中文文本自动校对系统的研究与实现.pdfVIP

中文文本自动校对系统的研究与实现.pdf

  1. 1、原创力文档(book118)网站文档一经付费(服务费),不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。。
  2. 2、本站所有内容均由合作方或网友上传,本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺!文档内容仅供研究参考,付费前请自行鉴别。如您付费,意味着您自己接受本站规则且自行承担风险,本站不退款、不进行额外附加服务;查看《如何避免下载的几个坑》。如果您已付费下载过本站文档,您可以点击 这里二次下载
  3. 3、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“版权申诉”(推荐),也可以打举报电话:400-050-0827(电话支持时间:9:00-18:30)。
  4. 4、该文档为VIP文档,如果想要下载,成为VIP会员后,下载免费。
  5. 5、成为VIP后,下载本文档将扣除1次下载权益。下载后,不支持退款、换文档。如有疑问请联系我们
  6. 6、成为VIP后,您将拥有八大权益,权益包括:VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
  7. 7、VIP文档为合作方或网友上传,每下载1次, 网站将根据用户上传文档的质量评分、类型等,对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档
查看更多
中文文本自动校对系统的研究与实现 龚永罡,付俊英,廉小亲,李玉莹 (北京工商大学计算机与信息工程学院, 北京 100048) 摘要:随着“互联网+”时代的到来和快速发展,新媒体(微博、微信公众号、博 客、论坛、新闻客户端等)已成为人们生活中不可分割的一部分,很多新闻媒体平台,每天 原创新闻发布量巨大,采用人工审核已经不切实际。因此,高速处理海量内容的中文文本 自动校对系统的研究具有重要的实际意义和广泛的应用领域。本文对中文文本的校对内容 进行了分析,将其分为两大类,分别为错别字和敏感信息。本文采用政府网站及今日头条 的文本内容作为训练语料,利用n-gram 模型对分词后的语料进行统计分析形成二元知识模 型库与上下文语境库,再构建错别字混淆集,然后通过计算目标词对应的混淆集中的混淆 词在二元知识模型库与上下文语境库中的支持度,来实现中文文本自动校对系统的自动查 错与纠错。该设计方案目前已成功应用于一些政府网站,现已部署五台服务器,每台服务 器每天能够处理一百万万篇文章,抽取分析结果显示,该系统的召回率为 78.9%,准确率 为 85.6%,具有较好的应用前景。 关键字:n-gram 模型,混淆集, 支持度,自动校对 Research and Implementation of Chinese Text Automatic Proofreading System GONG Yong-Gang, Fu Jun-Ying, LIAN Xiao-Qin, Li Yu-Ying (School of Information Engineering and Computer, Beijing Technology and Business University, Beijing 100048, China) Abstract: With the advent and rapid development of the “Internet+” era, new media (microblog, WeChat public account, blogs, forums, news clients, etc.) have become an integral part of people’s lives. Many news media platforms have huge amounts of original news releases every day, so manual review is not practical. Therefore, the study of the Chinese text automatic proofreading system for high-speed processing of massive contents has important practical significance and a wide range of applications. This article analyzes the proofreading content of Chinese texts and classifies them into two categories, namely typos and sensitive information. The article uses the text of government websites and headlines today as training corpus, uses the n-gram model to perform statistical analysis on the segmented corpora to form a binary knowledge model library and context library, then Build a typo confusion set, and by calculating the support degree of the confused words in the confusion se

文档评论(0)

狼人三少 + 关注
实名认证
文档贡献者

专注论文方向,提供优质资源

1亿VIP精品文档

相关文档