CN112528633A - 文本纠错方法、装置、电子设备及计算机可读存储介质 - Google Patents
文本纠错方法、装置、电子设备及计算机可读存储介质 Download PDFInfo
- Publication number
- CN112528633A CN112528633A CN202011435068.4A CN202011435068A CN112528633A CN 112528633 A CN112528633 A CN 112528633A CN 202011435068 A CN202011435068 A CN 202011435068A CN 112528633 A CN112528633 A CN 112528633A
- Authority
- CN
- China
- Prior art keywords
- character
- vector
- text
- standard
- similarity
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/232—Orthographic correction, e.g. spell checking or vowelisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/10—Text processing
- G06F40/12—Use of codes for handling textual entities
- G06F40/126—Character encoding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/10—Text processing
- G06F40/166—Editing, e.g. inserting or deleting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/205—Parsing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明涉及语音语义技术,揭露了一种文本纠错方法,包括:对获取的原始文本进行字符拆分,得到字符集;利用表征算法计算字符集中每个字符的字符表征;根据字符集与字符表征构建字符集中每个字符的字符向量;获取标准字符向量集,分别计算字符集中每个字符的字符向量与标准字符向量集中各标准字符向量的相似度;根据相似度从标准字符向量集中筛选出;计算相似向量的先验依赖性概率,根据先验依赖性概率选择相似向量对原始文本进行文本纠错,得到纠错文本。此外,本发明还涉及区块链技术,所述标准字符向量集可存储于区块链的节点。本发明还提出一种文本纠错装置、设备以及介质。本发明可以解决文本纠错的精确度不高的问题。
Description
技术领域
本发明涉及语音语义技术领域,尤其涉及一种文本纠错方法、装置、电子设备及计算机可读存储介质。
背景技术
日常生活中常常使用到一些文本,例如,企业或个人签订的合同文本,订单文本,随着日常生活中文本使用频率的增加,文本中内容的正确性成为了人们关注的重点,由此产生了对识文本内容进行纠错处理的方法。
目前针对文本内容进行纠错的方法多为基于规则式的通用纠错库的文本纠错方法,该方法按照既定的替换规则利用预先给定的标准文本或词语等对待纠错文本中的字符进行替换以实现文本纠错。但该方法在进行字符替换时未参考上下文语义,仅按照既定规则的替换会导致文本纠错的精确度不高。
发明内容
本发明提供一种文本纠错方法、装置及计算机可读存储介质,其主要目的在于解决文本纠错的精确度不高的问题。
为实现上述目的,本发明提供的一种文本纠错方法,包括:
获取原始文本,对所述原始文本进行字符拆分,得到字符集;
利用表征算法计算所述字符集中每个字符的字符表征;
根据所述字符集与所述字符表征构建所述字符集中每个字符的字符向量;
获取标准字符向量集,分别计算所述字符集中每个字符的字符向量与所述标准字符向量集中各标准字符向量的相似度;
根据所述相似度从所述标准字符向量集中筛选出所述字符集中每个字符的字符向量的相似向量;
计算所述相似向量的先验依赖性概率,根据所述先验依赖性概率选择相似向量对所述原始文本进行文本纠错,得到纠错文本。
可选地,所述对所述原始文本进行字符拆分,得到字符集,包括:
遍历所述原始文本并在所述原始文本中每个字符间插入分隔符;
按照所述分隔符将所述原始文本进行拆分,得到字符集。
可选地,所述根据所述字符集与所述字符表征构建所述字符集中每个字符的字符向量,包括:
将所述字符集中每个字符进行编码转化,得到字符编码;
将所述字符编码与所述字符表征进行算术运算,得到字符向量。
可选地,所述分别计算所述字符集中每个字符的字符向量与所述标准字符向量集中各标准字符向量的相似度,包括:
利用如下相似度算法计算所述字符集中每个字符的字符向量与所述标准字符向量集中各标准字符向量的相似度:
其中,S(Xn,Ym)为所述距离值,Xn为所述字符集中第n个字符的字符向量,Ym为所述标准字符向量集中第m个标准字符向量。
可选地,所述根据所述相似度从所述标准字符向量集中筛选出所述字符集中每个字符的字符向量的相似向量,包括:
当所述相似度小于或等于预设的相似阈值时,确定所述标准字符向量与所述字符向量不相似;
当所述相似度大于所述相似阈值时,确定所述标准字符向量与所述字符向量相似,将所述标准字符向量作为所述字符向量的相似向量。
可选地,所述根据所述先验依赖性概率选择相似向量对所述原始文本进行文本纠错,得到纠错文本,包括:
当所述先验依赖性概率小于或等于预设的概率阈值时,保留与所述相似向量对应的字符向量;
