[发明专利]词语的对齐方法、装置、电子设备及介质

权利要求书

1.一种词语的对齐方法，其特征在于，所述方法包括：

生成待对齐词语的拼音n-gram特征表，所述拼音n-gram特征表包括多个源特征；

对各所述源特征在预构建的实体词典中进行匹配，召回至少一个目标特征；

将召回的至少一个目标特征映射到所述实体词典中的至少一个实体词；

根据所述实体词与所述待对齐词语的相似度，确定与所述待对齐词语对齐的目标词语。

2.根据权利要求1所述的方法，其特征在于，所述方法还包括：若所述待对齐词语与所述目标词语不一致，则根据所述目标词语对所述待对齐词语进行纠错。

3.根据权利要求1或2所述的方法，其特征在于，所述实体词典是根据下述方法构建的：

将预收录到所述实体词典中的各实体词转化为第一拼音词语；

提取各所述第一拼音词语的二元以上的多个n-gram特征；

对提取的全部n-gram特征进行去重处理；

将具有同一个n-gram特征的多个实体词，按照预设的数据结构存储，形成所述实体词典；

或者，

将预收录到所述实体词典中的多个实体词按照相似度进行分组，得到多组实体词；

将各组实体词中的的各实体词转化为第一拼音词语；

提取各所述第一拼音词语的二元以上的多个n-gram特征；

对提取的全部n-gram特征进行去重处理；

将各组实体词中具有同一个n-gram特征的多个实体词，按照预设的数据结构存储，形成所述实体词典。

4.根据权利要求1或2所述的方法，其特征在于，所述生成待对齐词语的拼音n-gram特征表，包括：

将所述待对齐词语转化第一拼音词语；

提取所述第一拼音词语的二元以上的多个n-gram特征；

将提取的多个n-gram特征作为源特征，并按照字节数量由多到少降序排列为多行，每行包括一个源特征，得到所述待对齐词语的拼音n-gram特征表。

5.根据权利要求4所述的方法，其特征在于，所述对各所述源特征在预构建的实体词典中进行匹配，召回至少一个目标特征，包括：

按照由上到下的顺序遍历所述拼音n-gram特征表中的各源特征；

将各源特征作为键值，基于map检索方法，在所述实体词典中进行检索；

对于一个所述源特征，若在所述实体词典中能够检索到与所述源特征相同的拼音n-gram特征，则将所述拼音n-gram特征作为一个目标特征返回；否则，返回为空；当遍历到最后一个源特征，或者，当返回的目标特征的数量达到预设数量，则结束遍历。

6.根据权利要求1或2所述的方法，其特征在于，所述将召回的多个目标特征映射到所述实体词典中的至少一个实体词，包括：

确定与各所述目标特征对应的至少一个实体词；

将确定的实体词进行去重处理。

7.根据权利要求1或2所述的方法，其特征在于，所述根据所述实体词与所述待对齐词语的相似度，确定与所述待对齐词语对齐的目标词语，包括：

根据jaroWinkler方法、聚类方法、以及笔划算子中的一种或几种的结合，确定各所述实体词语与所述待处理词语的相似度；

将与所述待处理词语相似度最高的实体词语作为所述待处理词语的对齐词语。

8.一种词语的对齐装置，其特征在于，所述装置包括：

生成单元，用于生成待对齐词语的拼音n-gram特征表；

召回单元，用于将所述拼音n-gram特征表中的各源特征在预构建的实体词典中进行匹配，召回多个目标特征；

映射单元，用于将召回的多个目标特征映射到所述实体词典中的至少一个实体词；

对齐单元，用于根据所述实体词与所述待对齐词语的相似度，确定与所述待对齐词语对齐的目标词语。