[发明专利]一种汉语兼语结构获取方法

摘要

本发明涉及一种汉语兼语结构获取方法，包括对原始训练语料库Corpus进行分词，形成分词语料库TCorpus；识别分词语料库TCorpus中的每条语句Si中动词；应用兼语模式对TCorpus中的语句进行分析，对满足兼语模式的语句形成候选兼语结构，并且置入待验证的兼语结构库SOBase中；验证候选兼语结构库SOBase，并输出最终结果SOBaseResult；本发明引入了兼语模式，可在不降低获取效果的前提下极大地控制兼语形式的复杂性。针对汉语构词和语句的复杂性，为确保兼语结构的准确性，本发明从“兼语结构搭配多样性”、“兼语结构搭配常见性”双重角度，对获得的兼语结构进行严格的验证。

主权项

一种汉语兼语结构获取系统，其特征在于：包括对原始训练语料库Corpus进行分词，形成分词语料库TCorpus的模块A；识别分词语料库TCorpus中的每条语句Si中动词的模块B；应用兼语模式对TCorpus中的语句进行分析，对满足兼语模式的语句形成候选兼语结构，并且置入待验证的兼语结构库SOBase中的模块C；验证候选兼语结构库SOBase，并输出最终结果SOBaseResult的模块D；上面所述模块中，模块A采用一个开源的ICTCLAS系统对RCorpus中的每篇输入文本进行分词，并且将每篇文本按照句子的自然分割进行分拆，形成不含有句子标点符号的简单句；因此，TCorpus每个句子的形式为Si＝“W1/posl W2/pos2…Wi/posi…Wn/posn”，其中每个Wi是一个汉语词、汉字、标点符号、阿拉伯数字、英文单词或字母，posi是其对应的词性；模块A产生分词后的结果将传给模块B，模块B识别分词语料库TCorpus中的每条语句Si中的动词或动词词组；模块B对TCorpus中的每条语句Si进行动词合并处理，即出现“W1/v W2/v”时，则按照“W1W2/v”进行合并处理，即将两个或两个以上的动词，合并为一个动词，称此过程为动词合并处理；在上述处理后，对修饰动词的副词进行消除处理，即将动词前的所有修饰副词全部删除；模块B完成动词识别、副词处理后，将结果传给模块C；模块C应用兼语模式对TCorpus中的语句进行分析，对满足兼语模式的语句形成候选兼语结构，并且置入待验证的兼语结构库SOBase中；模块C完成兼语模式分析后，将结果传给模块D以便验证兼语结构的正确性；模块D对候选兼语结构库SOBase中的每条记录<“Vi，1…Vi，2”，“Ni，1Vi，1Ni，2Vi，2Ni，3”>进行兼语搭配常见性验证、兼语搭配多样性验证。