当所述先验依赖性概率大于所述概率阈值时,利用所述相似向量对与所述相似向量对应的字符向量进行替换,的到纠错文本。
可选地,所述获取原始文本,包括:
查询所述原始文本的存储地址;
检测所述存储地址的存储环境;
通过与所述存储环境对应的编译器编译得到文本调用语句;
执行所述文本调用语句从所述存储地址中获取所述原始文本。
为了解决上述问题,本发明还提供一种文本纠错装置,所述装置包括:
字符拆分模块,用于获取原始文本,对所述原始文本进行字符拆分,得到字符集;
表征计算模块,用于利用表征算法计算所述字符集中每个字符的字符表征;
向量构建模块,用于根据所述字符集与所述字符表征构建所述字符集中每个字符的字符向量;
相似度计算模块,用于获取标准字符向量集,分别计算所述字符集中每个字符的字符向量与所述标准字符向量集中各标准字符向量的相似度;
向量筛选模块,用于根据所述相似度从所述标准字符向量集中筛选出所述字符集中每个字符的字符向量的相似向量;
文本纠错模块,用于计算所述相似向量的先验依赖性概率,根据所述先验依赖性概率选择相似向量对所述原始文本进行文本纠错,得到纠错文本。
为了解决上述问题,本发明还提供一种电子设备,所述电子设备包括:
存储器,存储至少一个指令;及
处理器,执行所述存储器中存储的指令以实现上述所述的文本纠错方法。
为了解决上述问题,本发明还提供一种计算机可读存储介质,所述计算机可读存储介质中存储有至少一个指令,所述至少一个指令被电子设备中的处理器执行以实现上述所述的文本纠错方法。
本发明实施例通过对原始文本进行字符拆分,可将原始文本从较长的语句拆分为多个字符,以减少单个字符中所包含的语义,有利于提高对原始文本进行分析的效率,进而提高文本纠错的效率;利用字符集与字符集中每个字符对应的字符表征构建出字符集中每个字符的字符向量,可唯一标识该字符的特征,避免后续在对字符向量进行分析时出现字符与字符向量关系不明确的情况,有利于提高文本纠错的精确度;计算字符集中每个字符的字符向量与标准字符向量集中各标准字符向量的相似度,通过相似度从标准字符向量集中筛选出字符向量的相似向量,有利于提高根据相似向量对文本进行纠错的正确率;计算相似向量的先验依赖性概率,根据先验依赖性概率选择相似向量对所述原始文本进行文本纠错,利用先验依赖性概率考虑到了字符前后文的关系,有利于提高文本纠错的精确度。因此本发明提出的文本纠错方法、装置、电子设备及计算机可读存储介质,可以解决文本纠错的精确度不高的问题。
附图说明
图1为本发明一实施例提供的文本纠错方法的流程示意图;
图2为本发明一实施例提供的文本纠错装置的功能模块图;
图3为本发明一实施例提供的实现所述文本纠错方法的电子设备的结构示意图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本申请实施例提供一种文本纠错方法。所述文本纠错方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之,所述文本纠错方法可以由安装在终端设备或服务端设备的软件或硬件来执行,所述软件可以是区块链平台。所述服务端包括但不限于:单台服务器、服务器集群、云端服务器或云端服务器集群等。
参照图1所示,为本发明一实施例提供的文本纠错方法的流程示意图。在本实施例中,所述文本纠错方法包括:
S1、获取原始文本,对所述原始文本进行字符拆分,得到字符集。
本发明实施例中,所述原始文本为任何带有文字的文本,例如,合同文本、需求文本、产品信息文本等。
详细地,所述获取原始文本,包括:
查询所述原始文本的存储地址;
检测所述存储地址的存储环境;
通过与所述存储环境对应的编译器编译得到文本调用语句;
执行所述文本调用语句从所述存储地址中获取所述原始文本。
具体地,本发明实施例利用具有数据查询功能的python语句查询原始文本的存储地址;存储地址的存储环境由存储地址所在的环境所决定,例如,当所述存储地址为java数据库时,则存储地址的存储环境为java环境。
进一步地,所述对所述原始文本进行字符拆分,得到字符集,包括:
遍历所述原始文本并在所述原始文本中每个字符间插入分隔符;
按照所述分隔符将所述原始文本进行拆分,得到字符集。
详细地,所述分隔符可由用户预先定义,例如,预先定义分隔符为“<”。
例如,存在文本:“张华的求生欲很强不愿输给李明”,则遍历该文本并在该文本中每个字符间插入预设的分隔符“<”,得到插入分隔符后的文本:“张<华<的<求<生<欲<很<强<不<愿<输<给<李<明”,并按照分隔符对原始文本进行拆分,得到字符集。
本发明实施例对原始文本进行字符拆分,可将原始文本从较长的语句拆分为多个字符,以减少单个字符中所包含的语义,有利于提高对原始文本进行分析的效率,进而提高文本纠错的效率。
S2、利用表征算法计算所述字符集中每个字符的字符表征。
本发明实施例中,所述字符表征是指可以反映字符重要程度的指标,例如,表示字符出现频率的频率指标、表示字符权重的权重指标等。
本发明实施例中,所述利用表征算法计算所述字符集中每个字符的字符表征,包括:
利用如下表征算法计算所述字符集中每个字符的字符表征:
TD=TFi×IDFi
其中,TFi为字符i在所述字符集中出现的频率,IDFi为字符i在所述字符集中出现的频率的相反值。
S3、根据所述字符集与所述字符表征构建所述字符集中每个字符的字符向量。
本发明实施例中,所述根据所述字符集与所述字符表征构建所述字符集中每个字符的字符向量,包括:
将所述字符集中每个字符进行编码转化,得到字符编码;
将所述字符编码与所述字符表征进行算术运算,得到字符向量。
