[发明专利]一种获取新词的方法、系统及设备

说明书

技术领域

本发明涉及信息提取技术，特别是指一种利用即时通信(IM)系统获取新词的方法、系统及实现新词获取的即时通信客户端和服务器。

背景技术

随着信息化、电子化和网络化的迅猛发展和普及，人们每天会从各种通信网络、互联网络接触或获取到巨大的信息量；随着信息的大量传播以及人们交流内容的不断扩展，新的词汇层出不穷并被广泛使用。由于词汇是人们沟通的基础，不断增加和更新词库是非常必要的。目前，新词获取在输入法和网络搜索等领域应用较多，对于输入法而言，需要不断更新自身的数据库，以保证为用户提供更多的词汇、更方便的输入；对于搜索引擎而言，需要随时更新和扩展搜索关键词，以提高搜索速度。

具体来说，在输入法方面，现在常用的中文输入法包括键盘输入和非键盘输入两类，所谓键盘输入是指利用键盘上的26个英文字母，按照一定的编码规则输入汉字，如：拼音输入、部首输入、五笔输入等等；所谓非键盘输入是指利用其他形式输入汉字，如手写输入、语音输入、光学字符识别(OCR)技术输入等等。但是，这两类输入方式对获取新词都存在不同程度的问题：键盘输入法，是依据用户的输入频率和次数等特征获取新词，一般的方式是：先采集输入信息并将输入的信息存储，然后对存储的信息按预置规则进行筛选和统计，这样，虽然能准确的获取新词，但所获取的新词仅来源于某个用户、且仅存储在该用户当前使用的终端上，并不能面向更多用户，即使很多新词是大家都常用的，不同用户也需要各自通过频繁输入分别获取；而且，对于同一用户，由于新词仅存储在当前使用的终端上，那么，更换终端后又需要重新获取，比如：在办公室的终端上已得到很多常用的新词，但在自家的终端上使用所需的新词时又需要重新获取。非键盘输入法，很明显，这类输入本身是靠设备或软件对笔迹、声音、光学字符的识别完成汉字的输入，并不能保证较高的识别准确度，那么，在这种识别程度上获取新词，很可能得到错误的词汇或并非所需的词汇，因此很难达到获取新词的真正目的。在网络搜索方面，新词的获取是将采集到的所有网络用户输入的关键词，汇集到网络服务器上存储，之后再进行统计和提取。但是，由于新词的不断出现，且分散在不同的语料库中，很难及时、有效地识别与更新；而且，现有技术通常会采用人工参与收集、整理和辨别新词的方式，再将得到的新词加入已有词库中，如此，不仅耗费时间、成本，且工作效率很低。

可以看出，现有技术获取新词的途径相对较少，主要是对用户输入和查询关键词进行收集和统计，进而获取到新词，目前并未将其它信息来源作为新词的获取源。

发明内容

有鉴于此，本发明的主要目的在于提供一种获取新词的方法，能基于即时通信的词源简单、有效、实时地自动获取新词，并能使所获取的新词适用范围更广。

本发明的另一目的在于提供一种获取新词的系统及设备，能支持基于即时通信的新词自动获取方式，实现简单方便、灵活有效。

为达到上述目的，本发明的技术方案是这样实现的：

本发明提出了一种获取新词的方法，包括：

A、从聊天数据中获取备选字符串；

B、根据预置规则对所得到的备选字符串进行筛选，将经过筛选后的词作为新词。

步骤A中，所述的获取为：获取本端输入的聊天数据；或为获取接收到的对端的聊天数据，其中，所述对端为一个或一个以上。

所述聊天数据为本端输入的聊天数据；则步骤A具体为：

IM客户端软件接收当前用户通过输入法输入的数据信息，在将输入数据作为聊天记录显示于即时通信界面的同时，将当前的输入信息作为备选字符串；

或者，所述聊天数据为来自对端的聊天数据；则步骤A具体为：

IM客户端软件接收对端发来的数据信息，在将接收的数据信息作为聊天记录显示于即时通信界面的同时，将收到的数据信息作为备选字符串。

步骤A与步骤B之间进一步包括：将备选字符串划分为一个或一个以上的词；则步骤B根据预置规则对所得到的词进行筛选。

步骤B所述筛选后进一步包括：统计并判断经过筛选的词在指定位置出现的次数是否达到设定阈值，如果达到，则将相应词作为新词；否则不作为新词。其中，所述指定位置为互联网数据，或为来自本端或对端的聊天记录。

上述方案中，该方法进一步包括：将获取的新词并入各种输入法的数据库。

上述方案中，所述步骤A和步骤B由IM客户端完成，该方法进一步包括：IM客户端将获取的新词通过即时通信系统发送给对端用户。