量，能提高获取平行语料的整体效率。

作为上述各图所示方法的实现，本申请提供了一种平行语料获取装置的一个实施例,图4示出了本实施例提供的一种平行语料获取装置的结构示意图，该装置实施例与图1至图3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，本实施例所述的平行语料获取装置包括网页识别单元410、网页分组单元420、网页过滤单元430和对齐计算单元440。

所述网页识别单元410被配置为，用于识别存在平行语料的网页。

所述网页分组单元420被配置为，用于对所述网页进行分组。

所述网页过滤单元430被配置为，用于对分组内的网页基于网页文本的主要语种的比例确定是否保留与主要语种有关的文本数据。

所述对齐计算单元440被配置为，用于将分组内保留的文本数据根据不同语种两两组合，对各组合所包含的文本数据对进行文本对齐获取平行语料。

于一实施例中，所述网页识别单元410被配置为，用于从预定网页集中确定网址中包含代表语种的语种信息片段的网页作为所述存在平行语料的网页。

进一步地，所述网页识别单元410被配置为，还用于在从预定网页集中确定网址中包含代表语种的语种信息片段的网页作为所述存在平行语料的网页之前，从周期性抓取的网页中，将当天新增的网页和前N天抓取的网页进行汇聚后作为所述预定网页集，其中所述N为自然数。

于一实施例中，所述网页分组单元420被配置为，用于对所述网页的网址去除所述语种信息片段后进行正则匹配，根据正则匹配结果对所述网页进行分组。

进一步地，所述网页分组单元420被配置为，还用于在对所述网页进行分组之前获取语种信息片段样本集，根据所述样本集生成正则表达式；以及用于对所述网页的网址去除所述语种信息片段后，基于所述正则表达式进行正则匹配。

于一实施例中，所述网页过滤单元430被配置为，用于对分组内的网页，获取该网页内的网页文本，对所述网页文本进行语种比例成分检测，若比例最高语种的比例小于预定比例阈值，则过滤掉该网页，否则保留该网页文本中该比例最高语种的文本数据。

于一实施例中，所述对齐计算单元440被配置为，还用于在对各组合所包含的文本数据对进行文本对齐获取平行语料之前，对各组合所包含的两个文本数据基于长度比例确定是否保留该组合。

于一实施例中，所述对齐计算单元440被配置为，用于确定该文本数据对的两个语种对应的对齐双向词典；对该文本数据对的第一文本数据中的各源语句，从该文本数据对的第二文本数据中取出一个比对语句，执行如下操作：对所述源语句进行分词和词性过滤得到第一词集，确定所述第一词集中属于所述对齐双向词典中的第一对齐词集；以及对所述比对语句进行分词和词性过滤得到第二词集，确定所述第二词集中属于所述对齐双向词典中的第二对齐词集；

根据所述第一词集的词数、第一对齐词集的词数、所述第二词集的词数、以及所述第二对齐词集的词数确定所述源词句和所述比对语句之间的对齐度；

若所述对齐度大于预定对齐度阈值，则将所述源语句和所述比对语句组成的语句对作为平行语料。

进一步地，所述对齐计算单元440被配置为，用于顺次获取所述第一文本数据中的一个语句作为所述源语句，若所述源语句的前一语句与所述第二文本数据中的第I语句之间的对齐度大于所述预定对齐度阈值，且所述I小于所述第二文本数据中语句数，则从所述第二文本数据中取出所述第I语句的下一语句作为所述对比语句，其中所述I为自然数。

本实施例提供的平行语料获取装置可执行本公开方法实施例所提供的平行语料获取方法，具备执行方法相应的功能模块和有益效果。

图5示出了本公开实施例提供的另一种平行语料获取装置的结构示意图，如图5所示，本实施例所述的平行语料获取装置包括网页识别单元510、网页分组单元520、网页过滤单元530、对齐计算单元540和对齐双向词典更新单元550。

所述网页识别单元510被配置为，用于识别存在平行语料的网页。

所述网页分组单元520被配置为，用于对所述网页进行分组。

所述网页过滤单元530被配置为，用于对分组内的网页基于网页文本的主要语种的比例确定是否保留与主要语种有关的文本数据。

所述对齐计算单元540被配置为，用于确定该文本数据对的两个语种对应的对齐双向词典；对该文本数据对的第一文本数据中的各源语句，从该文本数据对的第二文本数据中取出一个比对语句，执行如下操作：

