[发明专利]一种实现高命中率的逐词比对方法

说明书

技术领域

本发明涉及一种中英逐词比对方法，通过解决比对中的关键域问题，实现高命中率的逐词比对。

背景技术

在日常英文学习过程中，经常遇到中英比照的情况，如果能提供一种简单的逐词比对方法，当然是非常愉快的事情。目前的采用中文对英文标记后，存在由于中文分词过粗引起的未命中，如中文中有分词“我认为”，但是其英文关系中无“I think”。导致分词有结果，但是无法标记的情况。在我们常见的中英对照例句中，还经常存在系动词、冠词或介词等在对应语言例句中无法找到相应翻译的无实际意义的单词，而逐词比对时，需要对中英做对应标记，这类词由于无实际意义而导致无法加入标记序列。在中英逐次比对过程中会出现一个中文对应多个英文的情况，通常做法是按照先后顺序进行标记，这样会导致当英文例句为倒装句是，标记位置错误的情况。在逐词比对功能中，需要对中文以及对应的英文同时进行标记，但是由于收集的数据大部分来自于辞典数据，因此很大程度上都是标准的解释，而实际的中英例句中却存在各种灵活应用，导致经常性的根据标准释义无法找到对应数据的情况。

发明内容

本发明的技术解决方案是：本发明为一种实现高命中率的逐词比对方法，其特殊之处在于：该方法包括以下步骤：

1)多段英文字符串单元组成英文字符串(engdata)，多段中文字符串单元组成中文字符串(chndata)；

2)对英文字符串分词，得到长度为分词长度(phrlen)的英文分词结果集engphr(n＝0，。。。phrlen-1)；

3)判断英文分词结果集中一项engphr(n)是否存在于关键词字符列表中，否则结束，是则进至步骤4)；

4)查找中英字典，得到engphr(n)对应中文ID序列(chnidseq)(n＝0，。。。len-1)；

5)判断chnidseq(n)是否存在于关键词字符列表中，否则返回步骤3，重新选一个engphr(n+1)重复步骤3-5，是则进至步骤6；

6)查找chnidseq(n)的变形序列中文关联词序列(chnrelseq)(n＝0，。。。chnrelseq len-1)；

7)判断chnrelseq(n)是否存在于关键词字符列表中，否则返回步骤5)，是则进至步骤8)；

8)chnrelseq(n)在chndata中进行字符串匹配，如不匹配，则返回步骤7，重新选一个chnrelseq(n+1)，再重复步骤7-8，如果匹配则进行步骤9)；

9)对英中添加已经命中标识标记，从chndata中删除chnrelseq(n)。

该方法还包括在对照词典中对词条加入词性，将英文无意义单词和英文单词数据同时标记。

该方法还包括：

10)将英文数据和中文数据按单词划分为多个节点；

11)选择中文数据中未有对应英文的单词的节点作为目标节点；

12)以目标节点为中心，向两向扩散，计算放大率；

13)计算英文数据各节点相对与目标节点的位置权重；

14)计算待确认节点权重值，根据待确认节点权重值从英文数据中选择目标节点的对应节点。

上述步骤12)的具体步骤如下：

121)首先得到目标节点与中文数据中各个存在对应节点之间的关系，选取差值最大值作为最大基数，得到的Nmax；

122)计算中文数据中各个节点的放大率，放大率的计算公式为：

上述步骤13)中计算英文数据各节点相对与目标节点的位置权重的公式如下：DesStep(x)＝DesLen-|Des(x)-Des(x’)|。DesThr(X)＝∑(BaseThr(n)*DesThr(n))

上述步骤14)中计算待确认节点权重值的公式如下：DesThr(X)＝∑(BaseThr(n)*DesThr(n))。

该方法还包括步骤

15)读取一条中文数据，分析其每条英文解释和词性；

16)如果该解释的词性为形容词且该中文为以“的”结束；

17)去掉“的”后若词长大于1；

18)在关键词列表中查找该词；

19)如果存在，则该词作为新词添加；

20)增加该词及对应英文解释。

本发明具有以下优点：

1、本发明将传统的从英文向中文的比对路径该为中文向英文的比对路径，可以消除中文分词粒度过大导致的遗漏单元，将对逐词比对的命中率从56。78％提供到64。19％。