DE102007014405B4 - Method for word recognition in character sequences - Google Patents
Method for word recognition in character sequences Download PDFInfo
- Publication number
- DE102007014405B4 DE102007014405B4 DE102007014405A DE102007014405A DE102007014405B4 DE 102007014405 B4 DE102007014405 B4 DE 102007014405B4 DE 102007014405 A DE102007014405 A DE 102007014405A DE 102007014405 A DE102007014405 A DE 102007014405A DE 102007014405 B4 DE102007014405 B4 DE 102007014405B4
- Authority
- DE
- Germany
- Prior art keywords
- word
- grams
- words
- character
- list
- 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.)
- Expired - Fee Related
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/274—Converting codes to words; Guess-ahead of partial word inputs
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)
- Machine Translation (AREA)
- Character Discrimination (AREA)
Abstract
Verfahren zur Worterkennung einer Eingabesequenz von Zeichen bei der Erfassung von Text oder Sprache in einer Erfassungssprache, wobei ein oder mehrere Zeichen der Eingabesequenz mehrdeutig sind, wobei
a) jedem Zeichen der Eingabesequenz mindestens ein Zeichen der Erfassungssprache zugeordnet ist,
b) zu einer Sprachstichprobe von Zeichenketten der Erfassungssprache n-Gramme mehrerer bestimmter unterschiedlich langer n-Gramm-Längen und die Häufigkeiten dieser n-Gramme in der Sprachstichprobe ermittelt werden,
c) der Eingabesequenz der Zeichen unter Berücksichtigung von deren Mehrdeutigkeiten die mehreren entsprechenden eindeutigen Zeichensequenzen der Erfassungssprache zugeordnet werden,
d) wobei jede der zugeordneten eindeutigen Zeichensequenzen der Erfassungssprache in n-Gramme der mehreren bestimmten unterschiedlich langen n-Gramm-Längen zerlegt wird und das Produkt Π der Wahrscheinlichkeiten der zerlegten n-Gramme Wn/NW(n) aus der Häufigkeit Wn der einzelnen n-Gramme in der Sprachstichprobe und der Gesamtzahl NW(n) der jeweiligen n-Gramme in der Sprachstichprobe für die entsprechenden Längen n ermittelt wird,
e) wobei aus diesen zugeordneten eindeutigen Zeichensequenzen...A method for word recognition of an input sequence of characters in the detection of text or speech in a detection language, wherein one or more characters of the input sequence are ambiguous, wherein
a) each character of the input sequence is assigned at least one character of the detection language,
b) for a speech sample of strings of the detection language n-grams of a plurality of certain different length n-gram lengths and the frequencies of these n-grams are determined in the speech sample,
c) assigning the input sequence of the characters, taking into account their ambiguities, the plurality of corresponding unique character sequences of the detection language,
d) wherein each of the associated unique character sequences of the detection speech is decomposed into n-grams of the plurality of certain different length n-gram lengths and the product Π of the probabilities of the decomposed n-grams Wn / NW (n) from the frequency Wn of the individual n -Grams in the speech sample and the total number NW (n) of the respective n-grams in the speech sample for the corresponding lengths n is determined,
e) where unique character sequences associated therewith ...
Description
Die Erfindung betrifft ein Verfahren zur Worterkennung in Sequenzen von N Zeichen, von denen ein oder mehrere Zeichen mehrdeutig sein können.The The invention relates to a method for word recognition in sequences of N characters, of which one or more characters are ambiguous can.
Die elektronische Erfassung von Texten und Sprache ist inzwischen Routine geworden. Sie ist jedoch nicht fehlerfrei, dauert zu lange, erfordert zu viel Speicher oder ist nicht flexibel genug in bezug auf die verwendeten Geräte oder Sprachen.The electronic recording of texts and speech is now routine become. However, it is not bug free, takes too long, requires too much memory or is not flexible enough in terms of the used devices or languages.
Eingesetzt
wird die elektronische Erfassung von Texten und Sprache z. B. bei
der Texteingabe in Tastaturen. Am effizientesten und gebräuchlichsten
ist die normale Computertastatur, die für jeden einzugebenden Buchstaben
bzw. für
jedes einzugebende Zeichen eine Taste bereitstellt oder eine Tastenkombination
definiert. Andere Tastaturen haben weniger Tasten, etwa die Tastaturen
von Mobiltelefonen für
das Versenden von SMS oder von PDAs für die Termineingabe, Spezialtastaturen
wie QWERTY-Tastaturen, Tastaturen für Behinderte oder Tastaturen
von Spezialgeräten.
Bei der Texteingabe in solche Tastaturen kommt es notwendigerweise
zu Mehrfachbelegungen der Tasten, so dass die Tasten meist mehrfach
gedrückt
werden müssen,
um den gewünschten
Buchstaben zu aktivieren (Multitap-Methode). Im Falle eines herkömmlichen
Mobiltelefons z. B. gibt es eine ge meinsame Taste für A B C Ä 2 und wenn
etwa das Wort ”baumhaus” eingegeben
wird, muss die Tastenfolge 222886442887777 (in Ziffern angegeben)
gedrückt
werden, die dann aber ein eindeutiges Wort ergibt. Unter der Annahme
eines üblichen
deutschen Ausgabealphabets ohne Groß-/Kleinschreibung
O(2)
= {a, ä,
b, c}
O(3) = {d, e, f}
O(4) = {g, h, i}
O(5) = {j,
k, l}
O(6) = {m, n, o, ö}
O(7)
= {p, q, r, s, ß}
O(8)
= {t, u, ü,
v}
O(9) = {w, x, y, z}
ergeben sich für das Wort ”baumhaus” (Ziffernfolge 22864287)
O (2) = {a, ä, b, c}
O (3) = {d, e, f}
O (4) = {g, h, i}
O (5) = {j, k, l}
O (6) = {m, n, o, ö}
O (7) = {p, q, r, s, ß}
O (8) = {t, u, u, v}
O (9) = {w, x, y, z}
arise for the word "tree house" (number sequence 22864287)
Bei der Spracheingabe gibt es ebenso Mehrdeutigkeiten, beispielsweise bei schwierigen Lauten wie ”s” und ”f”, deren Formantenfrequenzen größtenteils außerhalb von 3,4 kHz (obere Grenze der Telefonübertragungsfrequenz) liegen. Auch kann es zu ein und demselben Phonem unterschiedliche Schreibweisen geben, d. h. wenn geschrieben wird, wie gesprochen wird, fallen Zuordnungs- und Auswahlentscheidungen an (/f/ → f, v, ph, /a/ → a, aa, ah). Es sind bereits Phonem-Wörterbücher zum Einsatz gekommen.at the voice input there are also ambiguities, for example in difficult sounds like "s" and "f", whose Formant frequencies mostly outside of 3.4 kHz (upper limit of the telephone transmission frequency). Also, there may be different spellings for the same phoneme give, d. H. when it is written, as is spoken, fall Assignment and selection decisions to (/ f / → f, v, ph, / a / → a, aa, Ah). There are already phoneme dictionaries for Use came.
Auch beispielsweise beim Lesen von elektronischen Textdateien, etwa wenn diese eingegebenen Text oder Sprache enthalten oder es sich um digitale Dokumente handelt, können sich praktisch vergleichbare Probleme beim Erkennen dieser Dateien ergeben, bis die Wörter aufgelöst sind.Also for example, when reading electronic text files, such as when contain this typed text or language or it is digital Documents can act virtually similar problems detecting these files surrender until the words disbanded are.
Die nachfolgende Darstellung des Standes der Technik und der Erfindung bezieht sich schwerpunktsmäßig auf die Texterkennung bei der Eingabe in Tastaturen, für die die Erfindung zunächst vorgesehen war. Die Erfindung ist jedoch nicht auf diesen Anwendungsbereich beschränkt, sondern auch auf die oben dargestellten und andere Bereiche der Texterkennung und -analyse bzw. Spracherkennung anwendbar.The following description of the state of the art and the invention refers to the focus The text recognition when typing in keyboards for which the Invention first was provided. However, the invention is not limited to this field of application limited, but also on the above and other areas of the Text recognition and analysis or speech recognition applicable.
