[发明专利]一种从分词净文本到富格式文本的着色方法

权利要求书

1.一种从分词净文本到富格式文本的着色方法，其特征在于：包含以下步骤：

S1：将分词净文本权重序列转为字权重序列；

S2：指定权重值对应的颜色，并形成颜色序列；

S3：使用Needleman_Wunsch计算字权重序列和颜色序列之间的最佳对齐结果；

S4：令分词净文本权重序列为str1，令富文本序列为str2，利用S3中的方法确定str1中的第i个字符可以对齐到str2中的第j个字符，将str1中的第i个字符的前后插入颜色标签。

2.根据权利要求1所述的从分词净文本到富格式文本的着色方法，其特征在于：所述分词净文本中的每一个字都有自己的权重值。

3.根据权利要求2所述的从分词净文本到富格式文本的着色方法，其特征在于：所述权重值可以为任意实数。

4.根据权利要求3所述的从分词净文本到富格式文本的着色方法，其特征在于：所述S3包含以下步骤：

A1：计算两个字符串的长度；

A2：建立一个len(str1)+1行len(str2)+1列的矩阵表格，全部初始化为0，然后在第1行和第1列每隔一位减3并填入数字；

A3：开始填入表格中的其余数字；

A4：根据表格F(i,j)来确定最佳对齐序列。

5.根据权利要求4所述的从分词净文本到富格式文本的着色方法，其特征在于：所述A3中填入方法为：比较表格位置对应的两个字符串的字符；使用F(i,j)表示表格中第i行第j列的值，显然F(0,0)＝0，且表格的第1行和第1列都已经初始化；则有

其中x_i表示字符串str1中的第i个字符，x_j表示字符串str2中的第j个字符，s(x_i,x_j)判断这两个字符串是否相同，若相同值为8，若不同值为-5，d为加入空位进行匹配的情况，d＝-3。

6.根据权利要求5所述的从分词净文本到富格式文本的着色方法，其特征在于：所述A4中确定最佳对其序列的方法为：从表格的最右下端开始，考察相邻的4个元素，分别是F(i,j),F(i-1,j-1),F(i-1,j),F(i,j-1)，在F(i-1,j-1),F(i-1,j),F(i,j-1)中寻找最大的一个，以下为三种情况：

*若F(i-1,j-1)最大，则进一步判断是否F(i,j)F(i-1,j-1)，若成立，说明str1的第i个字符对齐到str2的第j个字符；若不成立，说明str1的第i个字符在str2中没有对齐字符；

*若F(i-1,j)最大，说明str1的第i个字符在str2中没有对齐字符；

*若F(i,j-1)最大，说明str1的第i个字符和str2的第j个字符不匹配，需要向前继续寻找str2中的第j-1个字符看是否可以匹配；

通过以上步骤可以得到str1中的第i个字符对齐到str2中的第j个字符的映射表：(i→j),注意当str1中的第i个字符在str2中没有对齐字符时，j的值取无效值-1。