[发明专利]一种用于小语种文本识别的方法、识别系统及存储介质有效
申请号: | 201811615581.4 | 申请日: | 2018-12-27 |
公开(公告)号: | CN109934251B | 公开(公告)日: | 2021-08-06 |
发明(设计)人: | 李高翔;周小敏;石易;鲍青波;黄彦龙;宋宜昌;周晓阳;林建树;林佳涛;周神保 | 申请(专利权)人: | 国家计算机网络与信息安全管理中心广东分中心;北京天融信网络安全技术有限公司 |
主分类号: | G06K9/62 | 分类号: | G06K9/62 |
代理公司: | 广州粤高专利商标代理有限公司 44102 | 代理人: | 黄启文 |
地址: | 510665 *** | 国省代码: | 广东;44 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | |||
搜索关键词: | 一种 用于 语种 文本 识别 方法 系统 存储 介质 | ||
1.一种用于小语种文本识别的方法,其特征在于:包括以下步骤:
S1.构建来源于不同语种的训练文本集,令来源于其中一种语种的文本为正样本,来源于其余的语种的文本为负样本;
S2.对训练文本集中的文本进行基于字节的N-gram rank特征的提取;
S3.对训练文本集中的文本进行基于互信息的度量特征的提取,即计算文本中的所有信息字节在单个语种中的信息度量;
S4.对训练文本集中的文本进行基于转移概率的概率特征的提取,即计算文本中所有相邻字节能在单个语种中表达完整信息的概率;
S5.利用步骤S2~S4提取的特征训练分类器;
S6.对待识别的文本按照步骤S2~S4进行特征的提取,然后将提取的特征输入分类器中进行识别,分类器输出语种识别结果。
2.根据权利要求1所述的用于小语种文本识别的方法,其特征在于:所述步骤S2中,进行基于字节的N-gram rank特征的提取的具体步骤如下:
S21.设文本S包括字节BlB2B3…Bn,对字节BlB2B3…Bn分别进行基于1-Gram、Bi-Gram、Tri-Gram的字节级分词处理;
S22.对字节BlB2B3…Bn分词后的结果进行统计计数,将各计数按照从大到小进行排序,排名最前的编号为1,并记rank为1;随后的编号为2,并记rank为2;依此向下编号;
S23.计算文本S的排名特征:
FN-gram rank(S)=rank(B1)+rank(B2)+rank(B3)+…+rank(Bn)
其中,N=1,2,3,分别对应于1-Gram、Bi-Gram和Tri-Gram,则文本最后得到3个特征:F1-gram rank(S)、F2-gram rank(S)、F3-gram rank(S)。
3.根据权利要求2所述的用于小语种文本识别的方法,其特征在于:所述步骤S3进行基于互信息的度量特征的提取的具体步骤如下:
令BiBi+l为相邻的两个分词字节,则度量特征的计算过程如下:
S31.计算p(Bi)=c(Bi)/N,p(Bi+l)=c(Bi+l)/N,p(BiBi+l)=c(BiBi+l)/N;其中N为总的分词字节次数,c(Bi)为Bi在文本中单独出现的次数,p(Bi)为分词字节Bi在文本中单独出现的概率;
p(BiBi+l)为BiBi+l在文本中同时出现的概率,c(BiBi+l)为BiBi+l同时出现的次数;
S32.计算相邻字节BiBi+l的互信息:
S33.计算文本的互信息;
I(S)=I(begin,B1)+I(B1,B2)+I(B2,B3)+…+I(Bn-1,Bn);
其中,begin表示之后的字符是全句或全文章的首字符,之前无其它字符。
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于国家计算机网络与信息安全管理中心广东分中心;北京天融信网络安全技术有限公司,未经国家计算机网络与信息安全管理中心广东分中心;北京天融信网络安全技术有限公司许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/201811615581.4/1.html,转载请声明来源钻瓜专利网。