Für die Worterkennung sind zur Behebung der Mehrdeutigkeiten verschiedene Zeichen-Disambiguierungsmethoden eingesetzt worden. Einige basieren auf der Verwendung sogenannter n-Gramme, d. h. von zusammenhängenden Zeichen-Sequenzen mit n Zeichen, siehe auch Wikipdia: N-gram, 24.03.2007. n-Gramme sind bei der Analyse großer Datenmengen auf bestimmte Kontexte (oder Wortgruppen) beispielsweise durch den Geheimdienst zum Einsatz gekommen, so bei der Durchsuchung von E-Mails auf ausgewählte Themengebiete etc.. Sie dienen auch zur Satzerkennung aufgrund vorgegebener Wortfolgen, der n-Gramme in diesem Kontext. Bei der Worterkennung mittels n-Grammen werden Zeichensequenzen (auch: Strings) mit n-Grammen verglichen, die unterschiedliche Längen haben können. Eine Kombination unterschiedlich langer n-Gramme hat sich als nützlich erwiesen, wobei die kürzeren n-Gramme Alternativprädiktionen liefern und die längeren n-Gramme eine größere Eindeutigkeit herbeiführen, aber einen hohen Speicherbedarf haben, so dass n > 6 in der Praxis nicht vorkommt. Durch die unterschiedliche Länge der n-Gramme werden die Häufigkeiten der einzelnen Buchstaben, von Bigrammen, Trigrammen und auch kurzen Wörtern berücksichtigt. Nachteilig erweist es sich bei der Anwendung der n-Gramm-Methode, wenn die Dokumente nur sehr kurz sind.For word recognition, various character disambiguation methods have been used to correct the ambiguities. Some are based on the use of so-called n-grams, ie of contiguous character sequences with n characters, see also Wikipdia: N-gram, 24.03.2007. n-grams have been used in the analysis of large amounts of data on specific contexts (or phrases), for example, by the intelligence service, such as the search of emails on selected topics etc .. They are also used for sentence recognition due to predetermined word sequences, the n- Gramme in this Context. In the case of word recognition by means of n-grams, character sequences (also: strings) are compared with n-grams, which can have different lengths. A combination of n-grams of different lengths has proven to be useful, with the shorter n-grams providing alternative predictions and the longer n-grams providing greater uniqueness, but requiring a large memory such that n> 6 does not occur in practice. The different lengths of the n-grams take into account the frequencies of the individual letters, bigrams, trigrams and even short words. The disadvantage of using the n-gram method is that the documents are only very short.
Große Beachtung hat die bereits 1992 erschienene Veröffentlichung ”Probalistic Character Disambiguation for Reduced Keyboards Using Small Text Samples” von J. L. Arnott und M. Y. Javed, AAC Augmentative and Alternative Communication, Vol. 8, Seiten 215 bis 223 gefunden. Bei dem beschriebenen Disambiguationsverfahren werden unterschiedlich lange n-Gramme verwendet, diese aber nicht wirklich kombiniert. Es wird letztlich nur eine von mehreren vorhandenen n-Gramm-Längen mit der größten n-Gramm-Länge gesucht, die überhaupt eine Entscheidung zulässt und nur diese n-Grammlänge verwendet.Great attention has published the publication "Probalistic Character Disambiguation for Reduced Keyboards Using Small Text Samples "from J.L. Arnott and M.Y. Javed, AAC Augmentative and Alternative Communication, Vol. 8, pages 215 to 223 found. In the described disambiguation method n-grams are used for different lengths, but these are not really combined. It will ultimately only be one of several existing ones n-gram length looking for the largest n-gram length ever allows a decision and only this n-gram length used.
Zerlegt
man beispielsweise das Wort ”baumhaus” in n-Gramme
der Längen
2 bis 5, so ergeben sich folgende n-Gramme Vn(baumhaus):
n
= 2 V2(baumhaus) = {ba, au, um, mh, ha, au, us}
n = 3 V3(baumhaus)
= {bau, aum, umh, mha, hau, aus}
n = 4 V4(baumhaus) = {baum,
aumh, umha, mhau, haus}
n = 5 V5(baumhaus) = {baumh, aumha,
umhau, mhaus}If, for example, the word "tree house" is decomposed into n-grams of lengths 2 to 5, the following n-grams Vn (baumhaus) result:
n = 2 V2 (tree house) = {ba, au, um, mh, ha, au, us}
n = 3 V3 (tree house) = {construction, aum, umh, mha, hau, aus}
n = 4 V4 (tree house) = {tree, aumh, umha, mhau, house}
n = 5 V5 (tree house) = {baumh, aumha, umhau, mhaus}
Ausgezählt ergeben
sich für
einige ausgewählte
n-Gramme folgende Häufigkeiten:
W2
(au) = 2
W3 (aum) = 1
W4 (baum) = 1
W5 (baumh) =
1
n-Gramme, die nicht beobachtet wurden, haben selbstverständlich eine
Häufigkeit
von 0, z. B. W3(lqü)
= 0.The following frequencies are counted for some selected n-grams:
W2 (au) = 2
W3 (aum) = 1
W4 (tree) = 1
W5 (tree) = 1
Of course, n-grams that were not observed have a frequency of 0, e.g. B. W3 (lqü) = 0.
Alle
bekannten Wörter
einer Sprache lassen sich nun aus n-Grammen zusammensetzen. Insgesamt gibt
es z. B. im Deutschen (ohne Berücksichtigung
von Groß-/Kleinschreibung)
30 Buchsta ben, was die Maximalanzahl möglicher n-Gramme begrenzt:
Bei der Spezialanwendung Mobiltelefon der intelligenten Textsysteme, ohne deren Einsatz die Texteingabe nach der Multitap-Methode erfolgt, gibt es nur wenige auf dem Markt eingeführte Entwicklungen.at the special application mobile phone of intelligent text systems, without the use of text input according to the multitap method, There are only a few developments introduced in the market.
Die
Sehr
verbreitet ist das T9-Verfahren der Firma Tegic Communications,
Inc. zur Disambiguierung eingegebener Zeichen-Sequenzen, das in
der
Die
Ebenfalls
einen statistischen Ansatz für
den Folgebuchstaben nutzt ein in der
Auch
bei dem Disambiguierungsverfahren gemäß
Aus
der
Der Erfindung liegt die Aufgabe zugrunde, ein Verfahren zur Worterkennung in Zeichen-Sequenzen zu schaffen, das sich für den Einsatz bei Zeichenmehrdeutigkeiten eignet und bei dem die Worterkennung rasch erfolgt.Of the Invention is based on the object, a method for word recognition to create in character sequences that are suitable for use with character ambiguities and where word recognition is fast.
Diese Aufgabe ist erfindungsgemäß bei einem Verfahren mit den Merkmalen des Anspruchs 1 gelöst. Vorteilhafte Weiterbildungen des erfindungsgemäßen Verfahrens sind Gegenstand der Unteransprüche.These Task is according to the invention in a Method solved with the features of claim 1. Advantageous developments the method according to the invention are the subject of the dependent claims.