详细地,本发明实施例利用预设的编码器对所述字符集中每个字符进行编码转化,所述编码器包括但不限于ASCII(American Standard Code for InformationInterchange,美国标准信息交换代码)编码器。
所述将所述字符编码与所述字符表征进行算术运算具体是指:将所述字符集中每个字符对应的字符编码和所述字符集每个字符对应的字符表征进行算术运算,得到字符向量。
具体地,本发明实施例可将字符集中的各字符对应的字符编码与各字符对应的字符表征进行相乘并加总,得到字符向量,例如,字符集中存在字符1对应的字符编码为A、字符2对应的字符编码为B和字符3对应的字符编码为C;字符1对应的字符表征为a,字符2对应的字符表征为b,字符3对应的字符表征为c,则将每个字符对应的字符编码和每个字符对应的字符表征进行算术运算,得到字符1的字符向量为A*a,字符2的字符向量为B*b,字符3的字符向量为C*c。
由于不同舆情信息的字符集中包含多个字符,且不同字符的字符表征不相同,因此利用字符集与字符集中每个字符对应的字符表征构建出字符集中每个字符的字符向量,可唯一标识该字符的特征,避免后续在对字符向量进行分析时出现字符与字符向量关系不明确的情况,有利于提高后续对字符向量进行分析的精确度。
S4、获取标准字符向量集,分别计算所述字符集中每个字符的字符向量与所述标准字符向量集中各标准字符向量的相似度。
本发明实施例中,所述标准字符向量集包括多个字符对应的标准字符向量,可用于对错误文本进行文本纠错。
详细地,所述获取标准字符向量集,包括:
获取用于存储所述标准字符向量集的区块链节点的数据传输参数;
根据所述数据传输参数配置所述区块链节点的数据传输脚本;
执行所述数据传输脚本从所述区块链节点中获取所述标准字符向量集。
具体地,本发明实施例利用具有参数抓取功能的python语句从所述区块链节点中抓取所述数据传输参数,所述配置所述区块链节点的数据传输文件包括配置从区块链节点中获取标准字符向量集所需的传输条件、传输接口与传输类型等。
本发明实施例中,所述标准字符向量集可存储于预先构建的区块链节点中,利用区块链节点对数据的高吞吐性,可提高获取行业薪酬数据的效率。
进一步地,所述分别计算所述字符集中每个字符的字符向量与所述标准字符向量集中各标准字符向量的相似度,包括:
利用如下相似度算法计算所述字符集中每个字符的字符向量与所述标准字符向量集中各标准字符向量的相似度:
其中,S(Xn,Ym)为所述距离值,Xn为所述字符集中第n个字符的字符向量,Ym为所述标准字符向量集中第m个标准字符向量。
S5、根据所述相似度从所述标准字符向量集中筛选出所述字符集中每个字符的字符向量的相似向量。
本发明实施例中,所述根据所述相似度从所述标准字符向量集中筛选出所述字符集中每个字符的字符向量的相似向量,包括:
当所述相似度小于或等于预设的相似阈值时,确定所述标准字符向量与所述字符向量不相似;
当所述相似度大于所述相似阈值时,确定所述标准字符向量与所述字符向量相似,将所述标准字符向量作为所述字符向量的相似向量。
例如,存在字符向量α,标准字符向量集包括标准字符向量β、标准字符向量γ、标准字符向量δ、标准字符向量ε和标准字符向量θ,其中,字符向量α和标准字符向量β的相似度为80,字符向量α和标准字符向量γ的相似度为70,字符向量α和标准字符向量δ的相似度为60,字符向量α和标准字符向量ε的相似度为50,字符向量α和标准字符向量θ的相似度为40,当相似阈值为55时,确定标准字符向量β、标准字符向量γ和标准字符向量δ为字符向量α的相似向量。
本发明实施例计算字符集中每个字符的字符向量与标准字符向量集中各标准字符向量的相似度,通过相似度从标准字符向量集中筛选出字符向量的相似向量,有利于提高根据相似向量对文本进行纠错的正确率。
S6、计算所述相似向量的先验依赖性概率,根据所述先验依赖性概率选择相似向量对所述原始文本进行文本纠错,得到纠错文本。
本发明实施例中,所述先验依赖性概率是文本中任一字符的一个或多个前置字符出现时,该字符会出现的概率,例如,存在文本“小明遇到逆竟”,字符“竟”的先验依赖性概率指字符“竟”的前置字符“小”、“明”、“遇”、“到”和“逆”中一个或多个字符出现时,字符“竟”出现的概率。
本发明实施例通过将所述相似向量代入与所述相似向量对应的字符向量的位置以计算所述相似向量的先验依赖性概率。
详细地,所述计算所述相似向量的先验依赖性概率,包括:
利用如下概率算法计算所述相似向量的先验依赖性概率:
其中,H(ρ)为第ρ个相似向量的先验依赖性概率,ρ为第ρ个相似向量,xi为所述第ρ个相似向量的前置字符中第i个字符,k为第ρ个相似向量的前置字符的个数,p为求概率运算符。
本发明实施例中,所述根据所述先验依赖性概率选择相似向量对所述原始文本进行文本纠错,得到纠错文本,包括:
当所述先验依赖性概率小于或等于预设的概率阈值时,保留与所述相似向量对应的字符向量;
当所述先验依赖性概率大于所述概率阈值时,利用所述相似向量对与所述相似向量对应的字符向量进行替换,的到纠错文本。
例如,存在文本“小明遇到逆竟”,其中,字符“竟”的相似向量有“镜”、“尽”、“境”和“敬”分别对应的标准字符向量,其中,将字符“镜”代入字符“竟”所在的文本位置计算得到的先验依赖性概率为20,将字符“尽”代入字符“竟”所在的文本位置计算得到的先验依赖性概率为50,将字符“境”代入字符“竟”所在的文本位置计算得到的先验依赖性概率为80,将字符“敬”代入字符“竟”所在的文本位置计算得到的先验依赖性概率为55,当预设的概率阈值为70时,确认字符“竟”的正确文本为字符“境”,则利用字符“境”对字符“竟”进行替换,得到纠错文本“小明遇到逆境”。