对所述源语句进行分词和词性过滤得到第一词集，确定所述第一词集中属于所述对齐双向词典中的第一对齐词集；以及对所述比对语句进行分词和词性过滤得到第二词集，确定所述第二词集中属于所述对齐双向词典中的第二对齐词集；根据所述第一词集的词数、第一对齐词集的词数、所述第二词集的词数、以及所述第二对齐词集的词数确定所述源词句和所述比对语句之间的对齐度；若所述对齐度大于预定对齐度阈值，则将所述源语句和所述比对语句组成的语句对作为平行语料。

图6是本公开实施例提供的对齐双向词典更新单元550的结构示意图，如图6所示，所述对齐双向词典更新单元550包括平行语料筛选子单元551、模型训练子单元552和词典更新子单元553。

所述平行语料筛选子单元551用于，在对各组合所包含的文本数据对进行文本对齐获取平行语料之后，筛选出对齐度大于预定第二对齐度阈值的平行语料，其中所述预定第二对齐度阈值大于所述预定对齐度阈值。

所述模型训练子单元552被配置为，用于将所筛选的平行语料传送给用于生成对齐双向词典的训练模型进行训练以优化所述训练模型。

所述词典更新子单元553被配置为，用于采用优化后的所述训练模型生成新的对齐双向词典更新所述对齐双向词典。

于一实施例中，所述对齐计算单元540被配置为，用于顺次获取所述第一文本数据中的一个语句作为所述源语句，若所述源语句的前一语句与所述第二文本数据中的第I语句之间的对齐度大于所述预定对齐度阈值，且所述I小于所述第二文本数据中语句数，则从所述第二文本数据中取出所述第I语句的下一语句作为所述对比语句，其中所述I为自然数。

于一实施例中，所述网页识别单元510被配置为，用于从预定网页集中确定网址中包含代表语种的语种信息片段的网页作为所述存在平行语料的网页。

进一步地，所述网页识别单元510被配置为，还用于在从预定网页集中确定网址中包含代表语种的语种信息片段的网页作为所述存在平行语料的网页之前，从周期性抓取的网页中，将当天新增的网页和前N天抓取的网页进行汇聚后作为所述预定网页集，其中所述N为自然数。

于一实施例中，所述网页分组单元520被配置为，用于对所述网页的网址去除所述语种信息片段后进行正则匹配，根据正则匹配结果对所述网页进行分组。

进一步地，所述网页分组单元520被配置为，还用于在对所述网页进行分组之前还，获取语种信息片段样本集，根据所述样本集生成正则表达式；对所述网页的网址去除所述语种信息片段后，基于所述正则表达式进行正则匹配。

于一实施例中，所述网页过滤单元530被配置为，用于对分组内的网页，获取该网页内的网页文本，对所述网页文本进行语种比例成分检测，若比例最高语种的比例小于预定比例阈值，则过滤掉该网页，否则保留该网页文本中该比例最高语种的文本数据。

于一实施例中，所述对齐计算单元540被配置为，还用于在对各组合所包含的文本数据对进行文本对齐获取平行语料之前，对各组合所包含的两个文本数据基于长度比例确定是否保留该组合。

本实施例提供的平行语料获取装置可执行本公开方法实施例所提供的平行语料获取方法，具备执行方法相应的功能模块和有益效果。

下面参考图7，其示出了适于用来实现本公开实施例的电子设备700的结构示意图。本公开实施例中的终端设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图7示出的电子设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。

如图7所示，电子设备700可以包括处理装置(例如中央处理器、图形处理器等)701，其可以根据存储在只读存储器(ROM)702中的程序或者从存储装置708加载到随机访问存储器(RAM)703中的程序而执行各种适当的动作和处理。在RAM 703中，还存储有电子设备700操作所需的各种程序和数据。处理装置701、ROM 702以及RAM 703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。

通常，以下装置可以连接至I/O接口705：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置706；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置707；包括例如磁带、硬盘等的存储装置708；以及通信装置709。通信装置709可以允许电子设备700与其他设备进行无线或有线通信以交换数据。虽然图7示出了具有各种装置的电子设备700，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。

特别地，根据本公开实施例的实施例，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，本公开实施例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装置709从网络上被下载和安装，或者从存储装置708被安装，或者从ROM 702被安装。在该计算机程序被处理装置701执行时，执行本公开实施例的方法中限定的上述功能。

需要说明的是，本公开实施例上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。在本公开实施例中，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。而在本公开实施例中，计算机可读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，该计算机可读信号介质可以发送、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：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。