Bei dem erfindungsgemäßen Verfahren zur Worterkennung einer Eingabesequenz von Zeichen bei der Erfassung von Text oder Sprache in einer Erfassungssprache, wobei ein oder mehrere Zeichen der Eingabesequenz mehrdeutig sind, ist jedem Zeichen der Eingabesequenz mindestens ein Zeichen der Erfassungssprache zugeordnet. Zu einer Sprachstichprobe von Zeichenketten der Erfassungssprache werden n-Gramme mehrerer bestimmter unterschiedlich langer n-Gramm-Längen und die Häufigkeiten dieser n-Gramme in der Sprachstichprobe ermittelt. Der Eingabesequenz der Zeichen werden unter Berücksichtigung von deren Mehrdeutigkeiten die mehreren entsprechenden eindeutigen Zeichensequenzen der Erfassungssprache zugeordnet. Jede der zugeordneten eindeutigen Zeichensequenzen der Erfassungssprache wird in n-Gramme der mehreren bestimmten unterschiedlich langen n-Gramm-Längen zerlegt und das Produkt Π der Wahrscheinlichkeiten der zerlegten n-Gramme Wn/NW(n) wird aus der Häufigkeit Wn der einzelnen n-Gramme in der Sprachstichprobe und der Gesamtzahl NW(n) der jeweiligen n-Gramme in der Sprachstichprobe für die entsprechenden Längen n ermittelt. Aus diesen zugeordneten eindeutigen Zeichensequenzen werden diejenigen Zeichensequenzen entfernt, bei denen das Produkt Π Null ist. Die verbliebenen eindeutigen Zeichensequenzen der Erfassungssprache werden nach dem jeweils ermittelten Produkt Π sortiert.at the method according to the invention for word recognition of an input sequence of characters during acquisition of text or language in a capturing language, with an or multiple characters of the input sequence are ambiguous, is every character the input sequence at least one character of the detection language assigned. To a language sample of strings of the acquisition language are n-grams of several certain different length n-gram lengths and the frequencies of these n-grams in the language sample determined. The input sequence the characters are taken into consideration of their ambiguities the several corresponding unique ones Assigned character sequences of the acquisition language. Each of the assigned unique character sequences of the detection language will be in n-grams of the several certain different length n-gram lengths decomposed and the product Π the Probabilities of the decomposed n-grams Wn / NW (n) is taken from the frequency Wn of the individual n-grams in the speech sample and the total number NW (n) of the respective n-grams in the speech sample for the corresponding lengths n determined. From these assigned unique character sequences those character sequences are removed where the product Π is zero. The remaining unique character sequences of the detection language are sorted according to the respectively determined product Π.
Bei dem erfindungsgemäßen Verfahren kann somit eine Anzeige die ausgewählten n-Gramme und/oder erkannten Wörter anzeigen, wobei die verbliebenen eindeutigen Zeichensequenzen der Erfassungssprache, d. h. die möglichen Wörter, in einer Liste L angezeigt werden.at the method according to the invention Thus, a display can recognize the selected n-grams and / or recognized words show, with the remaining unique character sequences of the Acquisition language, d. H. the possible ones words, be displayed in a list L.
Ein wesentlicher Vorteil des erfindungsgemäßen Verfahrens besteht darin, dass es unabhängig von der verwendeten Sprache und Tastenbelegung Zuordnungsprobleme von Zeichenketten und -sequenzen löst, wobei sich sinnvolle Worthypothesen ergeben. Dies liegt daran, dass keine Wörter, sondern n-Gramme verwendet werden, um die Worterkennung in Zeichenfolgen durchzuführen. Die Liste wahrscheinlicher Worthypothesen wird nach jedem Tastendruck bei der Eingabe eines Wortes neu erzeugt, so dass eine mit dem Tippen Schritt haltende kontinuierliche Aktualisierung der Hypothesen erfolgt. Aus dieser Liste, falls sie mehr als eine Worthypothese enthält, kann der Benutzer sein korrektes Wort aussuchen, falls er das Wort bereits komplett getippt hat. Die Art und Weise, wie die Auswahl realisiert wird, ist beliebig. Ist das Wort noch nicht komplett getippt, wird der Benutzer weiterhin neue Zeichen eingeben.A significant advantage of the method according to the invention is that, regardless of the language and key assignment used, it solves assignment problems of character strings and sequences, resulting in meaningful word hypotheses. This is because no words but n-grams are used to perform word recognition in strings. The list of probable word hypotheses is recreated after each keystroke in entering a word, so that a continuous update of the hypotheses is achieved with the tap step. From this list, if it contains more than one word hypothesis, the user can choose his correct word, if he has already typed the word completely. The way in which the selection is realized is arbitrary. Is not the word complete yet typed, the user will continue to type new characters.
Das erfindungsgemäße Erkennungsverfahren kann auf beliebige Sprachen, juristische, technische Bereiche etc. angewendet werden, indem der jeweilige Wortschatz in die Statistik integriert wird. Auch die Zuordnung von Buchstaben oder anderen Zeichen zu den Tasten, d. h. die Ausgabealphabete, bzw. Tastenbelegungen sind frei wählbar, ohne dass irgendwelche Änderun gen oder Anpassungen des Verfahrens notwendig werden. Bereits verwendete Sprachstichproben können unverändert übernommen werden, d. h. eine einmal erstellte Sprachstichprobe kann ohne Aufwand auf Geräte mit anderen Tastenanordnungen bzw. -zuordnungen übertragen werden. Die Anpassung an beliebige Sprachen mit ihren individuellen Zeichen wie der Akzent im Französischen, hebräische, kyrillische, griechische etc. Zeichen können einfach eingesetzt werden. Die Auszählung einer kompletten Sprachstichprobe dauert nur einige Minuten.The Detection method according to the invention can be used in any languages, legal, technical areas etc. be applied by the respective vocabulary in the statistics is integrated. Also the assignment of letters or others Sign to the keys, d. H. the output alphabet or key assignments are freely selectable, without any changes or adjustments to the procedure become necessary. Already used Language samples can unchanged be, d. H. once a language sample can be created without effort on devices be transmitted with other key arrangements or assignments. The adaptation to any languages with their individual characters like the accent in the French, Hebrew, Cyrillic, Greek etc. characters can be easily inserted. The counting a complete language sample takes just a few minutes.
Das Verfahren gemäß der Erfindung ist in der Lage, unter konkurrierenden Zeichen (Buchstaben aufgrund Tastendruck oder Phoneme aufgrund Spracheingabe oder digitalen Datensätzen) und den sich ergebenden Mehrdeutigkeiten mögliche Wörter zu isolieren, die ein gültiges bzw. sinnvolles Wort sein können. Dabei werden bei jedem neuen getippten oder gesprochenen Buchstaben die möglichen erkannten Einzelbuchstaben permutiert, und bei jedem hinzugekommenen Buchstaben können sich dann wieder andere Mehrdeutigkeiten ergeben, die aufgelöst werden.The Method according to the invention is capable of taking competing characters (letters due to Key press or phonemes due to voice input or digital data records) and to isolate the possible ambiguities possible words that a valid or meaningful word. It will be with each new typed or spoken letters the possible ones recognized single letters permuted, and with each added Letters can then again other ambiguities arise, which are resolved.
Für Wortketten
ohne Zwischenräume
kann es bei Anwendung des erfindungsgemäßen Verfahrens auf die Wortketten
Mehrdeutigkeiten geben, wobei sich gültige Auflösungen dann ergeben, wenn alle
entstehenden Wörter
entweder gültige
Ganzwörter
sind oder gültige
Wörter
sind und zugleich einen gültigen
Wortanfang oder ein gültiges
Wortende besitzen. Dies soll das folgende Beispiel veranschaulichen,
bei dem folgende Bezeichnungen verwendet werden:
(G) gültiges Ganzwort
(W)
gültiger
Wortanfang, gültiges
Wortende, gültige
Wörter
im Sinne von pA, pE, pW (später
erläutert)
(X)
weder (G), noch (W), d. h. ungültiges
WortFor word strings without spaces, when using the method according to the invention word ambiguities may exist in the word strings, with valid resolutions resulting when all resulting words are either valid whole words or valid words and at the same time have a valid word start or word end. This is illustrated by the following example, which uses the following labels:
(G) valid whole word
(W) valid word beginning, valid word end, valid words in the sense of pA, pE, pW (explained later)
(X) neither (G) nor (W), ie invalid word
Beispiel: daswetteristhervorragendExample: the weather is excellent
Auflösungsversuche:Dissolution tests:
- das Wetter ist hervorragend (G) (W) (G) (W) → gültige Auflösung the weather is excellent (G) (W) (G) (W) → valid resolution
- das wette rist hervorragend (G) (W) (X) (W) → keine gültige Auflösungthe bet is outstanding (G) (W) (X) (W) → no valid resolution
- da swetterist hervorragend (G) (X) (W) → keine gültige Auflösungda swetter is outstanding (G) (X) (W) → no valid resolution
- das we tt er ist her vor ragend (G) (X)(X)(G)(G) (G) (G) (W) → keine gültige Auflösungthat's what he wants (G) (X) (X) (G) (G) (G) (G) (W) → none valid resolution
- das Wetter ist her vor ragend (G) (G) (G) (G) (G) (W) → gültige Auflösungthe weather is outstanding (G) (G) (G) (G) (G) (W) → valid resolution
Bei der Anwendung des erfindungsgemäßen Verfahrens auf die Texteingabe wird üblicherweise eine Tastatur verwendet, die Tasten umfasst, welchen mehreren Zeichen zugeordnet sind, und die mit der Prozessoreinrichtung verbunden ist. Bei der Texteingabe der N-Zeichen-Sequenzen wird dementsprechend ein Worterkennungsverfahren angewendet, das nach der Erfindung arbeitet.at the application of the method according to the invention on the text input is usually uses a keyboard that includes keys that have multiple characters are assigned, and connected to the processor device is. When entering text of the N-character sequences accordingly applied a word recognition method, which operates according to the invention.
