[发明专利]一种汉字输入方法和装置

说明书

技术领域

本发明涉及一种汉字处理技术，尤其涉及一种汉字输入方法和装置。

背景技术

当前的汉字输入法系统大部分是基于词典系统以及词典系统中的词频来为用户提供候选词的排序。通过对大量文档的统计可以得到一个比较通用的词频和排序。一般的输入法是在特定的封闭的文档集合(例如，人民日报等)中进行词频统计的。

虽然现有的方法能够得到一些通用的词频。但发明人发现，随着互联网的普及，以及文化融合的不断进行，导致出现了很多新的词汇，采用封闭文档集合已经不能满足现在输入法的要求。类似“猪坚强”、“范跑跑”这种具有鲜明时代特性的词，在封闭集合中是挖掘不到的。因此，现有的汉字输入技术不能与时惧进，存在输入速度度慢、效率低的缺点。

发明内容

本发明的实施例提供了一种汉字输入方法和装置，可解决现有技术输入汉字速度慢、效率低的问题。

本发明的实施例提供了一种汉字输入方法，包括：根据互联网上的信息生成系统词典；根据用户输入的信息生成用户词典；根据所述系统词典和用户字典输入汉字。

本发明实施例还提供了一种汉字输入装置，包括：第一生成单元，用于根据互联网上的信息生成系统词典；第二生成单元，用于根据用户输入的信息生成用户词典；输入单元，用于根据所述系统词典和用户字典输入汉字。

由于本发明的实施例通过以公开的、实时变化的互联网信息为输入法的系统词典的词频统计来源，因此，生成的词频信息是最新和最佳的；并可以通过互联网以各种方式更新到输入法客户端，使用户的词频和互联网的词频保持一致；同时通过分析用户的输入行为学习用户专属的词汇，形成输入法的用户词典；通过以上方法提高了智能组句和首选词的准确率，从而提高了输入速度和效率。

附图说明

图1示出了本发明实施例的汉字输入方法；

图2示出了本发明实施例的汉字输入装置。

具体实施方式

为了便于本领域一般技术人员理解和实现本发明，现结合附图描绘本发明的实施例。

实施例一

如图1所示，本实施例提供了一种基于互联网信息及用户输入信息的汉字输入方法。该方法包括如下步骤：

步骤11、根据互联网上的信息生成系统词典。具体而言，将互联网上不同类型的文章信息(新闻、博客、论坛、聊天室聊天记录等)形成语料库；对语料库进行分词处理；统计词条的词频；对统计结果进行筛选，形成输入法的系统词典。

在步骤11中，将互联网上不同类型的文章信息形成语料库。不同类型的文章包括新闻、博客、论坛、聊天记录等文体类型，这些文体可以分成两大类：一种是网站编辑撰写的文本，这种类型的文本一般比较正式，例如新闻、评论等；一种是用户撰写的文本，这种类型的文本比较随意，例如博客、论坛、聊天室等。在组合语料库的同时进行重复网页分析，对重复出现的网页只记录一个副本。通过分析两种不同类的文本可以得到两种不同的词条，通过分析正式文本可以得到“六方会谈”“朝核问题”等新闻题材的正式用语；通过分析用户产生的文本，例如博客、论坛、聊天室，可以得到“雷人”、“山寨”、“宅男”、“宅女”等网络流行词汇。

在步骤11中，对语料库进行分词说明如下。英文是以词为单位的，词和词之间有分隔符，而中文却不同，中文是由多个字组成的词来表达意思的，词和词之间没有分隔符。所以对于英文是不需要分词的，而对于中文需要进行分词。所谓分词，就是把中文的汉字序列切分成有意义的词的过程。例如，北京是中国的首都，分词的结果是：北京是中国的首都。常用的分词方法有：

1、基于字符串匹配的方法：按照一定的策略将待分析的汉字串与一个已知的词典中的词条进行匹配，若词典中有这个字符串，则识别为一个词。该方法是机械的将汉字串进行切分，准且率不高，一般做为初分的手段。需要利用其他信息来提高分词的准确率。该词典可是系统词典，或是系统词典+用户词典，在本实施例中，优选地，该词典可是系统词典。

2、基于统计的方法：首先将待分析的汉字串按照字符串匹配的方法进行机械切分，对出现歧义切分的地方根据Viterbi(维特比)算法计算出一个概率最大的切分。该方法比基于字符串的方法具有较高的切分准确率。

3、基于理解的方法：对待分析的汉字串进行切分的同时进行语法分析，利用语法信息处理歧义切分。该方法需要大量的语言知识和信息。该方法的切分准确率是最高的。但是因为加入了大量的语言知识，对切分的性能也有一定的影响。

综上所述，基于字符串匹配的方法速度最快，准确率最低；基于理解的方法，准确率最高，但是速度最慢。