上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。

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电子设备执行时，使得该电子设备：

识别存在平行语料的网页；

对所述网页进行分组；

对分组内的网页基于网页文本的主要语种的比例确定是否保留与主要语种有关的文本数据；

将分组内保留的文本数据根据不同语种两两组合，对各组合所包含的文本数据对进行文本对齐获取平行语料。

可以以一种或多种程序设计语言或其组合来编写用于执行本公开实施例的操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

附图中的流程图和框图，图示了按照本公开实施例各种实施例的系统、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。

描述于本公开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。其中，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，第一获取单元还可以被描述为“获取至少两个网际协议地址的单元”。

根据本公开的一个或多个实施例，所述平行语料获取方法中，识别存在平行语料的网页包括：从预定网页集中确定网址中包含代表语种的语种信息片段的网页作为所述存在平行语料的网页。

根据本公开的一个或多个实施例，所述平行语料获取方法中，在从预定网页集中确定网址中包含代表语种的语种信息片段的网页作为所述存在平行语料的网页之前还包括：从周期性抓取的网页中，将当天新增的网页和前N天抓取的网页进行汇聚后作为所述预定网页集，其中所述N为自然数。

根据本公开的一个或多个实施例，所述平行语料获取方法中，对所述网页进行分组包括：对所述网页的网址去除所述语种信息片段后进行正则匹配，根据正则匹配结果对所述网页进行分组。

根据本公开的一个或多个实施例，所述平行语料获取方法中，在对所述网页进行分组之前还包括，获取语种信息片段样本集，根据所述样本集生成正则表达式；对所述网页的网址去除所述语种信息片段后进行正则匹配包括：对所述网页的网址去除所述语种信息片段后，基于所述正则表达式进行正则匹配。

根据本公开的一个或多个实施例，所述平行语料获取方法中，对分组内的网页基于网页文本的主要语种的比例确定是否保留与主要语种有关的文本数据包括：对分组内的网页，获取该网页内的网页文本，对所述网页文本进行语种比例成分检测，若比例最高语种的比例小于预定比例阈值，则过滤掉该网页，否则保留该网页文本中该比例最高语种的文本数据。

根据本公开的一个或多个实施例，所述平行语料获取方法中，对各组合所包含的文本数据对进行文本对齐获取平行语料之前还包括：对各组合所包含的两个文本数据基于长度比例确定是否保留该组合。

根据本公开的一个或多个实施例，所述平行语料获取方法中，对各组合所包含的文本数据对进行文本对齐获取平行语料包括：确定该文本数据对的两个语种对应的对齐双向词典；对该文本数据对的第一文本数据中的各源语句，从该文本数据对的第二文本数据中取出一个比对语句，执行如下操作：

对所述源语句进行分词和词性过滤得到第一词集，确定所述第一词集中属于所述对齐双向词典中的第一对齐词集；以及对所述比对语句进行分词和词性过滤得到第二词集，确定所述第二词集中属于所述对齐双向词典中的第二对齐词集；根据所述第一词集的词数、第一对齐词集的词数、所述第二词集的词数、以及所述第二对齐词集的词数确定所述源词句和所述比对语句之间的对齐度；若所述对齐度大于预定对齐度阈值，则将所述源语句和所述比对语句组成的语句对作为平行语料。

根据本公开的一个或多个实施例，所述平行语料获取方法中，对该文本数据对的第一文本数据中的各源语句，从该文本数据对的第二文本数据中取出一个比对语句包括：顺次获取所述第一文本数据中的一个语句作为所述源语句，若所述源语句的前一语句与所述第二文本数据中的第I语句之间的对齐度大于所述预定对齐度阈值，且所述I小于所述第二文本数据中语句数，则从所述第二文本数据中取出所述第I语句的下一语句作为所述对比语句，其中所述I为自然数。

根据本公开的一个或多个实施例，所述平行语料获取方法中，在对各组合所包含的文本数据对进行文本对齐获取平行语料之后还包括：筛选出对齐度大于预定第二对齐度阈值的平行语料，其中所述预定第二对齐度阈值大于所述预定对齐度阈值；将所筛选的平行语料传送给用于生成对齐双向词典的训练模型进行训练以优化所述训练模型；采用优化后的所述训练模型生成新的对齐双向词典更新所述对齐双向词典。

根据本公开的一个或多个实施例，所述平行语料获取装置中，所述网页识别单元用于：从预定网页集中确定网址中包含代表语种的语种信息片段的网页作为所述存在平行语料的网页。

根据本公开的一个或多个实施例，所述平行语料获取装置中，所述网页识别单元还用于，在从预定网页集中确定网址中包含代表语种的语种信息片段的网页作为所述存在平行语料的网页之前，从周期性抓取的网页中，将当天新增的网页和前N天抓取的网页进行汇聚后作为所述预定网页集，其中所述N为自然数。

