[发明专利]一种文档纠错标记方法

说明书

本发明涉及一种文档纠错标记方法，属于信息处理技术领域。本发明先将待纠错文档以分隔符划分为小颗粒集合形式，通过特定的分词算法对所有集合元素进行分词操作，之后根据英文单词数据库查找是否存在英文单词的拼写错误并记录，然后计算所有词集合的词长度，若存在连续多个独立词，即存在连续多个词的长度都为1，则记录至错误词集合中，最后通过错误词集合中的数据对待纠错文档进行错误标记，生成已纠错文档并导出。本发明与现有技术相比，主要解决了现有技术对除英文外的其他语言支持性差，特别是针对中文文档的纠错标记不完善、支持性差等现象，致力于增加目前依靠计算机对中文文档进行纠错标记的支持性。

技术领域

本发明涉及一种文档纠错标记方法，属于信息处理技术领域。

背景技术

文档纠错标记是信息处理技术中一项非常重要的常用技术，通常我们使用的WORD或WPS中都有文档纠错标记功能，主要是用以提醒文档编辑者在文档某处可能出现单词拼写错误或词语逻辑错误等。

目前，传统的文档纠错标记方法主要用于对错误的英文单词进行标记，对中文等非英文语言的支持性并不好，因为英文不涉及分词，词与词之间独立性较强，而中文不像英文那样只需要根据空格就能分出单词，通过查找英文单词数据库就能判断该单词是否正确。中文涉及分词，不管是从统计的角度出发，还是从语法的角度出发，词与词之间都没有一定的规律可言，进而导致对中文的文档纠错标记一度难以实施。

发明内容

本发明要解决的技术问题是针对现有技术的局限和不足，提供一种文档纠错标记方法，用以解决上述问题。

本发明的技术方案是：一种文档纠错标记方法，先将待纠错文档划分为小颗粒集合形式，通过对集合元素分词，之后查找是否存在英文单词的拼写错误并记录，然后对所有词集合进行求词长操作，若存在连续多个独立词，则记录至错误词集合中，最后通过错误词集合中的数据对待纠错文档进行错误标记。

具体包括以下步骤：

Step1：获取待纠错文档X。

Step2：对待纠错文档X以分隔符划分为集合形式，即将待纠错文档X拆分为X:{X₁,X₂,…,X_n}。

Step3：对待纠错文档X的集合元素X_i,i∈[1,n]，将该元素通过分词算法进行分词，得到待纠错文档X的集合元素X_i所对应的词集合X_i:{x_i1,x_i2,…,x_im}。

Step4：遍历词集合X_i:{x_i1,x_i2,…,x_im}中的元素x_ij,j∈[1,m]，若x_ij为英文单词，则查找英文单词数据库，若该词存在，则忽略，若该词不存在，则将该词下标ij记录至错误词集合ERROR中。

Step5：遍历词集合X_i:{x_i1,x_i2,…,x_im}中的元素x_ij,j∈[1,m]，对元素x_ij求其长度len_ij，并生成词集合X_i:{x_i1,x_i2,…,x_im}所对应的长度集合len_i:{len_i1,len_i2,…,len_im}。