[发明专利]中文文本相似度的确定方法和装置

权利要求书

1.一种中文文本相似度的确定方法，其特征在于，包括：

将第一中文文本中的汉字转化为拼音，得到第一拼音文本，将第二中文文本中的汉字转化为拼音，得到第二拼音文本；

按照汉语拼音的规则统计所述第一拼音文本中每种拼音单元的个数和所述第二拼音文本中每种拼音单元的个数；

由所述第一拼音文本中每种拼音单元的个数生成第一特征向量，由所述第二拼音文本中每种拼音单元的个数生成第二特征向量；

计算所述第一特征向量与所述第二特征向量的距离；

根据所述距离确定所述第一中文文本与所述第二中文文本的相似度，其中，所述距离越小，所述第一中文文本与所述第二中文文本的相似度越高；

其中，按照汉语拼音的规则统计所述第一拼音文本中每种拼音单元的个数和所述第二拼音文本中每种拼音单元的个数包括：将汉字中的一个声母作为一个拼音单元，一个韵母作为一个拼音单元，统计所述第一拼音文本中每种声母和每种韵母的个数以及所述第二拼音文本中每种声母和每种韵母的个数。

2.根据权利要求1所述的方法，其特征在于，按照汉语拼音的规则统计所述第一拼音文本中每种拼音单元的个数和所述第二拼音文本中每种拼音单元的个数包括：

将汉字中的一个整体认读音节作为一个拼音单元，非整体认读音节的汉语拼音的一个声母作为一个拼音单元，非整体认读音节的汉语拼音的一个韵母作为一个拼音单元，统计所述第一拼音文本中每种声母、每种韵母以及每种整体认读音节的个数以及所述第二拼音文本中每种声母、每种韵母以及每种整体认读音节的个数。

3.根据权利要求1或2中任一项所述的方法，其特征在于，由所述第一拼音文本中每种拼音单元的个数生成第一特征向量，由所述第二拼音文本中每种拼音单元的个数生成第二特征向量包括：

将所述第一拼音文本中每种拼音单元的个数分别插入到预设向量的相应维度的位置，得到所述第一特征向量，将所述第二拼音文本中每种拼音单元的个数分别插入到预设向量的相应维度的位置，得到所述第二特征向量，其中，所述预设向量为具有与按照预设顺序排列的拼音单元的种类一一对应的多个维度的向量。

4.根据权利要求1所述的方法，其特征在于，计算所述第一特征向量与所述第二特征向量的距离包括：

计算所述第一特征向量与所述第二特征向量中每个对应维度的差；

将所述每个对应维度的差取绝对值，并将所述绝对值相加，得到所述距离。

5.一种中文文本相似度的确定装置，其特征在于，包括：

转化单元，用于将第一中文文本中的汉字转化为拼音，得到第一拼音文本，将第二中文文本中的汉字转化为拼音，得到第二拼音文本；

统计单元，用于按照汉语拼音的规则统计所述第一拼音文本中每种拼音单元的个数和所述第二拼音文本中每种拼音单元的个数；

生成单元，用于由所述第一拼音文本中每种拼音单元的个数生成第一特征向量，由所述第二拼音文本中每种拼音单元的个数生成第二特征向量；

计算单元，用于计算所述第一特征向量与所述第二特征向量的距离；

确定单元，用于根据所述距离确定所述第一中文文本与所述第二中文文本的相似度，其中，所述距离越小，所述第一中文文本与所述第二中文文本的相似度越高；

所述统计单元具体用于将汉字中的一个声母作为一个拼音单元，一个韵母作为一个拼音单元，统计所述第一拼音文本中每种声母和每种韵母的个数以及所述第二拼音文本中每种声母和每种韵母的个数。

6.根据权利要求5所述的装置，其特征在于，所述统计单元具体用于将汉字中的一个整体认读音节作为一个拼音单元，非整体认读音节的汉语拼音的一个声母作为一个拼音单元，非整体认读音节的汉语拼音的一个韵母作为一个拼音单元，统计所述第一拼音文本中每种声母、每种韵母以及每种整体认读音节的个数以及所述第二拼音文本中每种声母、每种韵母以及每种整体认读音节的个数。