[发明专利]一种自动识别同义术语的方法

说明书

技术领域

本发明涉及自然语言处理领域，特别是一种自动识别同义术语的方法。

背景技术

同一概念往往存在多个概念语词，即术语同义。这种现象的引发原因是多样的：同一概念在不同的领域可能以不同的术语表示；即使是在同一领域内，对同一外文术语的不同翻译也会造成同义术语现象。随着因特网的迅猛发展，国际交流的日益开展和深入，术语同义现象层出不穷，仅靠人工发现的方法不能保证及时性。术语同义的现象不仅影响人们顺畅地交流领域知识，也妨碍了计算机实现自动文本处理。

识别同义术语的方法有以下两种：

第一种方法是人工方法，即由语言学专家和领域专家以手工的方式建立起的同义术语列表。这种方法耗时耗力，不能保证识别的及时性。

第二种方法是自动方法，即由计算机依据一定的算法识别两个术语是否是语义相似的。这种方法又分为两种：（1）统计的方法，根据术语共现的概率自动计算术语的语义相似度。专利200910087076.1提出了一种获取同义词的方法和装置，该方法依据搜索引擎的查询记录获取同类型的词。这种方法计算复杂度高，效率较低。（2）编辑距离法，根据术语的语词组成情况自动判断术语的相似度。宋明亮在文章《汉语词汇字面相似度性原理与后控制词表动态维护研究》中提出了一种基于术语的字面相似度来判断术语是否同义的方法。这种方法的准确率和召回率都不够高。

发明内容

有鉴于此，本发明的目的是提供一种自动识别同义术语的方法，解决人工无法及时发现同义术语的问题，实现计算机自动地高效地识别同义术语。

本发明采用以下方案实现：一种自动识别同义术语的方法，其特征在于，包括以下步骤：

S01：提供一同义术语列表；

S02：判断待识别的两个术语是否为所述同义术语列表中所列出的同义术语；若是则进入步骤S06，若不是则进入步骤S03；

S03：将所述两个术语分别进行原子词切分为对应的原子词串；

S04：判断所述两个术语对应的原子词串是否为所述同义术语列表中所列出的同义术语；若是则进入步骤S06，若不是则进入步骤S05；

S05：判断所述两个术语对应的子串序列是否为所述同义术语列表中所列出的同义术语；若是则进入步骤S06，若不是则进入步骤S07；

S06：判定所述两个术语为同义术语；

S07：判定所述两个术语为非同义术语。

在本发明一实施例中，所述步骤S02具体的判断算法是：                                               ；其中，A和B是待识别的两个术语；Thesaurus是同义术语列表；指的是：A和B是同义术语列表中所列出的同义术语；如果计算结果是1，那么所述待识别的两个术语A和B同义。

在本发明一实施例中，所述步骤S04具体的判断算法是：；其中，是对A进行原子词切分所形成的原子词串的长度，是对B进行原子词切分所形成的原子词串的长度；是A对应的原子词串中的第i个原子词；是B对应的原子词串中的第i个原子词；如果计算结果是1，那么两个术语同义。

在本发明一实施例中，所述步骤S05具体的判断算法是：；其中，是A的子串序列的长度，是B的子串序列的长度；是A对应的子串序列中的第i个子串；是B对应的子串序列中的第i个子串；如果计算结果是1，那么两个术语同义。

在本发明一实施例中，所述同义术语列表取自同义词词林或者Hownet。

在本发明一实施例中，所述步骤S06判定所述两个术语为同义术语后，自动将所述两个术语作为同义术语加入所述同义术语列表中。

在本发明一实施例中，所述步骤S06判定所述两个术语为同义术语后，进行人工修正，最终判定为同义术语后将所述两个术语作为同义术语加入所述同义术语列表中。

本发明能够更高效地发现同义的术语，解决了同义现象层出不穷而人工无法及时发现的问题，从而简化语言学专家和领域专家的手工工作。

附图说明

图1是本发明一种自动识别同义术语的方法流程图。

图2是待识别的111个知识管理领域的术语图表。

图3是本发明对图2中111个术语进行自动识别同义术语后的结果图表。

具体实施方式

为使本发明的目的、技术方案及优点更加清楚明白，以下将通过具体实施例和相关附图，对本发明作进一步详细说明。

本发明提供一种自动识别同义术语的方法，其特征在于，包括以下步骤：

S01：提供一同义术语列表；