本发明实施例通过对原始文本进行字符拆分,可将原始文本从较长的语句拆分为多个字符,以减少单个字符中所包含的语义,有利于提高对原始文本进行分析的效率,进而提高文本纠错的效率;利用字符集与字符集中每个字符对应的字符表征构建出字符集中每个字符的字符向量,可唯一标识该字符的特征,避免后续在对字符向量进行分析时出现字符与字符向量关系不明确的情况,有利于提高文本纠错的精确度;计算字符集中每个字符的字符向量与标准字符向量集中各标准字符向量的相似度,通过相似度从标准字符向量集中筛选出字符向量的相似向量,有利于提高根据相似向量对文本进行纠错的正确率;计算相似向量的先验依赖性概率,根据先验依赖性概率选择相似向量对所述原始文本进行文本纠错,利用先验依赖性概率考虑到了字符前后文的关系,有利于提高文本纠错的精确度。因此本发明提出的文本纠错方法,可以解决文本纠错的精确度不高的问题。
如图2所示,是本发明一实施例提供的文本纠错装置的功能模块图。
本发明所述文本纠错装置100可以安装于电子设备中。根据实现的功能,所述文本纠错装置100可以包括字符拆分模块101、表征计算模块102、向量构建模块103、相似度计算模块104、向量筛选模块105和文本纠错模块106。本发明所述模块也可以称之为单元,是指一种能够被电子设备处理器所执行,并且能够完成固定功能的一系列计算机程序段,其存储在电子设备的存储器中。
在本实施例中,关于各模块/单元的功能如下:
所述字符拆分模块101,用于获取原始文本,对所述原始文本进行字符拆分,得到字符集。
本发明实施例中,所述原始文本为任何带有文字的文本,例如,合同文本、需求文本、产品信息文本等。
详细地,所述字符拆分模块101具体用于:
查询所述原始文本的存储地址;
检测所述存储地址的存储环境;
通过与所述存储环境对应的编译器编译得到文本调用语句;
执行所述文本调用语句从所述存储地址中获取所述原始文本;
遍历所述原始文本并在所述原始文本中每个字符间插入分隔符;
按照所述分隔符将所述原始文本进行拆分,得到字符集。
具体地,本发明实施例利用具有数据查询功能的python语句查询原始文本的存储地址;存储地址的存储环境由存储地址所在的环境所决定,例如,当所述存储地址为java数据库时,则存储地址的存储环境为java环境。
详细地,所述分隔符可由用户预先定义,例如,预先定义分隔符为“<”。
例如,存在文本:“张华的求生欲很强不愿输给李明”,则遍历该文本并在该文本中每个字符间插入预设的分隔符“<”,得到插入分隔符后的文本:“张<华<的<求<生<欲<很<强<不<愿<输<给<李<明”,并按照分隔符对原始文本进行拆分,得到字符集。
本发明实施例对原始文本进行字符拆分,可将原始文本从较长的语句拆分为多个字符,以减少单个字符中所包含的语义,有利于提高对原始文本进行分析的效率,进而提高文本纠错的效率。
所述表征计算模块102,用于利用表征算法计算所述字符集中每个字符的字符表征。
本发明实施例中,所述字符表征是指可以反映字符重要程度的指标,例如,表示字符出现频率的频率指标、表示字符权重的权重指标等。
本发明实施例中,所述表征计算模块102具体用于:
利用如下表征算法计算所述字符集中每个字符的字符表征:
TD=TFi×IDFi
其中,TFi为字符i在所述字符集中出现的频率,IDFi为字符i在所述字符集中出现的频率的相反值。
所述向量构建模块103,用于根据所述字符集与所述字符表征构建所述字符集中每个字符的字符向量。
本发明实施例中,所述向量构建模块103具体用于:
将所述字符集中每个字符进行编码转化,得到字符编码;
将所述字符编码与所述字符表征进行算术运算,得到字符向量。
详细地,本发明实施例利用预设的编码器对所述字符集中每个字符进行编码转化,所述编码器包括但不限于ASCII(American Standard Code for InformationInterchange,美国标准信息交换代码)编码器。
所述将所述字符编码与所述字符表征进行算术运算具体是指:将所述字符集中每个字符对应的字符编码和所述字符集每个字符对应的字符表征进行算术运算,得到字符向量。
具体地,本发明实施例可将字符集中的各字符对应的字符编码与各字符对应的字符表征进行相乘并加总,得到字符向量,例如,字符集中存在字符1对应的字符编码为A、字符2对应的字符编码为B和字符3对应的字符编码为C;字符1对应的字符表征为a,字符2对应的字符表征为b,字符3对应的字符表征为c,则将每个字符对应的字符编码和每个字符对应的字符表征进行算术运算,得到字符1的字符向量为A*a,字符2的字符向量为B*b,字符3的字符向量为C*c。
由于不同舆情信息的字符集中包含多个字符,且不同字符的字符表征不相同,因此利用字符集与字符集中每个字符对应的字符表征构建出字符集中每个字符的字符向量,可唯一标识该字符的特征,避免后续在对字符向量进行分析时出现字符与字符向量关系不明确的情况,有利于提高后续对字符向量进行分析的精确度。
所述相似度计算模块104,用于获取标准字符向量集,分别计算所述字符集中每个字符的字符向量与所述标准字符向量集中各标准字符向量的相似度。
本发明实施例中,所述标准字符向量集包括多个字符对应的标准字符向量,可用于对错误文本进行文本纠错。
详细地,所述相似度计算模块104具体用于:
获取用于存储所述标准字符向量集的区块链节点的数据传输参数;
根据所述数据传输参数配置所述区块链节点的数据传输脚本;
执行所述数据传输脚本从所述区块链节点中获取所述标准字符向量集。
具体地,本发明实施例利用具有参数抓取功能的python语句从所述区块链节点中抓取所述数据传输参数,所述配置所述区块链节点的数据传输文件包括配置从区块链节点中获取标准字符向量集所需的传输条件、传输接口与传输类型等。