Wenn das erfindungsgemäße Verfahren für die Spracheingabe verwendet wird, wird eine Sprachaufnahmeinrichtung verwendet und bei der Spracheingabe der Phoneme oder Phonem-Sequenzen erfolgt eine Umwandlung in N-Zeichen-Sequenzen, insbesondere von Textzeichen. Auf die N-Zeichen-Sequenzen wird ein Worterkennungsverfahren angewendet, das nach der Erfindung arbeitet.If the inventive method for the Voice input is used, a voice recorder used and in the voice input of the phonemes or phoneme sequences a conversion into N-character sequences, in particular of Text characters. The N-character sequences are word-coded applied, which works according to the invention.
Das erfindungsgemäße Verfahren lässt sich auch vorteilhaft beim Lesen beispielsweise digital vorliegender Textdokumente mit Zeichensequenzen anwenden. Hierzu wird eine Leseeinheit für das Erfassen der N-Zeichen-Sequenzen benutzt und bei dem Lesen der N-Zeichen-Sequenzen ein Worterkennungsverfahren angewendet. Durch die Erfindung können Wörter in den gespeicherten Zeichensequenzen sehr rasch und zuverlässig aufgefunden und identifiziert werden.The inventive method let yourself also advantageous when reading, for example, digitally available Apply text documents with character sequences. For this purpose, a reading unit for the Capturing the N-character sequences used and reading the N-character sequences a word recognition method applied. Through the invention, words in found the stored character sequences very quickly and reliably and be identified.
Bei
einer vorteilhaften Variante des erfindungsgemäßen Verfahrens werden als Ganzwort-n-Gramme die
Wörter
aus der Sprachstichprobe bestimmt, deren Länge der n-Gramm-Länge entspricht,
und bei der Anzeige der verbliebenen Wörter der Liste L werden zuerst
alle Wörter
sortiert nach der Ganzwort-Wahrscheinlichkeit pG = GN/NG angezeigt,
wobei GN die Ganzwort-n-Gramm-Häufigkeit
und NG die Gesamtzahl aller Ganzwort-n-Gramme der Sprachstichprobe
ist. Somit sind die Ganzwort-n-Gramme meist kurze Wörter, die wie
ein Lexikon für
kurze Wörter
unter Berücksichtigung
der Auftretenshäufigkeiten
fungieren und eine sinnvolle Sortierung von Worthypothesen für kurze
Wörter
nach der Güte
(wie ”die”, ”ehe”, ”eid”) unterstützen. Im Falle
einer Sprachstichprobe mit den Wörtern ”baumhaus”, ”hallo”, ”du”, ”der” ergeben
sich das Bigram ”du”, Trigramm ”der” und das
5-Gramm ”hallo” und als
Ganzwort n-Gramme
Nicht beobachtete n-Gramme haben die Häufigkeit 0, z. B. G3(lqü) = 0. In der Sprachstichprobe werden die Gesamtzahlen NG(n) aller Ganzwort-n-Gramme berechnet. Diese ergeben sich aus der Summe aller Häufigkeiten der Ganzwort-n-Gramme der jeweiligen Länge.Not observed n-grams have the frequency 0, z. B. G3 (lqü) = 0. In the speech sample, the total numbers NG (n) of all Whole word n-grams calculated. These result from the sum of all frequencies the whole word n-grams of the respective length.
Bei einer vorteilhaften Ausführung des erfindungsgemäßen Verfahrens werden als Wortanfangs-n-Gramme die n-Gramme bestimmt, die den Anfang eines Wortes bilden. Die Wortanfangs-Wahrscheinlichkeit pA = Π An/NA wird bestimmt, wobei An die Wortanfangs-n-Gramm-Häufigkeit und NA die Gesamtzahl aller Wortanfangs-n-Gramme der Sprachstichprobe ist. Bei der Anzeige der verbliebenen möglichen Wörter werden zuerst alle Wörter sortiert nach der Ganzwort-Wahrscheinlichkeit pG = GN/NG angezeigt, wobei GN die Ganzwort-n-Gramm-Häufigkeit und NG die Gesamtzahl aller Ganzwort-n-Gramme der Sprachstichprobe ist und die Sortierung nach pA·pW erfolgt.at an advantageous embodiment the method according to the invention the n-grams, which are the beginning, are determined as word-beginning n-grams to form a word. The word-beginning probability pA = Π An / NA becomes where An is the beginning word n-gram frequency and NA is the total of all Word begin n-grams of the language sample is. When viewing the remaining possible Become words first all words sorted by the whole word probability pG = GN / NG displayed, where GN is the integer n-gram frequency and NG is the total number of all word n-grams of the speech sample and sorting according to pA · pW he follows.
Im
Falle der erwähnten
Sprachstichprobe mit den Wörtern ”baumhaus”, ”hallo”, ”du”, ”der” ergeben sich
die Bigramme ”ba”, ”ha”, ”du”, de”, die Trigramme ”bau”, ”hal”, ”der”, die 4-Gramme ”baum”, ”hall” und die 5-Gramme ”baumh” sowie ”hallo”. Ausgezählt ergeben
sich die folgenden Häufigkeiten
der Wort anfangs-n-Gramme:
Bevorzugt werden auch Wortend-n-Gramme verwendet, wobei als Wortend-n-Gramme die n-Gramme bestimmt werden, die das Ende eines Wortes bilden. Die Wortend-Wahrscheinlichkeit pE = Π En/NE wird bestimmt, wobei En die Wortend-n-Gramm-Häufigkeit und NE die Gesamtzahl aller Wortend-n-Gramme der Sprachstichprobe ist. Bei der Anzeige der verbleibenden möglichen Wörter werden zuerst alle Wörter sortiert nach der Ganzwort-Wahrscheinlichkeit pG = GN/NG und der Wortanfangs-n-Gramm-Wahrscheinlichkeit pA = Π An/NA angezeigt, wobei GN die Ganzwort-n-Gramm-Häufigkeit, NG die Gesamtzahl aller Ganzwort-n-Gramme der Sprachstichprobe ist, An die Wortanfangs-n-Gramm-Häufigkeit und NA die Gesamtzahl aller Wortanfangs-n-Gramme der Sprachstichprobe ist und die Sortierung nach pA·pW·pE erfolgt.Prefers Word-end n-grams are also used, where as word-end n-grams the n-grams are determined, which form the end of a word. The end-of-word probability pE = Π En / NE is determined, where En the word end n-gram frequency and NE is the total number of all word end n-grams of the speech sample is. When displaying the remaining possible words, all words are first sorted by the whole word probability pG = GN / NG and the word beginning n-gram probability pA = Π An / NA where GN is the integer n-gram frequency, NG is the total of all the word n-grams of the speech sample is, to the word-beginning n-gram frequency and NA is the total number of all word-beginning n-grams of the speech sample and the sorting takes place according to pA · pW · pE.
