[发明专利]泰语音节切分的方法及装置

权利要求书

1.一种泰语音节切分的方法，其特征在于，包括：

对从泰语语料库中获取的待处理泰语文本进行预处理，确定非泰语字符串，以及每个泰语字符的位置音节类型信息；

对所述待处理泰语文本中每个字符之间的边界进行打标签，其中，由至少一个泰语音节字符组成的边界标注为待切分标识；

提取所述待处理泰语文本中的每个待切分音节，其中，所述待切分音节由连续出现n次的泰语字符，以及一个所述待切分标识组成，n为正整数；

根据所述待切分音节中泰语字符的位置音节类型信息，采用马尔科夫链概率语音模型，确定每个待切分音节的切分概率；

根据每个待切分音节及其对应的切分概率，切分设定待处理泰语句子中的音节。

2.如权利要求1所述的方法，其特征在于，所述对待处理泰语文本进行预处理，确定非泰语字符串，以及每个泰语字符的位置音节类型信息包括:

对所述待处理泰语文本中的非泰语字符串进行识别；

根据保存的泰语字符与位置音节类型信息之间的对应关系，确定所述待处理泰语文本中每个泰语字符的位置音节类型信息，其中，所述位置音节类型信息是根据泰语的基本语法规则生成的，包括音节类型信息和位置信息。

3.如权利要求1所述的方法，其特征在于，所述对所述待处理泰语文本中每个字符之间的边界进行打标签包括：

将两个非泰语音节字符之间的边界标注为第一切分标识；

将两个泰语音节字符之间的边界标注为所述待切分标识；

将一个泰语音节字符与一个非泰语字符串之间的边界标注为所述待切分标识。

4.如权利要求1或2所述的方法，其特征在于，所述根据所述待切分音节中泰语字符的位置音节类型信息，采用马尔科夫链模型，确定每个待切分音节的切分概率包括：

若所述泰语字符的位置音节类型信息为不在音节末尾的辅音字符时，则包括由第一顺序排列的泰语字符与所述待切分标识的待切分音节对应的切分概率为零；

若所述泰语字符的位置音节类型信息为不在音节起始位置的元音字符时，则包括由第二顺序排列的所述待切分标识与所述泰语字符的待切分音节对应的切分概率为零。

5.如权利要求1所述的方法，其特征在于，所述根据每个待切分音节及其对应的切分概率，切分设定待处理泰语句子中的音节包括：

根据每个待切分音节及其对应的切分概率，确定所述设定待处理泰语句子中每个预处理音节的预处理切分概率；

根据所述预处理切分概率的大小，对所述设定待处理泰语句子中的音节进行切分。

6.一种泰语音节切分的装置，其特征在于，包括：

预处理单元，用于对从泰语语料库中获取的待处理泰语文本进行预处理，确定非泰语字符串，以及每个泰语字符的位置音节类型信息；

标识单元，用于对所述待处理泰语文本中每个字符之间的边界进行打标签，其中，由至少一个泰语音节字符组成的边界标注为待切分标识；

提取单元，用于提取所述待处理泰语文本中的每个待切分音节，其中，所述待切分音节由连续出现n次的泰语字符，以及一个所述待切分标识组成，n为正整数；

概率确定单元，用于根据所述待切分音节中泰语字符的位置音节类型信息，采用马尔科夫链概率语音模型，确定每个待切分音节的切分概率；

切分单元，用于根据每个待切分音节及其对应的切分概率，切分设定待处理泰语句子中的音节。

7.如权利要求6所述的装置，其特征在于，

所述预处理单元，还用于对所述待处理泰语文本中的非泰语字符串进行识别；以及，根据保存的泰语字符与位置音节类型信息之间的对应关系，确定所述待处理泰语文本中每个泰语字符的位置音节类型信息，其中，所述位置音节类型信息是根据泰语的基本语法规则生成的，包括音节类型信息和位置信息。

8.如权利要求6所述的装置，其特征在于，

所述标识单元，还用于将两个非泰语音节字符之间的边界标注为第一切分标识；以及，将两个泰语音节字符之间的边界标注为所述待切分标识，将一个泰语音节字符与一个非泰语字符串之间的边界标注为所述待切分标识。