本发明实施例中,所述标准字符向量集可存储于预先构建的区块链节点中,利用区块链节点对数据的高吞吐性,可提高获取行业薪酬数据的效率。
进一步地,所述分别计算所述字符集中每个字符的字符向量与所述标准字符向量集中各标准字符向量的相似度,包括:
利用如下相似度算法计算所述字符集中每个字符的字符向量与所述标准字符向量集中各标准字符向量的相似度:
其中,S(Xn,Ym)为所述距离值,Xn为所述字符集中第n个字符的字符向量,Ym为所述标准字符向量集中第m个标准字符向量。
所述向量筛选模块105,用于根据所述相似度从所述标准字符向量集中筛选出所述字符集中每个字符的字符向量的相似向量。
本发明实施例中,所述向量筛选模块105具体用于:
当所述相似度小于或等于预设的相似阈值时,确定所述标准字符向量与所述字符向量不相似;
当所述相似度大于所述相似阈值时,确定所述标准字符向量与所述字符向量相似,将所述标准字符向量作为所述字符向量的相似向量。
例如,存在字符向量α,标准字符向量集包括标准字符向量β、标准字符向量γ、标准字符向量δ、标准字符向量ε和标准字符向量θ,其中,字符向量α和标准字符向量β的相似度为80,字符向量α和标准字符向量γ的相似度为70,字符向量α和标准字符向量δ的相似度为60,字符向量α和标准字符向量ε的相似度为50,字符向量α和标准字符向量θ的相似度为40,当相似阈值为55时,确定标准字符向量β、标准字符向量γ和标准字符向量δ为字符向量α的相似向量。
本发明实施例计算字符集中每个字符的字符向量与标准字符向量集中各标准字符向量的相似度,通过相似度从标准字符向量集中筛选出字符向量的相似向量,有利于提高根据相似向量对文本进行纠错的正确率。
所述文本纠错模块106,用于计算所述相似向量的先验依赖性概率,根据所述先验依赖性概率选择相似向量对所述原始文本进行文本纠错,得到纠错文本。
本发明实施例中,所述先验依赖性概率是文本中任一字符的一个或多个前置字符出现时,该字符会出现的概率,例如,存在文本“小明遇到逆竟”,字符“竟”的先验依赖性概率指字符“竟”的前置字符“小”、“明”、“遇”、“到”和“逆”中一个或多个字符出现时,字符“竟”出现的概率。
本发明实施例通过将所述相似向量代入与所述相似向量对应的字符向量的位置以计算所述相似向量的先验依赖性概率。
详细地,所述计算所述相似向量的先验依赖性概率,包括:
利用如下概率算法计算所述相似向量的先验依赖性概率:
其中,H(ρ)为第ρ个相似向量的先验依赖性概率,ρ为第ρ个相似向量,xi为所述第ρ个相似向量的前置字符中第i个字符,k为第ρ个相似向量的前置字符的个数,p为求概率运算符。
本发明实施例中,所述文本纠错模块106具体用于:
计算所述相似向量的先验依赖性概率;
当所述先验依赖性概率小于或等于预设的概率阈值时,保留与所述相似向量对应的字符向量;
当所述先验依赖性概率大于所述概率阈值时,利用所述相似向量对与所述相似向量对应的字符向量进行替换,的到纠错文本。
例如,存在文本“小明遇到逆竟”,其中,字符“竟”的相似向量有“镜”、“尽”、“境”和“敬”分别对应的标准字符向量,其中,将字符“镜”代入字符“竟”所在的文本位置计算得到的先验依赖性概率为20,将字符“尽”代入字符“竟”所在的文本位置计算得到的先验依赖性概率为50,将字符“境”代入字符“竟”所在的文本位置计算得到的先验依赖性概率为80,将字符“敬”代入字符“竟”所在的文本位置计算得到的先验依赖性概率为55,当预设的概率阈值为70时,确认字符“竟”的正确文本为字符“境”,则利用字符“境”对字符“竟”进行替换,得到纠错文本“小明遇到逆境”。
本发明实施例通过对原始文本进行字符拆分,可将原始文本从较长的语句拆分为多个字符,以减少单个字符中所包含的语义,有利于提高对原始文本进行分析的效率,进而提高文本纠错的效率;利用字符集与字符集中每个字符对应的字符表征构建出字符集中每个字符的字符向量,可唯一标识该字符的特征,避免后续在对字符向量进行分析时出现字符与字符向量关系不明确的情况,有利于提高文本纠错的精确度;计算字符集中每个字符的字符向量与标准字符向量集中各标准字符向量的相似度,通过相似度从标准字符向量集中筛选出字符向量的相似向量,有利于提高根据相似向量对文本进行纠错的正确率;计算相似向量的先验依赖性概率,根据先验依赖性概率选择相似向量对所述原始文本进行文本纠错,利用先验依赖性概率考虑到了字符前后文的关系,有利于提高文本纠错的精确度。因此本发明提出的文本纠错装置,可以解决文本纠错的精确度不高的问题。
如图3所示,是本发明一实施例提供的实现文本纠错方法的电子设备的结构示意图。
所述电子设备1可以包括处理器10、存储器11和总线,还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序,如文本纠错程序12。
其中,所述存储器11至少包括一种类型的可读存储介质,所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如:SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备1的内部存储单元,例如该电子设备1的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备1的外部存储设备,例如电子设备1上配备的插接式移动硬盘、智能存储卡(Smart Media Card,SMC)、安全数字(SecureDigital,SD)卡、闪存卡(Flash Card)等。进一步地,所述存储器11还可以既包括电子设备1的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备1的应用软件及各类数据,例如文本纠错程序12的代码等,还可以用于暂时地存储已经输出或者将要输出的数据。
