[发明专利]一种基于网页的互译翻译对抽取方法及装置

权利要求书

1.一种基于网页的互译翻译对抽取方法，其特征在于，所述方法包括：

针对查询的词或者词组，从网页上搜索包含所述词或者词组的文本；

从所述文本中提取至少一个包含两种语言的括号型文本对；

所述括号型文本对生成至少一个双语二元组，所述双语二元组为两种语言组成的二元组；

将所述至少一个双语二元组中所有相同的双语二元组进行合并，并求合并时各双语二元组的频度；

根据所述双语二元组的频度计算所述双语二元组的分值，计算公式为：S＝f(C，E)＝C(C，E)log(|C|+1)，其中，所述C(C，E)表示某个双语二元组的频度，所述C(C，E)中的C表示文本自动分词后的词序列中的词，E表示英文文本；所述|C|表示该双语二元组文本的文本字数；

从根据分值进行排列的双语二元组中，抽取出所述互译翻译对。

2.根据权利要求1所述的方法，其特征在于，所述括号型文本对具体为：中英文括号型文本对。

3.根据权利要求2所述的方法，其特征在于，从所述文本中提取至少一个包含两种语言的括号型文本对的具体实现为：

A1、判断与连续中文字符相邻的后面的字符是否为左括号，且所述左括号后的字符为连续英文字符，如果是，则执行步骤A2，否则，返回步骤A1；

A2、判断与所述连续英文字符相邻的后面的字符是否是右括号，如果是，执行步骤A3，否则，返回步骤A1；

A3、提取所述连续中文字符以及所述连续英文字符构成的文本对。

4.根据权利要求1所述的方法，其特征在于，所述从根据分值进行排列的双语二元组中，抽取出所述互译翻译对的具体实现为：

将所述双语二元组按照分值的降序进行排列；

从按照分值降序排列的双语二元组中，抽取分值大于预设门限值的双语二元组作为互译翻译对。

5.根据权利要求1所述的方法，其特征在于，在所述括号型文本对生成至少一个双语二元组之前，还包括：

将所述包含两种语言的括号型的文本对进行规范。

6.根据权利要求5所述的方法，其特征在于，在所述从根据分值进行排列的双语二元组中，抽取出所述互译翻译对之后，还包括：

将抽取出的所述互译翻译对还原至原网页格式。

7.根据权利要求6所述的方法，其特征在于，在所述将抽取出的所述互译翻译对还原至原网页格式之后，还包括：

建立查询所述互译翻译对的索引。

8.根据权利要求1所述的方法，其特征在于，在从所述文本中提取至少一个包含两种语言的括号型文本对之前，还包括：

将网页上不同编码的文本转换为同一种编码的文本；

所述从所述文本中提取至少一个包含两种语言的括号型文本对的具体实现为：

从所述同一种编码的文本中提取至少一个包含两种语言的括号型文本对。

9.一种基于网页的互译翻译对抽取的装置，其特征在于，所述装置包括：

搜索单元，用于针对查询的词或者词组，从网页上搜索包含所述词或者词组的文本；

提取单元，用于从所述搜索单元搜索的文本中提取至少一个包含两种语言的括号型文本对；

双语二元组生成单元，用于根据所述提取单元提取的括号型文本对，生成至少一个双语二元组，所述双语二元组为两种语言组成的二元组；将所述至少一个双语二元组中所有相同的双语二元组进行合并，并求合并时各双语二元组的频度；

计算单元，用于根据所述双语二元组生成单元生成的双语二元组的频度，计算所述双语二元组的分值，计算公式为：S＝f(C，E)＝C(C，E)log(|C|+1)，其中，所述C(C，E)表示某个双语二元组的频度，所述C(C，E)中的C表示文本自动分词后的词序列中的词，E表示英文文本；所述|C|表示该双语二元组文本的文本字数；

互译翻译对单元，用于根据计算单元计算出的分值，从根据分值进行排列的双语二元组中，抽取出所述互译翻译对。