根据本公开的一个或多个实施例，所述平行语料获取装置中，所述网页分组单元用于：对所述网页的网址去除所述语种信息片段后进行正则匹配，根据正则匹配结果对所述网页进行分组。

根据本公开的一个或多个实施例，所述平行语料获取装置中，所述网页分组单元还用于，在对所述网页进行分组之前还，获取语种信息片段样本集，根据所述样本集生成正则表达式；对所述网页的网址去除所述语种信息片段后，基于所述正则表达式进行正则匹配。

根据本公开的一个或多个实施例，所述平行语料获取装置中，所述网页过滤单元用于：对分组内的网页，获取该网页内的网页文本，对所述网页文本进行语种比例成分检测，若比例最高语种的比例小于预定比例阈值，则过滤掉该网页，否则保留该网页文本中该比例最高语种的文本数据。

根据本公开的一个或多个实施例，所述平行语料获取装置中，所述对齐计算单元还用于，在对各组合所包含的文本数据对进行文本对齐获取平行语料之前，对各组合所包含的两个文本数据基于长度比例确定是否保留该组合。

根据本公开的一个或多个实施例，所述平行语料获取装置中，所述对齐计算单元用于：确定该文本数据对的两个语种对应的对齐双向词典；对该文本数据对的第一文本数据中的各源语句，从该文本数据对的第二文本数据中取出一个比对语句，执行如下操作：

对所述源语句进行分词和词性过滤得到第一词集，确定所述第一词集中属于所述对齐双向词典中的第一对齐词集；以及对所述比对语句进行分词和词性过滤得到第二词集，确定所述第二词集中属于所述对齐双向词典中的第二对齐词集；根据所述第一词集的词数、第一对齐词集的词数、所述第二词集的词数、以及所述第二对齐词集的词数确定所述源词句和所述比对语句之间的对齐度；若所述对齐度大于预定对齐度阈值，则将所述源语句和所述比对语句组成的语句对作为平行语料。

根据本公开的一个或多个实施例，所述平行语料获取装置中，所述对齐计算单元用于对该文本数据对的第一文本数据中的各源语句，从该文本数据对的第二文本数据中取出一个比对语句包括：顺次获取所述第一文本数据中的一个语句作为所述源语句，若所述源语句的前一语句与所述第二文本数据中的第I语句之间的对齐度大于所述预定对齐度阈值，且所述I小于所述第二文本数据中语句数，则从所述第二文本数据中取出所述第I语句的下一语句作为所述对比语句，其中所述I为自然数。

根据本公开的一个或多个实施例，所述平行语料获取装置还包括对齐双向词典更新单元，所述对齐双向词典更新单元包括平行语料筛选子单元、模型训练子单元和词典更新子单元；所述平行语料筛选子单元用于，在对各组合所包含的文本数据对进行文本对齐获取平行语料之后，筛选出对齐度大于预定第二对齐度阈值的平行语料，其中所述预定第二对齐度阈值大于所述预定对齐度阈值；所述模型训练子单元用于，将所筛选的平行语料传送给用于生成对齐双向词典的训练模型进行训练以优化所述训练模型；所述词典更新子单元用于，采用优化后的所述训练模型生成新的对齐双向词典更新所述对齐双向词典。

以上描述仅为本公开实施例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，本公开实施例中所涉及的公开范围，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公开构思的情况下，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。例如上述特征与本公开实施例中公开的(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 (12)

1.一种平行语料获取方法，其特征在于，包括：

根据网页的网址中是否包含代表语种的语种信息片段识别存在平行语料的网页；

对所述网页进行分组；

对分组内的网页基于网页文本的主要语种的比例确定是否保留与主要语种有关的文本数据；

将分组内保留的文本数据根据不同语种两两组合，对各组合所包含的文本数据对进行文本对齐获取平行语料；

其中，对各组合所包含的文本数据对进行文本对齐获取平行语料包括：

确定该文本数据对的两个语种对应的对齐双向词典；

对该文本数据对的第一文本数据中的各源语句，从该文本数据对的第二文本数据中取出一个比对语句，执行如下操作：

对所述源语句进行分词和词性过滤得到第一词集，确定所述第一词集中属于所述对齐双向词典中的第一对齐词集；以及对所述比对语句进行分词和词性过滤得到第二词集，确定所述第二词集中属于所述对齐双向词典中的第二对齐词集；