所述处理器10在一些实施例中可以由集成电路组成,例如可以由单个封装的集成电路所组成,也可以是由多个相同功能或不同功能封装的集成电路所组成,包括一个或者多个中央处理器(Central Processing unit,CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心(Control Unit),利用各种接口和线路连接整个电子设备的各个部件,通过运行或执行存储在所述存储器11内的程序或者模块(例如文本纠错程序等),以及调用存储在所述存储器11内的数据,以执行电子设备1的各种功能和处理数据。
所述总线可以是外设部件互连标准(peripheral component interconnect,简称PCI)总线或扩展工业标准结构(extended industry standard architecture,简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
图3仅示出了具有部件的电子设备,本领域技术人员可以理解的是,图3示出的结构并不构成对所述电子设备1的限定,可以包括比图示更少或者更多的部件,或者组合某些部件,或者不同的部件布置。
例如,尽管未示出,所述电子设备1还可以包括给各个部件供电的电源(比如电池),优选地,电源可以通过电源管理装置与所述至少一个处理器10逻辑相连,从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备1还可以包括多种传感器、蓝牙模块、Wi-Fi模块等,在此不再赘述。
进一步地,所述电子设备1还可以包括网络接口,可选地,所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等),通常用于在该电子设备1与其他电子设备之间建立通信连接。
可选地,该电子设备1还可以包括用户接口,用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard)),可选地,用户接口还可以是标准的有线接口、无线接口。可选地,在一些实施例中,显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode,有机发光二极管)触摸器等。其中,显示器也可以适当的称为显示屏或显示单元,用于显示在电子设备1中处理的信息以及用于显示可视化的用户界面。
应该了解,所述实施例仅为说明之用,在专利申请范围上并不受此结构的限制。
所述电子设备1中的所述存储器11存储的文本纠错程序12是多个指令的组合,在所述处理器10中运行时,可以实现:
获取原始文本,对所述原始文本进行字符拆分,得到字符集;
利用表征算法计算所述字符集中每个字符的字符表征;
根据所述字符集与所述字符表征构建所述字符集中每个字符的字符向量;
获取标准字符向量集,分别计算所述字符集中每个字符的字符向量与所述标准字符向量集中各标准字符向量的相似度;
根据所述相似度从所述标准字符向量集中筛选出所述字符集中每个字符的字符向量的相似向量;
计算所述相似向量的先验依赖性概率,根据所述先验依赖性概率选择相似向量对所述原始文本进行文本纠错,得到纠错文本。
具体地,所述处理器10对上述指令的具体实现方法可参考图1对应实施例中相关步骤的描述,在此不赘述。
进一步地,所述电子设备1集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读存储介质中。所述计算机可读存储介质可以是易失性的,也可以是非易失性的。例如,所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)。
本发明还提供一种计算机可读存储介质,所述可读存储介质存储有计算机程序,所述计算机程序在被电子设备的处理器所执行时,可以实现:
获取原始文本,对所述原始文本进行字符拆分,得到字符集;
利用表征算法计算所述字符集中每个字符的字符表征;
根据所述字符集与所述字符表征构建所述字符集中每个字符的字符向量;
获取标准字符向量集,分别计算所述字符集中每个字符的字符向量与所述标准字符向量集中各标准字符向量的相似度;
根据所述相似度从所述标准字符向量集中筛选出所述字符集中每个字符的字符向量的相似向量;
计算所述相似向量的先验依赖性概率,根据所述先验依赖性概率选择相似向量对所述原始文本进行文本纠错,得到纠错文本。
在本发明所提供的几个实施例中,应该理解到,所揭露的设备,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。
因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain),本质上是一个去中心化的数据库,是一串使用密码学方法相关联产生的数据块,每一个数据块中包含了一批次网络交易的信息,用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
此外,显然“包括”一词不排除其他单元或步骤,单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第二等词语用来表示名称,而并不表示任何特定的顺序。
最后应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或等同替换,而不脱离本发明技术方案的精神和范围。
Claims (10)
1.一种文本纠错方法,其特征在于,所述方法包括:
