[发明专利]一种基于音形义的中文词相似度检测算法

权利要求书

1.一种基于音形义的中文词相似度检测算法，其特征在于，结合汉字的音形义三大特征对中文字符串进行相似度检测，包括以下步骤：

步骤S1：将输入的中文字符串s1、s2中的每个汉字拼音转换成二进制音码；

步骤S2:将输入的中文字符串s1、s2中的每个汉字按照字形转换为形码；

步骤S3:分别计算出中文字符串s1、s2的音码相似度、形码相似度、意思相似度；

步骤S4:考虑音码相似度、形码相似度、意思相似度对总体相似度的影响，最后得出中文字符串s1、s2的总体相似度；

所述步骤S2的具体步骤包括：

步骤S21:根据汉字编码规则，将汉字的结构分成横、竖、撇、捺、折，分别对所述横、竖、撇、捺、折设置相应的编码；

步骤S22:按照中文字符串s1、s2中每个汉字的所述横、竖、撇、捺、折出现的顺序，记下相应的编码，分别得到中文字符串s1、s2的笔顺码；

步骤S23:根据中文字符串s1、s2中每个汉字的笔画数获得笔画码，根据中文字符串s1、s2中每个汉字的字形结构获得结构码；

在所述步骤S3中，计算中文字符串s1、s2的音码相似度的步骤包括：

步骤S311:比较中文字符串s1、s2中的字符总长度，将字符总长度较短的字符串设为min_s，字符总长度较长的字符串设为max_s；

步骤S312:通过下式计算min_s与max_s中单个汉字a,b之间的音码相似度：

其中，h(a,b)为汉字a,b的音码汉明距离，len(a)为a的音码长度；

基于单个汉字之间的音码相似度，将min_s中的每一个汉字与max_s中的每一个汉字逐个进行音码相似度比较，基于单个汉字之间的音码相似度的比较结果，将max_s中的汉字重新交换排序；

步骤S313:计算出交换前后的汉字字符位置差，然后计算位置差的绝对值，并基于位置差的绝对值获得位置影响因素，所述位置影响因素为：

其中sum_position为各个位置差绝对值的和，len(max_s)为max_s的字符串长度；

步骤S314:通过加权编辑距离算法计算min_s与发生位置交换后的max_s的编辑距离lds_yin(max_s,min_s)；

步骤S315:计算中文字符串s1、s2的音码相似度：

其中α为位置贡献参数。

2.根据权利要求1所述的一种基于音形义的中文词相似度检测算法，其特征在于，所述步骤S1的具体步骤包括：

步骤S11：将中文字符串s1、s2中每个汉字拼音的每个声母根据格雷码对照表转换为二进制数；

步骤S12：将中文字符串s1、s2中每个汉字拼音的每个韵母根据格雷码对照表转换为二进制数；

步骤S13：若中文字符串s1、s2中的每个汉字拼音存在中间韵母，则将所述中间韵母根据格雷码对照表转换为二进制数；

步骤S14：将中文字符串s1、s2中每个汉字拼音的音调采用二进制数表示。

3.根据权利要求1所述的一种基于音形义的中文词相似度检测算法，其特征在于，在所述步骤S3中，计算中文字符串s1、s2的音码相似度的步骤还包括：若中文字符串s1、s2中的字符总长度相等，则将中文字符串s1、s2中的任一设定为min_s，另一设定为max_s，并执行步骤S312，若min_s和max_s完全匹配，再通过下式计算中文字符串s1、s2的音码相似度：

其中sum_sim_yin为各个相对应汉字的音码相似度之和。