Im
Falle der erwähnten
Sprachstichprobe mit den Wörtern ”baumhaus”, ”hallo”, ”du”, ”der” ergeben sich
als Wortend-n-Gramme die Bigramme ”us”, ”lo”, ”du”, ”er”, Trigramme ”aus”, ”llo”, ”der”, 4-Gramme ”haus”, ”allo” und die
5-Gramme ”mhaus”, ”hallo”. Ausgezählt ergeben
sich damit folgende Häufigkeiten:
Vorteilhaft wird bei dem erfindungsgemäßen Verfahren für eine N-Zeichen-Sequenz mit jedem weiteren eingegebenen Zeichen die Wörter-Liste L neu erstellt, d. h. es erfolgt eine kontinuierliche Aktualisierung der Hypothesen. Aus der Liste L, falls sie mehr als eine Worthypothese enthält, kann der Benutzer das korrekte Wort aussuchen, falls er das Wort bereits komplett getippt hat. Wie die Auswahl aus einem Vorschlagsangebot realisiert wird, ist beliebig.Advantageous is in the inventive method for one N-character sequence with each additional character entered the words list L recreated, d. H. there is a continuous update of the Hypotheses. From the list L, if you have more than one word hypothesis contains the user can choose the correct word if he has the word already completely typed. How to make the selection from a proposal offer is, is arbitrary.
In den bisherigen Erläuterungen wurden für die n-Gramme Werte von n = 2, n = 3, n = 4, n = 5 verwendet. Diese Werte sind nicht starr festgelegt, sondern können nach den Gegebenheiten angepasst werden. Vorzugsweise werden bei Anwendung des erfindungsgemäßen Verfahrens für die n-Gramme Werte von n = 2, n = 3 verwendet, für die der Speicherbedarf deutlich geringer als im Falle längerer n-Gramme ist. Es können je nach Anwendungsfall auch n-Gramme mit n = 1 (d. h. einzelne Buchstaben) eingesetzt werden.In the previous explanations, values of n = 2, n = 3, n = 4, n = 5 were used for the n-grams. These values are not rigidly fixed, but can be adapted according to the circumstances. When using the method according to the invention, values of n = 2, n = 3 are preferably used for the n-grams, for which the memory requirement is significantly lower than in the case of longer n-grams. It can ever after application also n-grams with n = 1 (ie single letters) are used.
Bevorzugt werden für die n-Gramme auch Werte von n = 4 und/oder n = 5 verwendet. Je länger die maximalen n-Gramme gewählt werden (d. h. größere maximale Werte für n), desto besser werden die vorgeschlagenen Worthypothesen. Es werden aber auch umfangreichere Sprachstichproben nötig.Prefers be for The n-grams also use values of n = 4 and / or n = 5. The longer the maximum n-grams selected (i.e., greater maximum Values for n), the better the proposed word hypotheses. It will but also more extensive language samples necessary.
Im Speicher kann eine Liste von Zeichen oder Zeichensequenzen und von diesen zugeordneten Austauschzeichen, Austauschzeichensequenzen oder Austausch-n-Grammen gespeichert sein. Auf diese Weise erfolgt eine Anpassung an die Gewohnheiten eines Benutzers, bestimmte Zeichen oder Wörter (z. B. ”spatz” und nicht ”rsätz”), bestimmte Kurzformen (Englisch: ”dont” → ”don't”, Französisch: ”cest” → ”c'est”), Sonderzeichen (z. B. Smiley) zu verwenden, an einen Spezialwortschatz etc.. Die Kurzformen müssen dann aber auch in ihrer Kurzform in der Sprachstichprobe mit eingegeben werden.in the Memory can be a list of characters or character sequences and of these associated exchange characters, exchange character sequences or exchange n-grams. This is done in this way an adaptation to the habits of a user, certain characters or words (eg "sparrow" and not "rick"), certain Short forms (English: "dont" → "do not", French: "cest" → "c'est"), Special characters (eg smiley) to use to a special vocabulary etc. The short forms must but then also entered in their short form in the language sample with become.
Auch kann zweckmäßig vorgesehen werden, dass die n-Gramme im Speicher ergänzt werden, um das Erkennen von neuen Wörtern oder Spezialeingaben zu ermöglichen. Die Eingabe unbekannter Wörter ist dabei nicht notwendig. Ausreichend ist die Aktualisierung entsprechender n-Gramme (Wortanfangs-n-Gramme, Wort-n- Gramme, Wortend-n-Gramme, Ganzwort-n-Gramme). Es ist nicht sinnvoll, alle möglichen Häufigkeiten der n-Gramme An(·), Wn(·), En(·) und Gn(·) zu speichern (z. B. gibt es für n = 5 über 24 Millionen mögliche n-Gramme). Das ist auch nicht nötig. Nur wenige dieser n-Gramme treten in der Sprache auf, d. h. die Häufigkeit der meisten n-Gramme ist 0. Auf deren Speicherung kann verzichtet werden.Also may be appropriate be added to the memory in the memory, the n-grams of new words or special entries. The input of unknown words is not necessary. Sufficient is the update corresponding n-grams (word-begin n-grams, word-n-grams, word-end-n-grams, integer-n-grams). It does not make sense, all possible frequencies the n-grams on (·), Wn (·) S (·) and Gn (·) to save (for example there is for n = 5 over 24 million possible n-grams). This is not necessary either. Only a few of these n-grams occur in the language, i. H. the frequency Most n-grams are 0. Their storage can be omitted become.
Wortend-n-Gramme bringen die Aussage mit sich, dass es sich um ein gültiges komplettes Wort handelt, und andere Merkmale können im Sinne der erfassten Sprachdaten ein Wort als solches erkennen. Um die einzelnen Wörter zu isolieren, ist es insbesondere für Anwendungen mit Lesen von Dateien auch nützlich, wenn Wortgrenzen, insbesondere Wortenden, zusätzlich eingegeben werden, um die Wortkette in einzelne jeweils komplette Wörter, z. B. ”baumhaus” auch in ”baum haus”, zu teilen.Wortend-n-grams bring the statement that it is a valid complete one Word acts, and other features may be included in the sense of Speech data recognize a word as such. To the individual words too isolate, it is especially for Applications with reading files are also useful when word boundaries, in particular Word ends, in addition be entered to complete the word string in individual ones respectively words, z. B. "tree house" also in "tree house" to share.
Das erfindungsgemäße Verfahren kann auch mit einer Wortvorhersage ausgestattet werden. Diese kann so ablaufen, dass anhand einer eingegebenen N-Zeichen-Sequenz eine Worterkennung für eine Zeichen-Sequenz mit einer angenommenen Länge von N + (1 bis l) Zeichen durchgeführt wird, wobei l die Vorhersagelänge, d. h. die Zahl der vorausgesagten Eingabeschritte ist. Nach Erstellung der Liste L wird aus dieser eine weitere Liste L' erstellt, die alle Wörter der Liste L enthält, wobei diese Wörter um Zeichen oder Zeichen-Sequenzen mit der Länge 1 bis l ergänzt sind. Aus der Liste L' werden alle Wörter entfernt, deren Wort-Wahrscheinlichkeit Null ist, die in der Liste L' verbliebenen Wörter werden sortiert werden und die Wörter der Listen L und L' angezeigt. Auf diese Weise kann für ein noch nicht vollständig eingegebenes Wort eine Vorhersage getroffen werden daraufhin, welches Wort bzw. welche Wörter der Benutzer bei der Eingabe im Sinn hat.The inventive method can also be equipped with a word prediction. This can run so that on the basis of an input N-character sequence one Word recognition for a character sequence with an assumed length of N + (1 to 1) characters carried out where l is the prediction length, d. H. the number of predicted entry steps is. After creation The list L is created from this one more list L 'containing all the words of the List L contains, these words are supplemented by characters or character sequences with the length 1 to l. Become from the list L ' all words removed, whose word probability is zero in the list L 'remained words will be sorted and the words the Lists L and L 'are displayed. This way can for not yet complete inputted word, a prediction will be made which Word or words the user has in mind when entering.
