[发明专利]基于海量自然文本的自动词组提取技术

权利要求书

1.一种自动词组提取技术，其特征在于，在汉字输入的过程中，根据用户的输入码，从预先准备的自然文本中自动提取出所期望的词组，这些词组都不需要预先预先特别定义。

2.一种自动词组提取技术，其特征在于，对一串由用户输入的汉字输入码ABCDEF，首先根据第一个输入码A，从预先准备的自然文本中检索出一个输入码亦为A的汉字，继而提取出相邻的下一汉字，通过查表得到其对应的输入码X，将X与输入码ABCDEF中的对应部分B进行比较，如果符合，则再提取下一字重复进行类似比较，直至CDEF均符合为止，由此得到的输入码符合ABCDEF的汉字序列，即为自动提取出的词组。

3.根据权利要求2所述，所谓输入码ABCDEF，其中的每个字母代表一个汉字的输入码，在实际输入过程中可以是一个或多个对应的字母或数字。

4.根据权利要求2所述，其特征在于，汉字与输入码的对应关系，来自于预先准备的“汉字-输入码”对照表，一个汉字可以对应一个或多个输入码，如果一个汉字对应多个输入码，在上述2的过程中，对同一汉字所对应的多个输入码X要进行多次与B的比较。

5.根据权利要求2所述，其检索判断的过程，可以从上述“ABCDEF”的任意部分开始，还可以同时进行多个“汉字-输入码”的检索判断，只要最终得到的汉字序列所对应的输入码能够符合ABCDEF即可，对于不同的具体实施方案，可以是全部符合ABCDEF，也可以是部分符合。

6.一种自动词组提取技术，其特征在于，在检索出候选的词组后，还可以配合其他技术，对所检索结果的有效性进行判断，并根据出现的频率排序，使候选词组的数量降至最少，便于用户选择。

7.根据权利要求2所述，其特征在于，所谓“自然文本”，是指可以被电脑储存、检索的各种电子化文档或网络内容，如电子文本的书籍、论文、报告、新闻稿件等，不再需要任何另外的加工，文件的大小也不受限制。

8.一种自动词组提取技术，其特征在于，其与汉字输入法的键盘编码方案无关，可以适用于各种汉字输入法。