获取原始文本,对所述原始文本进行字符拆分,得到字符集;
利用表征算法计算所述字符集中每个字符的字符表征;
根据所述字符集与所述字符表征构建所述字符集中每个字符的字符向量;
获取标准字符向量集,分别计算所述字符集中每个字符的字符向量与所述标准字符向量集中各标准字符向量的相似度;
根据所述相似度从所述标准字符向量集中筛选出所述字符集中每个字符的字符向量的相似向量;
计算所述相似向量的先验依赖性概率,根据所述先验依赖性概率选择相似向量对所述原始文本进行文本纠错,得到纠错文本。
2.如权利要求1所述的文本纠错方法,其特征在于,所述对所述原始文本进行字符拆分,得到字符集,包括:
遍历所述原始文本并在所述原始文本中每个字符间插入分隔符;
按照所述分隔符将所述原始文本进行拆分,得到字符集。
3.如权利要求1所述的文本纠错方法,其特征在于,所述根据所述字符集与所述字符表征构建所述字符集中每个字符的字符向量,包括:
将所述字符集中每个字符进行编码转化,得到字符编码;
将所述字符编码与所述字符表征进行算术运算,得到字符向量。
5.如权利要求1至4中任一项所述的文本纠错方法,其特征在于,所述根据所述相似度从所述标准字符向量集中筛选出所述字符集中每个字符的字符向量的相似向量,包括:
当所述相似度小于或等于预设的相似阈值时,确定所述标准字符向量与所述字符向量不相似;
当所述相似度大于所述相似阈值时,确定所述标准字符向量与所述字符向量相似,将所述标准字符向量作为所述字符向量的相似向量。
6.如权利要求1所述的文本纠错方法,其特征在于,所述根据所述先验依赖性概率选择相似向量对所述原始文本进行文本纠错,得到纠错文本,包括:
当所述先验依赖性概率小于或等于预设的概率阈值时,保留与所述相似向量对应的字符向量;
当所述先验依赖性概率大于所述概率阈值时,利用所述相似向量对与所述相似向量对应的字符向量进行替换,的到纠错文本。
7.如权利要求1所述的文本纠错方法,其特征在于,所述获取原始文本,包括:
查询所述原始文本的存储地址;
检测所述存储地址的存储环境;
通过与所述存储环境对应的编译器编译得到文本调用语句;
执行所述文本调用语句从所述存储地址中获取所述原始文本。
8.一种文本纠错装置,其特征在于,所述装置包括:
字符拆分模块,用于获取原始文本,对所述原始文本进行字符拆分,得到字符集;
表征计算模块,用于利用表征算法计算所述字符集中每个字符的字符表征;
向量构建模块,用于根据所述字符集与所述字符表征构建所述字符集中每个字符的字符向量;
相似度计算模块,用于获取标准字符向量集,分别计算所述字符集中每个字符的字符向量与所述标准字符向量集中各标准字符向量的相似度;
向量筛选模块,用于根据所述相似度从所述标准字符向量集中筛选出所述字符集中每个字符的字符向量的相似向量;
文本纠错模块,用于计算所述相似向量的先验依赖性概率,根据所述先验依赖性概率选择相似向量对所述原始文本进行文本纠错,得到纠错文本。
9.一种电子设备,其特征在于,所述电子设备包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行如权利要求1至7中任意一项所述的文本纠错方法。
10.一种计算机可读存储介质,存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7中任意一项所述的文本纠错方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011435068.4A CN112528633A (zh) | 2020-12-10 | 2020-12-10 | 文本纠错方法、装置、电子设备及计算机可读存储介质 |
PCT/CN2021/083717 WO2022121172A1 (zh) | 2020-12-10 | 2021-03-30 | 文本纠错方法、装置、电子设备及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011435068.4A CN112528633A (zh) | 2020-12-10 | 2020-12-10 | 文本纠错方法、装置、电子设备及计算机可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112528633A true CN112528633A (zh) | 2021-03-19 |
Family
ID=74999132
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011435068.4A Pending CN112528633A (zh) | 2020-12-10 | 2020-12-10 | 文本纠错方法、装置、电子设备及计算机可读存储介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN112528633A (zh) |
WO (1) | WO2022121172A1 (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022121172A1 (zh) * | 2020-12-10 | 2022-06-16 | 平安科技(深圳)有限公司 | 文本纠错方法、装置、电子设备及计算机可读存储介质 |
CN114661688A (zh) * | 2022-03-25 | 2022-06-24 | 马上消费金融股份有限公司 | 地址纠错方法及装置 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004265004A (ja) * | 2003-02-28 | 2004-09-24 | Techno Network Shikoku Co Ltd | 固有情報の文字列入力誤り認知システムと文字列入力誤り認知方法 |