Zweckmäßig bei dieser Wortvorhersage-Methode werden in der Liste L' zuerst alle Wörter nach der Ganzwort-Wahrscheinlichkeit pG = GN/NG sortiert, wobei GN die Ganzwort-n-Gramm-Häu figkeit und NG die Gesamtzahl aller Ganzwort-n-Gramme der Sprachstichprobe ist. Die Sortierung erfolgt dann nach der Anfangswort-n-Gramm- und der Endwort-n-Gramm-Wahrscheinlichkeit nach pA·pW·pE.Useful in This word prediction method first searches all the words in the list L ' the whole word probability pG = GN / NG sorted, where GN the Whole-word n-gram frequency and NG is the total number of all word n-grams of the speech sample is. The sorting then takes place after the start word n-gram and the final word n-gram probability after pA * pW * pE.
Obenstehend sind die Bestimmung der n-Gramme und deren Verwendung erläutert worden. Es folgt nun eine Darstellung der Bestimmung der Wort-Wahrscheinlichkeiten.In the above, the determination of the n-grams and their use have been explained. The following is a representation of the determination of the word probabilities.
Die in den verschiedenen n-Gramm-Gruppen enthaltene Sprachstatistik wird dazu eingesetzt, um einerseits Worthypothesen auszuschließen, die mit größter Wahrscheinlichkeit kein Wort der aktuellen Sprache sind, und um zum anderen die verbleibenden Hypothesen in eine Reihenfolge entsprechend ihrer wahrscheinlichen Korrektheit zu bringen. Dabei bezeichne im folgenden w = w1w2w3 ... wN ein Wort w der Länge N, zusammengesetzt aus der Buchstabenfolge w1w2w3 ... wN. Es werden folgende Auftrittswahrscheinlichkeiten bestimmt:The Language statistics included in the various n-gram groups is used to exclude on the one hand word hypotheses that most likely not one word of the current language, and on the other the remaining ones Hypotheses in an order according to their probable To bring correctness. In this case, w = w1w2w3 ... wN a word w of length N, composed of the letters w1w2w3 ... wN. It will the following occurrence probabilities are determined:
Für ein Wort w berechnen sich die Wahrscheinlichkeiten, dass w ein gültiges Wort im Sinne von n-Grammen der Länge n ist nach For a word w, the probabilities that w is a valid word in terms of n-grams of length n are calculated
Aus diesen nach n-Gramm-Länge unterschiedenen Wort-Wahrscheinlichkeiten kann eine gesamte Wortwahrscheinlichkeit des Wortes w für die Gesamtheit aller trainierten n-Gramm-Längen berechnet werden: From these n-gram-length distinguished word probabilities, an entire Word probability of the word w are calculated for the total of all trained n-gram lengths:
Sobald auch nur eine einzige der Wort-n-Gramm-Häufigkeiten Wn(·) = 0 ist, ist auch die Wort-Wahrscheinlichkeit pW(w) = 0.As soon as even a single one of the word-n-gram frequencies Wn (·) = 0 is, is also the word probability pW (w) = 0.
Am Beispiel des Wortes ”baumhaus” wird dies weiter erläutert.At the Example of the word "tree house" becomes this further explained.
Zur
Bestimmung von Bigrammen und unter der Annahme, dass es eine Gesamtzahl
NW(2) = 100 Bigramme gibt, ergibt sich:
Für Trigramme
ergibt sich entsprechend:
Aus
diesen Ergebnissen resultiert letztendlich
Eine große Hilfe bei der Einschätzung, ob es ein Wort w geben kann, sind die Wortanfangs-Wahrscheinlichkeiten. Denn gibt es in der Sprachstichprobe keine Wörter mit den Wortanfangs-n-Grammen des Wortes w, so wird dieses mit großer Wahrscheinlichkeit kein gültiges Wort der Sprache sein. Dementsprechend berechnet sich die Wahrscheinlichkeit dass ein Wort w im Sinne seines Wortanfangs existiert aus A great help in assessing whether there is a word w are the word-beginning probabilities. For if there are no words in the language sample with the word-beginning n-grams of the word w, this will most likely not be a valid word of the language. Accordingly, the probability that a word w exists in the sense of the beginning of the word is calculated
Sobald auch nur eine einzige der Wortanfangs-n-Gramm-Häufigkeiten An(·) = 0 ist, ist auch die Wortanfangs-Wahrscheinlichkeit pA(w) = 0.As soon as even a single one of the word-beginning n-gram frequencies An (·) = 0 is also the word beginning probability pA (w) = 0.
Ein
Beispiel soll dies näher
erläutern.
Angenommen, es soll die Wortanfangs-Wahrscheinlichkeit für n-Gramme
der Länge
2 bis 5 und das Wort w = baumhaus berechnet werden. Es seien die
Häufigkeiten
aus der oben veranschaulichten Auflistung von Wortanfangs-Bigrammen
gegeben, die in diesem Beispiel immer den Wert 1 haben. Einige beispielhafte
Gesamtzahlen von Wortanfangs-n-Grammen seien NA(2) = 12, NA(3) =
10, NA(4) = 13, NA(5) = 11. Damit ergibt sich
Eine weitere große Hilfe bei der Einschätzung, ob es ein Wort w geben kann, sind wie erwähnt die Wortend-Wahrscheinlichkeiten. Gibt es in der Sprachstichprobe keine Wörter, die auf die gleiche Buchstabenkette enden wie das Wort w, so ist dieses mit großer Wahrscheinlichkeit kein Wort der Sprache. Berechnen lassen sich die Wortend-Wahrscheinlichkeiten direkt aus den Wortend-n-Grammen: Another great help in assessing if there is a word w is, as mentioned, the word end probabilities. If there are no words in the language sample that end in the same string of letters as the word w, then this is probably not a word of the language. The word end probabilities can be calculated directly from the word end n-grams:
Sobald auch nur eine einzige der Wortend-n-Gramm-Häufigkeiten En(·) = 0 ist, ist auch die Wortend-Wahrscheinlichkeit pE(w) = 0.As soon as even only one of the word end n gram frequencies En (·) = 0 is also the word end probability pE (w) = 0.
Ein unbekanntes Wortende deutet nicht unbedingt auf eine unsinnige Worthypothese hin, sondern kann genauso gut ein Indiz dafür sein, dass ein Wort noch nicht komplett eingegeben ist.One Unknown word ending does not necessarily indicate a nonsensical word hypothesis but may as well be an indication that a word is still there not completely entered.
Dies erläutert das folgende Beispiel: Angenommen, es soll die Wortend-Wahrscheinlichkeit für n-Gramme der Länge 2 bis 5 und das Wort w = baumhaus berechnet werden. Es seien die Häufigkeiten aus der oben veranschaulichten Auflistung von Wortend-Bigrammen gegeben, die in diesem Beispiel immer den Wert 1 haben, und einige beispielhafte Gesamtzahlen von Wortend-n-Grammen seien NE(2) = 22, NE(3) = 20, NE(4) = 23, NE(5) = 21.This explains the following example: Let's say you want the word end probability for n-grams of length 2 to 5 and the word w = Baumhaus be calculated. Given the frequencies from the list of word end bigrams illustrated above, which are always 1 in this example, and some example total numbers of word end n grams are NE (2) = 22, NE (3) = 20, NE (4) = 23, NE (5) = 21.
Damit
ergibt sich
Für die Ganzwort-Wahrscheinlichkeiten
gilt folgendes: Ist das zu bewertende Wort w so kurz, dass aus der
Sprachstichprobe Ganzwort-n-Gramme derselben Länge bestimmt wurden, so kann
die Auftrittswahrscheinlichkeit von w einfach angegeben werden als
Ein
Beispiel soll dies näher
erläutern.
Angenommen, es soll die Ganzwortwahrscheinlichkeit für die Wörter w =
der, w = du und w = lqü berechnet
werden. Es seien die Häufigkeiten
aus der oben erwähnten Sprachstichprobe
(immer 1 oder 0) gegeben und einige beispielhafte Gesamtzahlen von
Ganzwort-n-Grammen
seien NG(2) = 33, NG(3) = 30. Damit ergibt sich
Es wird nun anhand des Beispiels ”baumhaus” der konkrete Ablauf näher beschrieben, um aus der Vielzahl der möglichen Zeichenkombinationen für ein Wort (hier wie oben bereits angegeben: 61.440) eine sinnvolle Liste von Wortalternativen zu erstellen.It will now be based on the example of "Baumhaus" the concrete Process closer described to the variety of possible character combinations for a Word (here as already stated above: 61.440) a meaningful list to create word alternatives.
