[发明专利]文字校对方法和装置

说明书

技术领域

本发明涉及文字处理领域，尤其涉及一种对校对文字质量的控制方法和装置。

背景技术

一个完整的文档录入系统分为以下部分：纸质资料的整理、扫描、图像预处理、版面分析、识别、校对和保存，其中校对是保证录入文档内容准确性的重要一环。现有校对主要借助机器进行，主要方式有两种：横向校对和纵向校对。

横向校对：直接将识别结果文本与图像进行对比，系统自动调用文本所对应的图像进行比对，同时，以颜色标记识别可信度不高的文字。

纵向校对：将文档中识别结果为同一个字的文字图像集中显示，并以突出颜色标出可疑字，发现错误并修改。

在实现上述文字校对的过程中，现有技术中至少存在如下问题：无论是横向校对还是纵向校对，校对后都会存在一些残留的没有校对出的错误，比如某字多处识别错误，只修改了一部分，对于这些残留错误需要逐字核查，如果做大量这样的工作的话，容易引起校对人员视觉疲劳，造成校对的准确率降低，而且需要消耗大量的时间和精力。

发明内容

本发明的实施例提供一种文字校对方法和装置，能够保证校对的准确率。

为达到上述目的，本发明的实施例采用如下技术方案：

一种文字校对方法，包括：

收集对文字进行校对的修改信息；

根据所述修改信息建立易错词表；

根据易错词表查找文字中的可疑字并进行提示。

一种文字校对装置，包括：

修改统计模块：用于收集对文字进行校对的修改信息；

易错词表建立模块：用于根据所述修改信息建立易错词表；

易错词表报警模块：用于根据易错词表查找文字中的可疑字并进行报警。

本发明实施例提供的文字校对方法和装置，利用文字校对的修改信息建立易错词表，然后去全文中搜索残留的可疑字并对残留可疑字报警，方便核查，相对之前逐字核查找错检验校对质量的方法，本发明大大减少了核查工作量，减轻了核查人员的疲劳程度，在低报警率下保证了文字校对的质量。

附图说明

图1为本发明文字校对方法的一个实施例的流程图。

图2为本发明文字校对方法的另一个实施例的流程图。

图2a为易错词表结构采用哈希表结构的结构示意图。

图2b为易错词表结构采用汉字内码索引结构的结构示意图。

图2c为“比”字的形似字集合示意图。

图2d为分类图像示意图。

图2e为图像聚类中的个类示意图。

图3为本发明文字校对装置的一个实施例的结构示意图。

具体实施方式

下面结合附图对本发明实施例校对方法和装置进行详细描述。

本发明文字校对方法的一个实施例，如图1所示，包括：

S101、收集对文字进行校对的修改信息。

首先对电子化文档进行或者其它机器辅助校对，所述文档可以是中文、英文或其它语言写成，校对可以借助现有校对方式进行，比如横向校对和纵向校对。将所述校对后的文档信息与校对前的文档信息进行通篇逐字比较，得到校对过程中的修改信息，包括字符的识别候选，修改之后的字符编码，该字符在数据包的位置信息和该字符图像的位置信息等。

S102、根据所述修改信息建立易错词表。

本步骤中，根据校对文字的语种确定该语种文字表述的使用习惯，比如，校对的文档主体是以中文构成的，中文是以单字结合成词语的方式使用的，那么就先建立一个中文的语言模型，所述语言模型包括中文中不同文字组合成一个词使用的概率。将概率量化成组合得分的形式，比如可以根据常用程度将不同字组合成一个词的概率映射到0至255之间的组合得分，最生僻的词为0，最常见的词为255。

如果从修改信息中查找到一处孤立修改的字，结合语言模型，取该字与前后相邻字组合成词中得分最高的词，用目标字符(也就是修改前的字)替换更新字符(也就是修改后的字)添加到易错词表。比如，修改信息显示文档中有一处将“期间发生”错识成“期问发生”，又有修改成“间”的记录，结合语言模型可以得到“期间”的得分高于“间发”的得分，因此将“期问”和对应的可疑字“问”添加到易错词表。

S103、根据易错词表查找文字中的可疑字并进行提示。

根据易错词表对校对后的文档进行通篇查找，如果在校对后的文档中出现易错词表中的词，对该词的可疑字(曾经出现在修改信息中的字)进行标识提示。