[发明专利]一种从互联网上自动提取双语翻译词典的方法

权利要求书

1.一种从互联网上自动提取双语翻译词典的方法，其特征在于，包括以下步骤：

S1：从中外双语网页中提取括号双语词汇和良结构双语词汇，并记录词频；所述双语词汇为具有翻译关系的中外双语出现在一起组成的词汇，所述良结构双语词汇为先前经过人工整理的具有准确翻译的双语词汇，所述括号双语词汇为词或短语之后的括号内跟上该词或短语的翻译的双语词汇，包括：

外中双语词汇，括号内为外语、括号前为中文的括号双语词汇，

中外双语词汇，括号内为中文、括号前为外语的括号双语词汇；

S2：对所述提取的括号双语词汇进行截取，得到翻译准确的括号双语词汇；

S3：对良结构双语词汇和经过步骤S2后的括号双语词汇进行词根合并和筛选；

S4：对给定的中文或外语，首先在良结构双语词汇中查找对应的翻译，如果找到则忽略括号双语词汇的翻译；否则在括号双语词汇中寻找对应的翻译，所有中文、外语和对应的翻译构成双语翻译词典。

2.如权利要求1所述的从互联网上自动提取双语翻译词典的方法，其特征在于，所述步骤S1包括：

S101：利用搜索引擎的抓取技术抓取互联网上所有的双语网页；

S102：从所述双语网页中提取括号双语词汇，提取双语词汇时在网页中查找括号，然后自右向左遍历左括号左边的内容，以出现语言属性变化或者出现标点符号为界，所述语言属性为中文或外语，括号前内容与括号中内容构成双语词汇；

S103：按照良结构双语词汇提取规则从所述双语网页中提取符合规则结构要求的良结构双语词汇，所述提取规则为网页中具有“<br>...</br>”、“<tr>...</tr>”和“<td>...</td>”这种结构之间的内容都是结构相同的中外文混杂内容，那么认为这些对应中外文内容存在翻译关系，构成良结构双语词汇。

3.如权利要求1所述的从互联网上自动提取双语翻译词典的方法，其特征在于，所述步骤S2包括：

S201：根据括号左边以及括号中内容的语言属性进行分类，包括外中双语词汇和中外双语词汇，提取所述括号双语词汇括号中的中文作为中文语料库；

S202：对所有外中双语词汇中括号左边的中文，从左括号自右向左依次利用步骤S201所得到的中文语料库进行中文字符串匹配，得到所有可以匹配的外中双语词汇，将相同的外中双语词汇合并，词频相加，其中，匹配上的中文字符串称为所述外中双语词汇的前缀；

S203：利用所有中外双语词汇对步骤S202得到的词频进行修正，若某外中双语词汇的前缀可以在中外双语词汇的集合中找到，则将该中外双语词汇的词频累加到外中双语词汇上；

S204：将每个外语对应的所有括号双语词汇表示为一种树形数据结构来表示，所述树形数据结构中，外中双语词汇的外语词为根节点，每个前缀建立一前缀节点，每个所述前缀节点下面连接一系列子节点，每个所述前缀节点是其子节点的子串，从所述树形数据结构中选择翻译准确的括号双语词汇的方法如下：

(1)如果一个父节点A的所有子节点中，存在某一子节点B，B的词频占A节点词频的50％以上，那么保留B节点，同时删除A和A的子节点以及子节点以下的所有节点；

(2)如果一个父节点A的所有子节点中，找不到任何一子节点B，B的词频占A节点词频的50％以上，则保留A节点，删除A节点以下的所有节点，

其中，所述父节点A不包括根节点，至上而下对每个节点按(1)(2)两步进行筛选，剩下节点对应的双语词汇即为翻译准确的括号双语词汇。