Aus der Liste L der möglichen Wörter werden alle Wörter entfernt, deren Wahrscheinlichkeiten pW(w) = 0 oder pA(w) = 0 sind. Diese Wörter stellen mit ziemlicher Sicherheit kein korrektes Wort dar. Aus Performancegründen ist es sinnvoll, bereits beim Aufbau der ersten Wortliste L dieses Kriterium anzuwenden und überhaupt nur Wörter in die Liste aufzunehmen, für die pW(w) ≠ 0 und pA(w) ≠ 0 gilt.Out the list L of possible words become all words whose probabilities pW (w) = 0 or pA (w) = 0 are removed. These words are almost certainly not a correct word dar. For performance reasons is it makes sense already in building the first word list L this criterion apply and at all only words to be included in the list for the pW (w) ≠ 0 and pA (w) ≠ 0 applies.
Aus den wenigen verbleibenden Worthypothesen wird eine sortierte Liste erzeugt, wobei sich die Reihenfolge der einzelnen Wörter aus folgenden drei Kriterien ergibt:
- (a) Zuerst stehen alle Wörter mit pG(w) ≠ 0, absteigend sortiert nach pG(w). Damit bekommen Wörter Priorität, für die Ganzwort-n-Gramme vorhanden sind.
- (b) Danach kommen alle Wörter mit pE(w) ≠ 0, absteigend sortiert nach pA(w)·pW(w)·pE(w). Damit bekommen Wörter, die ein komplettes Wort repräsentieren, Priorität vor solchen, die (bisher) nur teilweise eingegeben sind.
- (c) Es folgen alle restlichen Wörter, absteigend sortiert nach pA(w)·pW(w). In Vergleich zu der vorhergehenden Wortgruppe aus (b) werden Wörter hinten angestellt, die erst teilweise eingegeben sind. Sinnvoll wäre, dass die Eingabe von 2286428 als Hypothese zwar das Teil-Wort ”baumhau” findet, aber eventuell bessere Hypothesen bevorzugt, die nach (b) bereits ein gesamtes Wort repräsentieren.
- (a) First all words with pG (w) ≠ 0 are listed, sorted in descending order according to pG (w). This gives priority to words for which whole-word n-grams exist.
- (b) Then all words come with pE (w) ≠ 0, sorted in descending order according to pA (w) · pW (w) · pE (w). This gives words that represent a complete word priority over those that are (so far) only partially entered.
- (c) All remaining words follow, sorted in descending order by pA (w) · pW (w). Compared to the previous word group from (b), words are placed behind, which are only partly entered. It makes sense that the entry of 2286428 as a hypothesis, although the sub-word "tree" finds, but may prefer better hypotheses, which after (b) already represent an entire word.
Die Erfindung wird im folgenden anhand von Ausführungsbeispielen und der Zeichnung weiter erläutert. In der Zeichnung zeigen:The Invention will be described below with reference to embodiments and the drawing further explained. In the drawing show:
In
Die
zweckmäßige Ausgestaltung
der Ergänzung
der im Speicher
Im folgenden wird das erfindungsgemäße Verfahren anhand konkreter Ausführungsbeispiele in der deutschen und lateinischen Sprache bei Benutzung einer Telefontastatur weiter erläutert.in the The following is the process of the invention using concrete embodiments in German and Latin using a telephone keypad further explained.
Für das erste
Beispiel ist eine umfangreiche Sprachstichprobe mit 688.000 Wörtern benutzt
worden, die viele zusammengesetzte Wörter und auch Bücher aus
der Trivialliteratur enthält.
Die n-Gramm-Belegung ist wie folgt: Tabelle 1
An dieser Tabelle erkennt man gut, dass gerade durch die n-Gramme mit n = 4 und n = 5 viel Wissen repräsentiert wird, da ein Großteil (95%–99.99%) aller Vier- und Fünf-Buchstabenkombinationen in der Sprachstichprobe nicht vorkommen.At From this table one recognizes well that just by the n-grams with n = 4 and n = 5 represents a lot of knowledge is, as the bulk (95% -99.99%) all four- and five-letter combinations do not occur in the language sample.
Die Worterkennungsprozedur wird nun für die Wörter ”Ist” ”das” ”Baumhaus” ”schon” ”fertig”, ”Abschlussball”, ”Bierkasten”, ”Außenhandelsumsatz”, ”Fußballspiel” an Hand ihrer Ziffernfolgen 478 327 22864287 72466 337844. 2272458772255, 2437527836, 287364263357867289, 387225577435 erkannt werden. Zum Vergleich sind die Ergebnisse bei Verwendung der T9-Technologie der Firma Tegic angegeben.The The word recognition procedure now reads "finished", "prom", "beer box", "foreign trade turnover", "football game" for the words "is", "the" "tree house" their digit sequences 478 327 22864287 72466 337844. 2272458772255, 2437527836, 287364263357867289, 387225577435 are recognized. To the Comparison are the results when using the T9 technology the company Tegic stated.
Die
Tabelle 2 stellt das Ergebnis dar, wobei das gesuchte bzw. eingetippte
Wort in Fettschrift dargestellt ist. Dahinter steht die jeweilige
Wort-Hypothesenliste. Tabelle 2
Die Unterschiede zwischen den beiden Worterkennungsverfahren liegen im wesentlichen nicht bei der Bearbeitung der einfachen, gängigen Wörter. Viele zusammengesetzte Wörter, die sich bei Anwendung des erfindungsgemäßen Verfahrens erschließen, können mit dem herkömmlichen T9-Verfahren nicht gefunden werden. Dabei liegt die Rechenzeit zur Erstellung der o. g. Worthypothesenliste im nichtmessbaren Bereich.The Differences between the two word recognition methods lie essentially not when editing simple, common words. Lots compound words, which develop when using the method according to the invention can, with the conventional one T9 method can not be found. The calculation time is Creation of the o. G. Word hypothesis list in the unmeasurable area.
Das folgende Beispiel bezieht sich auf Latein auf einer 6-er Tastatur mit der folgenden Tastenbelegung: The following example refers to Latin on a 6-key keyboard with the following key mapping:
Die
Buchstaben j, k, w, z kommen im Lateinischen nicht vor und entfallen
daher. Das Beispiel zeigt, wie leicht sich die Texteingabe sowohl
an neue Sprachen, als auch an andere Tastaturen anpassen lässt. Daraus
ergibt sich folgendes Ausgabealphabet:
O(0) = {a, b, c, d}
O(1)
= {e, f, g, h}
O(2) = {i, l, m, n}
O(3) = {o, p, q, r}
O(4)
= {s, t, u}
O(5) = {v, x, y} The letters j, k, w, z do not appear in Latin and are therefore omitted. The example shows how easily text input can be adapted to new languages as well as other keyboards. This results in the following output alphabet:
O (0) = {a, b, c, d}
O (1) = {e, f, g, h}
O (2) = {i, l, m, n}
O (3) = {o, p, q, r}
O (4) = {s, t, u}
O (5) = {v, x, y}
Die
Sprachstatistik wurde aus einer Sprachstichprobe bestimmt, die ausschließlich eine
Reihe von längeren
lateinischen Originaltexten (z. B. Caesar ”Commentariorum Libri VII de
Bello Gallico”, ”Commentariorum Libri
III de Bello Civili”, ”Libri Incertorum
Auctorum”)
mit insgesamt 128.000 Wörtern
bestand. Nach der Auszählung
sind von den möglichen
n-Grammen folgende belegt: Tabelle 3
Aus Tabelle 3 ist wiederum ersichtlich, dass gerade durch die n-Gramme mit n = 4 und n = 5 viel Information geliefert wird, die die Sprachstichprobe selbst nicht enthält.Out Table 3 again shows that it is precisely the n-grams with n = 4 and n = 5 a lot of information is supplied, which is the language sample itself does not contain.
Im
folgenden sollen
Multa legas facito, perlectis neglege multa.
Qualis
artifex pereo!
