[发明专利]新词识别方法和装置

权利要求书

1.一种新词识别方法，其包括：

根据用户提交的搜索查询词中所包含的能匹配的片段，提取未能匹配的连续的多个片段；

统计所述搜索查询词对应的被点击的搜索结果网页的内容与所述多个片段之间的对应关系；

查找与所述搜索结果网页类型相同的网页集合，并获取所述网页集合对应的搜索查询词集合；

从所述搜索查询词集合中，查找出均包含所述多个片段的多个搜索查询词；

根据所述对应关系，判断是否将所述搜索查询词中连续的所述多个片段识别为一个新词。

2.根据权利要求1所述的方法，其中，

所述搜索结果网页的内容为所述搜索结果网页的标题。

3.根据权利要求2所述的方法，

其中，统计所述搜索查询词对应的被点击的搜索结果网页的内容与所述多个片段之间的对应关系，具体包括：

计算在所述标题中所述多个片段按照其在所述搜索查询词中的顺序连续出现的概率作为第一概率；

根据所述对应关系，判断是否将所述搜索查询词中连续的所述多个片段识别为一个新词，具体包括：

根据所述第一概率的大小，判断是否将所述搜索查询词中连续的所述多个片段识别为一个新词。

4.根据权利要求3所述的方法，其中，统计所述搜索查询词对应的被点击的搜索结果网页的内容与所述多个片段之间的对应关系，还包括：

计算在均包含所述多个片段的多个搜索查询词中，所述多个片段按照其在所述搜索查询词中的顺序连续出现的概率作为第二概率；

根据所述对应关系，判断是否将所述搜索查询词中连续的所述多个片段识别为一个新词，具体包括：

根据所述第一概率、所述第二概率的大小，判断是否将所述搜索查询词中连续的所述多个片段作为一个新词。

5.根据权利要求1至4中任一项所述的方法，其中，在从用户提交的搜索查询词中，提取未能匹配的连续的多个片段之前，还包括：

从搜索引擎的搜索日志中，查找所述搜索查询词以及所述搜索结果网页。

6.一种新词识别装置，其包括：

片段提取模块，用于根据用户提交的搜索查询词中所包含的能匹配的片段，提取未能匹配的连续的多个片段；

对应关系统计模块，用于统计所述搜索查询词对应的被点击的搜索结果网页的内容与所述多个片段之间的对应关系；

新词识别模块，用于根据所述对应关系，判断是否将所述搜索查询词中连续的所述多个片段识别为一个新词；

搜索查询词集合获取模块，用于查找与所述搜索结果网页类型相同的网页集合，并获取所述网页集合对应的搜索查询词集合；

搜索查询词获取模块，用于从所述搜索查询词集合中，查找出均包含所述多个片段的多个搜索查询词。

7.根据权利要求6所述的装置，其中，

所述搜索结果网页的内容为所述搜索结果网页的标题。

8.根据权利要求7所述的装置，其中，

所述对应关系统计模块计算在所述标题中所述多个片段按照其在所述搜索查询词中的顺序连续出现的概率作为第一概率；

所述新词识别模块根据所述第一概率的大小，判断是否将所述搜索查询词中连续的所述多个片段识别为一个新词。

9.根据权利要求8所述的装置，其中，

所述对应关系统计模块还计算在均包含所述多个片段的多个搜索查询词中，所述多个片段按照其在所述搜索查询词中的顺序连续出现的概率作为第二概率；

所述新词识别模块根据所述第一概率、所述第二概率的大小，判断是否将所述搜索查询词中连续的所述多个片段作为一个新词。

10.根据权利要求6至9中任一项所述的装置，其中，还包括：

搜索日志查找模块，用于从搜索引擎的搜索日志中，查找所述搜索查询词以及所述搜索结果网页。