根据所述第一词集的词数、第一对齐词集的词数、所述第二词集的词数、以及所述第二对齐词集的词数确定所述源语句和所述比对语句之间的对齐度；

若所述对齐度大于预定对齐度阈值，则将所述源语句和所述比对语句组成的语句对作为平行语料。

2.根据权利要求1所述的方法，其特征在于，识别存在平行语料的网页包括：

从预定网页集中确定网址中包含代表语种的语种信息片段的网页作为所述存在平行语料的网页。

3.根据权利要求2所述的方法，其特征在于，在从预定网页集中确定网址中包含代表语种的语种信息片段的网页作为所述存在平行语料的网页之前还包括：

从周期性抓取的网页中，将当天新增的网页和前N天抓取的网页进行汇聚后作为所述预定网页集，其中所述N为自然数。

4.根据权利要求2所述的方法，其特征在于，对所述网页进行分组包括：

对所述网页的网址去除所述语种信息片段后进行正则匹配，根据正则匹配结果对所述网页进行分组。

5.根据权利要求4所述的方法，其特征在于，在对所述网页进行分组之前还包括，获取语种信息片段样本集，根据所述样本集生成正则表达式；

对所述网页的网址去除所述语种信息片段后进行正则匹配包括：对所述网页的网址去除所述语种信息片段后，基于所述正则表达式进行正则匹配。

6.根据权利要求1所述的方法，其特征在于，对分组内的网页基于网页文本的主要语种的比例确定是否保留与主要语种有关的文本数据包括：

对分组内的网页，获取该网页内的网页文本，对所述网页文本进行语种比例成分检测，若比例最高语种的比例小于预定比例阈值，则过滤掉该网页，否则保留该网页文本中该比例最高语种的文本数据。

7.根据权利要求1所述的方法，其特征在于，对各组合所包含的文本数据对进行文本对齐获取平行语料之前还包括：对各组合所包含的两个文本数据基于长度比例确定是否保留该组合。

8.根据权利要求1所述的方法，其特征在于，对该文本数据对的第一文本数据中的各源语句，从该文本数据对的第二文本数据中取出一个比对语句包括：

顺次获取所述第一文本数据中的一个语句作为所述源语句，若所述源语句的前一语句与所述第二文本数据中的第I语句之间的对齐度大于所述预定对齐度阈值，且所述I小于所述第二文本数据中语句数，则从所述第二文本数据中取出所述第I语句的下一语句作为所述对比语句，其中所述I为自然数。

9.根据权利要求1所述的方法，其特征在于，在对各组合所包含的文本数据对进行文本对齐获取平行语料之后还包括：

筛选出对齐度大于预定第二对齐度阈值的平行语料，其中所述预定第二对齐度阈值大于所述预定对齐度阈值；

将所筛选的平行语料传送给用于生成对齐双向词典的训练模型进行训练以优化所述训练模型；

采用优化后的所述训练模型生成新的对齐双向词典更新所述对齐双向词典。

10.一种平行语料获取装置，其特征在于，包括：

网页识别单元，用于根据网页的网址中是否包含代表语种的语种信息片段识别存在平行语料的网页；

网页分组单元，用于对所述网页进行分组；

网页过滤单元，用于对分组内的网页基于网页文本的主要语种的比例确定是否保留与主要语种有关的文本数据；

对齐计算单元，用于将分组内保留的文本数据根据不同语种两两组合，对各组合所包含的文本数据对进行文本对齐获取平行语料；

其中，所述对齐计算单元用于对各组合所包含的文本数据对进行文本对齐获取平行语料包括：

确定该文本数据对的两个语种对应的对齐双向词典；

对该文本数据对的第一文本数据中的各源语句，从该文本数据对的第二文本数据中取出一个比对语句，执行如下操作：

对所述源语句进行分词和词性过滤得到第一词集，确定所述第一词集中属于所述对齐双向词典中的第一对齐词集；以及对所述比对语句进行分词和词性过滤得到第二词集，确定所述第二词集中属于所述对齐双向词典中的第二对齐词集；

根据所述第一词集的词数、第一对齐词集的词数、所述第二词集的词数、以及所述第二对齐词集的词数确定所述源语句和所述比对语句之间的对齐度；

若所述对齐度大于预定对齐度阈值，则将所述源语句和所述比对语句组成的语句对作为平行语料。

11.一种电子设备，其特征在于，包括：

一个或多个处理器；

存储器，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中各项所述方法的指令。

12.一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，该计算机程序被处理器执行时实现如权利要求1-9各项所述方法的步骤。

Images