[Cato Maior: ”Sieh' zu, dass du viel liest, und wenn du
es gelesen hast, dann lasse vieles davon unberücksichtigt.” und ”Welch großer Künstler scheidet mit mir dahin!”]
an
Hand ihrer Eingaben 24240 21104 100243, 313210424 2112111 24240.
340224 0342115 31313! erkannt werden. Es wird pro Wort jeweils die
gesamte sortierte Hypothesenliste angegeben, die korrekte Hypothese
in Fettdruck: Tabelle 4
Multa legas facito, perlectis negie multa.
Qualis artifex pereo!
[Cato Maior: "See that you read a lot and when you read it, much of it is ignored." And "What great artist is going away with me!"]
on the basis of their inputs 24240 21104 100243, 313210424 2112111 24240. 340224 0342115 31313! be recognized. The complete sorted list of hypotheses is given per word, the correct hypothesis in bold: Table 4
Claims (16)
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE102007014405A DE102007014405B4 (en) | 2007-03-26 | 2007-03-26 | Method for word recognition in character sequences |
EP08718135A EP2132656A2 (en) | 2007-03-26 | 2008-03-20 | Method for word recognition in character sequences |
PCT/EP2008/053430 WO2008116843A2 (en) | 2007-03-26 | 2008-03-20 | Method for word recognition in character sequences |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE102007014405A DE102007014405B4 (en) | 2007-03-26 | 2007-03-26 | Method for word recognition in character sequences |
Publications (2)
Publication Number | Publication Date |
---|---|
DE102007014405A1 DE102007014405A1 (en) | 2008-10-09 |
DE102007014405B4 true DE102007014405B4 (en) | 2010-05-27 |
Family
ID=39736022
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
DE102007014405A Expired - Fee Related DE102007014405B4 (en) | 2007-03-26 | 2007-03-26 | Method for word recognition in character sequences |
Country Status (3)
Country | Link |
---|---|
EP (1) | EP2132656A2 (en) |
DE (1) | DE102007014405B4 (en) |
WO (1) | WO2008116843A2 (en) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102008058271A1 (en) | 2008-11-20 | 2010-05-27 | Airbus Deutschland Gmbh | Supply unit for flexible supply channels |
US9189472B2 (en) | 2009-03-30 | 2015-11-17 | Touchtype Limited | System and method for inputting text into small screen devices |
GB0905457D0 (en) | 2009-03-30 | 2009-05-13 | Touchtype Ltd | System and method for inputting text into electronic devices |
US9424246B2 (en) | 2009-03-30 | 2016-08-23 | Touchtype Ltd. | System and method for inputting text into electronic devices |
GB0917753D0 (en) | 2009-10-09 | 2009-11-25 | Touchtype Ltd | System and method for inputting text into electronic devices |
GB201610984D0 (en) | 2016-06-23 | 2016-08-10 | Microsoft Technology Licensing Llc | Suppression of input images |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7129932B1 (en) * | 2003-03-26 | 2006-10-31 | At&T Corp. | Keyboard for interacting on small devices |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5031206A (en) * | 1987-11-30 | 1991-07-09 | Fon-Ex, Inc. | Method and apparatus for identifying words entered on DTMF pushbuttons |
WO1997005541A1 (en) | 1995-07-26 | 1997-02-13 | King Martin T | Reduced keyboard disambiguating system |
US5952942A (en) * | 1996-11-21 | 1999-09-14 | Motorola, Inc. | Method and device for input of text messages from a keypad |
FI974576A (en) | 1997-12-19 | 1999-06-20 | Nokia Mobile Phones Ltd | A method for writing text to a mobile station and a mobile station |
GB2373907B (en) | 2001-03-29 | 2005-04-06 | Nec Technologies | Predictive text algorithm |
US6794966B2 (en) | 2002-07-01 | 2004-09-21 | Tyco Electronics Corporation | Low noise relay |
EP1710668A1 (en) | 2005-04-04 | 2006-10-11 | Research In Motion Limited | Handheld electronic device with text disambiguation employing advanced editing feature |
-
2007
- 2007-03-26 DE DE102007014405A patent/DE102007014405B4/en not_active Expired - Fee Related
-
2008
- 2008-03-20 WO PCT/EP2008/053430 patent/WO2008116843A2/en active Application Filing
- 2008-03-20 EP EP08718135A patent/EP2132656A2/en not_active Withdrawn
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7129932B1 (en) * | 2003-03-26 | 2006-10-31 | At&T Corp. | Keyboard for interacting on small devices |
Non-Patent Citations (2)
Title |
---|
Wikipedia: N-gram. 24.03.07 (recherchiert am 19.08.08) * |
Wikipedia: N-gram. 24.03.07 <http://en.wikipedia.org/w/index.php?title=N-gram&oldid=117562125> (recherchiert am 19.08.08) |
Also Published As
Publication number | Publication date |
---|---|
EP2132656A2 (en) | 2009-12-16 |
WO2008116843A2 (en) | 2008-10-02 |
DE102007014405A1 (en) | 2008-10-09 |
WO2008116843A3 (en) | 2009-01-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
DE60123952T2 (en) | GENERATION OF A UNIFORM TASK DEPENDENT LANGUAGE MODEL THROUGH INFORMATION DISCUSSION PROCESS | |
DE112007000854B4 (en) | A portable electronic device that provides a learning function for facilitating correction of erroneous text input in an environment of a text requiring multiple sequential operations of the same key, and related method | |
DE60219943T2 (en) | METHOD FOR COMPRESSING DICTIONARY DATA | |
DE112007000847T5 (en) | A portable electronic device and method for learning context data during a disambiguation of a text input | |
DE112006003659T5 (en) | A portable electronic device and method for disambiguating text input and providing a spelling substitution | |
DE102007014405B4 (en) | Method for word recognition in character sequences | |
DE112007000848T5 (en) | A portable electronic device and method for performing an optimized spell check during text input by providing a sequentially arranged set of spell check algorithms | |
DE112007000727T5 (en) | A portable electronic device and method for performing a spell check during a text input and integrating the output of the spell check into disambiguation output | |
DE112007000855T5 (en) | A portable electronic device and method for performing a spelling check during text input and providing a spell check learning feature | |
EP2815396B1 (en) | Method for phoneticizing a data list and speech-controlled user interface | |
DE112005001283T5 (en) | Portable electronic device with text disambiguation | |
DE112006003651T5 (en) | Portable electronic device and method for disambiguating text input to suppress artificial variants with low probability | |
DE112005001284T5 (en) | Portable electronic device with text disambiguation | |
DE112007000728B4 (en) | A portable electronic device for providing a proposed corrected input in response to an erroneous text input in an environment of a text requiring multiple sequential operations of the same key, and related method | |
DE112005001282T5 (en) | Portable electronic device with text disambiguation | |
DE112005001314T5 (en) | Portable electronic device with text disambiguation | |
DE112006003660T5 (en) | A portable electronic device and method for disambiguating a text input that provides artificial variants consisting of characters in a core alphabet | |
DE112007000856B4 (en) | A portable electronic device and method for using context data to disambiguate a text input | |
EP2147363B1 (en) | Method and device for selecting designations from at least one predetermined word pool | |
EP1340169B1 (en) | Method and device for automatically issuing information using a search engine | |
DE112005002060T5 (en) | Portable electronic device with text disambiguation | |
EP1125278B1 (en) | Data processing system or communications terminal with a device for recognising speech and method for recognising certain acoustic objects | |
EP2034472B1 (en) | Speech recognition method and device | |
DE112005002059T5 (en) | Portable electronic device with text disambiguation | |
DE112005001313B4 (en) | Portable electronic device with text disambiguation |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
OP8 | Request for examination as to paragraph 44 patent law | ||
8364 | No opposition during term of opposition | ||
R082 | Change of representative |
Representative=s name: BEATE KOENIG, 80539 MUENCHEN, DE Representative=s name: BEATE KOENIG, DE Representative=s name: KOENIG, BEATE, DIPL.-PHYS. DR.RER.NAT., DE |
|
R119 | Application deemed withdrawn, or ip right lapsed, due to non-payment of renewal fee |