专利文献OCR校对方法研究.pdfVIP

第 3O卷 第 3期 情 报 杂 志 Vo1．3O No．3 2011年 3月 JOURNALOF INTELLIGENCE Mat． 201l 专利文献 OCR校对方法研 究 任智军 扈林芳 f中国专刊信息中心 北京 100088) 摘 要 专利文献代码化对于专利无纸化审查、专利分析、专利检索和专利管理都非常重要。本文提出一种 以专利 文献 OCR校对词典和技术领域特征为基础 ．利用 中文分词、隐马尔科夫模型为方法的专利文献 OCR校对框架和 专利文献 OCR中文文本的拼写校对方法 ，降低 了人力成本投入 ．提 高了专利文献代码化效率和代码化质量 。本文 最后给 出了实验 系统和 实现结果 关键词 oCR校对 专利文献 HMM模 型 校对词典 中图分类号 H087 文献标识码 A 文章编号 1002—1965(2011)03—0182—03 TheStudyofOCR ProofreadingM ethodofPatentDocument RENZh~un HULinfang (ChinaPatentInformationCenter，Beijing 100088) Abstract Codificationofpatentdocumentisimportanttothepaperlessreview，analysis，searchingandmanagementofpatents．Thispa‘ perpresentsanOCRproofingframeworkofpatentdocullle—itandaspe llingproofingmethodofChinesetextproducedbypatentdocument OCR．basedonanOCRproofreadingdictionaryandtechnicalfeaturesofthefieldsofpatentdocument，usingChinesewordssegmentation nadHMM Mode1．Theme~odwillreducelaborcostsandimprovetheefficiencynadqualityofpatentdocumentcodification．Finally-the experimental system andresultsraepresented Keywords OCR proofing patentdocument HMM model proofreadingdictionary 0 引 言 圈一雕一匿一圜一圈 国家知识产权局中国专利 电子审批系统上线后， 图 1专利文献代码化加工过程 对于专利文献的审查已全面实现无纸化。代码化文件 由人工对OCR输出文本进行校对，存在两方面缺 作为 目前审批流程的主要审查依据 (图形文档为辅助 陷：人工校对效率较低；由于一些专利文献 内容较多， 审查依据)，在各审查部 门随审批流程执行流转 ，对于 人工校对容易产生疲劳，从而影响校对质量。由于专 专利无纸化审查、专利分析、专利检索和专利管理都非 利文献具有可分类性 ，且具有用词规范、专业名词多等 常重要。 特点，对专利文献 OCR输出文本进行机器校对具有可 专利文献代码化处理是将扫描后的图形文件 (．