[发明专利]一种双语平行语料的自动提取方法、电子设备及存储介质

说明书

本发明提供一种双语平行语料的自动提取方法、电子设备及存储介质，该方法包括：获取第一专利文件，从中提取第一图片和第一专利文本，识别第一图片中的第一元素，第一专利文件使用的语言为第一语种；获取与第一专利文件相关联的第二文件，从中提取第二图片和第二文本，识别第二图片中的第二元素，第二文件使用的语言为第二语种；计算第一、第二元素的相似度，当相似度值大于或等于第一阈值时，获取第一元素的第一附图标记名称和第二元素的第二附图标记名称；计算第一、第二附图标记名称的对齐度，当对齐度大于或等于第二阈值时，将第一附图标记名称和第二附图标记名称作为平行语料。采用本申请的方案，提高了提取平行语料的准确度。

技术领域

本发明涉及计算机应用技术领域，具体涉及一种双语平行语料的自动提取方法、电子设备及存储介质。

背景技术

随着全球化的发展，翻译的需求与日俱增。翻译过程依赖双语词典，双语词典的生成主要依赖双语文本及通过爬虫技术爬取的网页资源，图片作为常见的信息载体，从图片中获取双语词典的平行语料也成为提取双语平行语料的方式之一。

现有的从图片中提取双语平行语料方式，主要是通过查找相似的图片，提取图片中的双语文字信息。而在上述过程中，获取到的图片往往仅是外形相似，内容上的关联度并不高，由此提取到的平行语料准确度较低。

发明内容

为了解决上述技术问题，本申请提供一种双语平行语料的自动提取方法、电子设备及存储介质，以提高提取平行语料的准确度。

本申请的第一方面提供了一种双语平行语料的自动提取方法，所述方法包括：

获取第一专利文件，从第一专利文件中提取第一图片和第一专利文本，识别第一图片中的第一元素，其中，第一专利文件所使用的语言为第一语种；

获取与第一专利文件相关联的第二文件，从第二文件中提取第二图片和第二文本，识别第二图片中的第二元素，第二文件所使用的语言为第二语种，第一语种与第二语种为不同语种；

当识别出的第一元素和第二元素为同一类别的元素时，计算第一元素和第二元素的相似度值，当相似度值大于或等于第一阈值时，获取第一专利文本中关于第一元素的第一附图标记名称和第二文本中关于第二元素的第二附图标记名称；

计算第一附图标记名称和第二附图标记名称的对齐度，当对齐度值大于或等于第二阈值时，将第一附图标记名称和第二附图标记名称作为平行语料。

通过采用上述技术方案，利用第一专利文件和第二文件的关联关系获取到的图片内容相关度较高，并且，通过识别相关技术文献附图中的具体元素进行局部匹配，单个元素之间的匹配度更高，提高了获取平行语料的准确度。

可选的，所述第二文件可以为第一专利的同族专利文件，或为引用第一专利文件的专利文件，或为被第一专利文件引用的专利文件，或为与第一专利文件同一专利分类号下的专利文件。第二文件还可以为被第一专利文件引用的非专利文件。

可选的，所述获取与第一专利文件相关联的第二文件，包括：

提取第一专利文件的发明人信息，根据发明人信息，获取第二文件，第二文件为发明人申请的专利或发表的论文。

可选的，获取与第一专利文件相关联的第二文件，还包括：

提取第一专利文件中第一元素的第一附图标记名称，根据第一附图标记名称，检索第二文件或是根据第一专利文件的第一图片，检索第二文件。

通过采用上述技术方案，第一专利文件和第二文件内容具有强相关性，通过上述关联关系获取第二文件，能够快速、准确地获取与第一图片相关度高的文件中的图片，提高了获取平行语料的效率，也提高了获取的平行语料的准确度。

可选的，所述识别第一图片中的第一元素，包括：

识别第一图片中的第一附图标记，根据第一附图标记对第一图片进行分割，将第一图片分割为一个或多个第一子图片，将第一子图片通过分类模型分类，识别第一子图片中的第一元素；