CN108363686A (zh) * | 2018-01-12 | 2018-08-03 | 中国平安人寿保险股份有限公司 | 一种字符串分词方法、装置、终端设备及存储介质 |
CN108280051B (zh) * | 2018-01-22 | 2019-04-05 | 清华大学 | 一种文本数据中错误字符的检测方法、装置和设备 |
CN108874174B (zh) * | 2018-05-29 | 2020-04-24 | 腾讯科技(深圳)有限公司 | 一种文本纠错方法、装置以及相关设备 |
CN110362824B (zh) * | 2019-06-24 | 2022-12-02 | 广州多益网络股份有限公司 | 一种自动纠错的方法、装置、终端设备及存储介质 |
CN111931489B (zh) * | 2020-07-29 | 2023-08-08 | 中国工商银行股份有限公司 | 文本纠错方法、装置和设备 |
CN112528633A (zh) * | 2020-12-10 | 2021-03-19 | 平安科技(深圳)有限公司 | 文本纠错方法、装置、电子设备及计算机可读存储介质 |
-
2020
- 2020-12-10 CN CN202011435068.4A patent/CN112528633A/zh active Pending
-
2021
- 2021-03-30 WO PCT/CN2021/083717 patent/WO2022121172A1/zh active Application Filing
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022121172A1 (zh) * | 2020-12-10 | 2022-06-16 | 平安科技(深圳)有限公司 | 文本纠错方法、装置、电子设备及计算机可读存储介质 |
CN114661688A (zh) * | 2022-03-25 | 2022-06-24 | 马上消费金融股份有限公司 | 地址纠错方法及装置 |
CN114661688B (zh) * | 2022-03-25 | 2023-09-19 | 马上消费金融股份有限公司 | 地址纠错方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
WO2022121172A1 (zh) | 2022-06-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111814962A (zh) | 识别模型的参数获取方法、装置、电子设备及存储介质 | |
CN113327136B (zh) | 归因分析方法、装置、电子设备及存储介质 | |
CN112579621B (zh) | 数据展示方法、装置、电子设备及计算机存储介质 | |
CN111783982A (zh) | 攻击样本的获取方法、装置、设备及介质 | |
CN112528633A (zh) | 文本纠错方法、装置、电子设备及计算机可读存储介质 | |
CN114881616A (zh) | 业务流程执行方法、装置、电子设备及存储介质 | |
CN112507663A (zh) | 基于文本的判断题生成方法、装置、电子设备及存储介质 | |
CN114491047A (zh) | 多标签文本分类方法、装置、电子设备及存储介质 | |
CN112541688B (zh) | 业务数据校验方法、装置、电子设备及计算机存储介质 | |
CN112464619B (zh) | 大数据处理方法、装置、设备及计算机可读存储介质 | |
CN114138243A (zh) | 基于开发平台的功能调用方法、装置、设备及存储介质 | |
CN113313211A (zh) | 文本分类方法、装置、电子设备及存储介质 | |
CN112269875A (zh) | 文本分类方法、装置、电子设备及存储介质 | |
CN113626605B (zh) | 信息分类方法、装置、电子设备及可读存储介质 | |
CN112215336B (zh) | 基于用户行为的数据标注方法、装置、设备及存储介质 | |
CN113887201A (zh) | 文本定长纠错方法、装置、设备及存储介质 | |
CN115221875B (zh) | 词权重生成方法、装置、电子设备及存储介质 | |
CN115169330B (zh) | 中文文本纠错及验证方法、装置、设备及存储介质 | |
CN113342941B (zh) | 文本搜索方法、装置、电子设备及计算机可读存储介质 | |
CN112528183B (zh) | 基于大数据的网页组件布局方法、装置、电子设备及介质 | |
CN114492413B (zh) | 文本校对方法、装置和电子设备 | |
CN112417300A (zh) | 产品漏洞方案查询方法、装置、电子设备及存储介质 | |
CN113361273A (zh) | 基于未登录词的分词方法、装置、电子设备及介质 | |
CN116483974A (zh) | 对话回复筛选方法、装置、设备及存储介质 | |
CN113158657A (zh) | 消极校对行为的检测方法、装置、电子设备及介质 |
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 |