[发明专利]一种基于条件语句的错误文本语句纠正方法及系统

说明书

技术领域

本发明涉及计算机信息处理技术领域，尤其涉及一种基于条件语句的错误文本语句纠正方法及系统。

背景技术

随着计算机技术及数字化技术的不断发展，需要将传统的纸质书籍、文档、报纸等电子化。在将这些物理实体数据到电子数据的转换加工过程中，纸质的书籍、文档、报纸最终转换为电子数据(TXT、WORD，PDF等格式的电子文件)，不可避免的使用文字识别技术(OCR技术，Optical Character Recognition，光学字符识别)。在进行文字识别时，现有的文字识别技术还不能真正做到完全正确的识别，还需要作进一步的手工录入工作，这两个因素都会导致识别后得到的电子文本与真实图像数据之间的差别，这些差别也就是普通错字与相似字错字，全半角错字等。另外，在我们的日常文字输入及编辑过程中，也常常会出现类似的错误。

文本中错字产生的原因主要在于OCR识别后的流式文字或者人工输入的流式文本，由于识别错误或者输入错误产生的相似字的替换字错误。比如，OCR识别一个“-”，但无法区分是“-”“一”“-”“_”等相似字形。在手工输入时，有时全半角标点符号与半角标点符号也常出现输入错误。另外，在五笔输入或手写输入时，也常出现相似字或备选字的选择错误。

现有技术中，对这些文字或字符错误的修改，仅有人工修改方式与语义修改方式，人工修改毫无技术可言，语义修改采用大数据库，效率低。因此需要一种对上述OCR识别或人工输入过程中产生的错字能够进行自动检测和纠正的方法。

发明内容

针对现有技术中所存在的不足，本发明的目的在于提供一种基于条件语句的错误文本语句纠正方法及系统，采用一种快速自动化的方式来完成这些人工操作，使用简单的逻辑检测装置自动检测修改文本语句中所存的文字及字符错误，提高效率和速度，节约人力成本，易于应用，易于掌握使用。

本发明解决上述技术问题所采用的技术方案如下所描述：

一种基于条件语句的错误文本语句纠正方法，包括以下步骤：

(1)输入需要处理的文本数据，并进行数据转换；

(2)输入与编辑检测条件；

(3)逻辑条件检测与匹配步骤：检测、匹配输入数据与输入的检测条件之间的匹配度，替换修改原始数据，并给出匹配替换分值；

(4)评分步骤：针对逻辑条件检测与匹配装置给出的替换数据、分值进行合理性判断，选择一组最合理的处理结果作为合格数据；

(5)合格数据输出步骤：将合格数据转换为与原始输入数据同格式的电子文件输出。

进一步，步骤(1)中，所述需要处理的文本数据为流式文本数据。

所述的流式文本数据为WORD、PDF或文本文件。

步骤(1)中，在进行数据转换时，把输入的文本数据中的每个文字变成了对应的可处理的存储单元，把N个文字的流变成了有N个存储单元的列表，N为正整数。

进一步，步骤(3)中，所述检测条件有多组，给出的是多组修改的数据。

进一步，步骤(3)中，所述检测步骤包括：

1)逐条替换语句匹配评分，每个替换条件都设有一个分值，将所有条件做替换匹配后，得到一个条件分值；

2)根据文本本身内容确定替换文本本身分值；

3)判断是中文或英文，以及符号出现的位置，得到位置分值；

4)确定成对替换左右匹配分值；

5)将各分值相加得到总分值后，根据总分值直接进行文本替换。

进一步，步骤5)中，如果一个符号可进行多种替换，取分值高的程序直接替换，分值低的舍去，分值相近或相同的则报出人工检测预警。

一种基于条件语句的错误文本语句纠正系统，包括以下装置：

(1)输入装置11：用于输入需要处理的文本，并进行数据转换；

(2)检测条件输入与编辑装置12：用于输入与编辑检测条件；

(3)逻辑条件检测与匹配装置13：用于检测、匹配输入数据与输入的检测条件之间的匹配度，替换修改原始数据，并给出匹配替换分值；

(4)评分装置14：用于针对逻辑条件检测与匹配替换数据、分值进行判断；

(5)合格数据输出装置15：用于将合格数据转换为与原始输入数据同格式的电子文件输出。

本发明的效果在于：本发明不采用语义分析等复杂方式，使用简单的逻辑检测装置自动检测并修改文本语句中所存的文字及字符错误，具有效率高，速度快，可控性强等优点，使得易于应用，易于掌握使用，一定程度上节约了人力成本。

附图说明