[发明专利]一种语音转录文本的实体纠错方法及系统

权利要求书

1.一种语音转录文本的实体纠错方法，其特征在于，包括：

对从目标语音转录文本中提取的实体词汇进行拼音标注；

利用标注的拼音及基于拼音相似度的编辑距离对实体词汇进行聚类，生成聚类结果；

将聚类结果中在同一类别出现频率最高的实体词汇确定为标准实体词汇，并将该类别中其他实体词汇替换为所述标准实体词汇；

利用标注的拼音及基于拼音相似度的编辑距离对实体词汇进行聚类，生成聚类结果，包括：

步骤S1：将所有实体词汇随机划分为若干类；

步骤S2：从所有实体词汇中依次选择待分类实体词汇，利用标注的拼音计算所述待分类实体词汇与每一类中所包含的所有实体词汇之间基于拼音相似度的编辑距离的平均值；

步骤S3：将所述待分类实体词汇划分入基于拼音相似度的编辑距离的平均值最小的类别中，并返回上述步骤S2，直至分类结果不再变化为止；

所述基于拼音相似度的编辑距离通过如下公式计算：

其中，Lev_a,b(i,j)表示字符串a中前i个字符和b中前j个字符之间的基于拼音相似度的编辑距离，i，j分别表示字符串a，b的长度，且i、j为自然数；sim_pinyin(a_i,b_j)表示字符a_i与字符b_j之间的拼音相似度，A表示拼音相似度的预设权重值；

计算两个字符的拼音相似度包括：

分别将两个字符的拼音分为声母部分和韵母部分；

利用预设声母分类规则判断所述两个字符的声母部分是否属于相同类别，并根据判断结果及预设赋值规则得到声母部分相似度；

利用预设韵母分类规则判断所述两个字符的韵母部分是否属于相同类别，并根据判断结果及预设赋值规则得到韵母部分相似度；

根据所述声母部分相似度及所述韵母部分相似度计算所述拼音相似度；

所拼音相似度通过如下公式计算：

其中，sim_pinyin(a_i,b_j)表示字符a_i与字符b_j之间的拼音相似度，g(a_i1,b_j1)表示字符a_i与字符b_j之间声母部分相似度，g(a_i2,b_j2)表示字符a_i与字符b_j之间韵母部分相似度，a_i1和a_i2分别表示字符a_i的声母和韵母，b_j1和b_j2分别表示字符b_j的声母和韵母；

所声母部分相似度通过如下公式计算：

其中，g(x1,y1)表示声母x1与声母y1的声母部分相似度，N1和N2为0－1之间的小数，且N1＞N2；

所韵母部分相似度通过如下公式计算：

其中，g(x2,y2)表示韵母x2与韵母y2的相似度，M1和M2为0－1之间的小数，且M1＞M2。