專利名稱：一種基于模板的語義變量抽取方法
技術(shù)領(lǐng)域：
本發(fā) 明涉及一種計(jì)算機(jī)信息的處理方法，尤其涉及一種基于語義變量抽取的應(yīng) 用接口的實(shí)現(xiàn)方法。
背景技術(shù)：
目前的計(jì)算機(jī)應(yīng)用程序的接口，絕大多數(shù)是基于已有標(biāo)準(zhǔn)規(guī)范化的接口的應(yīng) 用，其輸入和輸出都是帶有類型的變量。比如，一個(gè)查詢賬戶余額的應(yīng)用程序接口，可 以定義的標(biāo)準(zhǔn)輸入是，字符串類型賬號(hào)名稱，字符串類型賬號(hào)密碼，輸出的是一個(gè) 浮點(diǎn)數(shù)金額大小。顯然，這樣的接口比較標(biāo)準(zhǔn)化，很容易實(shí)現(xiàn)被其他程序調(diào)用。上述的應(yīng)用接口，人們的自然語言(比如聲音)無法直接調(diào)用，因此作為一個(gè)完 整的面向普通用戶的可應(yīng)用程序，必須提供UlCuserinterface)界面，告訴用戶這里輸入賬 號(hào)名稱，那里輸入密碼，點(diǎn)擊查詢按鈕以后，你可以看到賬戶余額。如果在人們的自然 語言和應(yīng)用程序接口之間，建立一個(gè)中間的語義處理層，使得人們通過自然語言就可以 調(diào)用各種應(yīng)用程序接口，就會(huì)大大方便很多非電腦技術(shù)人員對(duì)計(jì)算機(jī)的使用。同時(shí)在一 些特殊領(lǐng)域也能開展多種應(yīng)用，如整合語音模塊，可以實(shí)現(xiàn)基于人類自然語言的智能聲 控驅(qū)動(dòng)等。語義處理是計(jì)算機(jī)信息處理中較難的環(huán)節(jié)，當(dāng)前應(yīng)用教少，僅在部分領(lǐng)域有一 些簡(jiǎn)單的應(yīng)用。比如，手機(jī)的語音撥號(hào)系統(tǒng)，其應(yīng)用是，首先對(duì)手機(jī)喊“call”，系統(tǒng)語 音提示屬于電話呼叫，然后通過語音輸入電話號(hào)碼，語音提示確認(rèn)，確認(rèn)后自動(dòng)撥號(hào)。 這種實(shí)現(xiàn)，其實(shí)現(xiàn)流程是固定的，觸發(fā)命令也是固定的，每個(gè)環(huán)節(jié)的語義也較單一，實(shí) 現(xiàn)起來比較簡(jiǎn)單。在當(dāng)前個(gè)性化應(yīng)用比較多的情形下，基于多應(yīng)用的考慮，把語義驅(qū)動(dòng)層引入應(yīng) 用系統(tǒng)并提供插件接口，使得各種業(yè)務(wù)模塊能以插件的形式存在，成為一種新的應(yīng)用需 求。在當(dāng)前的解決方案中，可以采用語義模板實(shí)現(xiàn)技術(shù)及反問技術(shù)等實(shí)現(xiàn)方式。語義模 板實(shí)現(xiàn)技術(shù)主要解決一答多問的情形，語義模板通過抽象到具體數(shù)據(jù)的映射得到數(shù)據(jù)， 結(jié)合數(shù)據(jù)，就渲染出各種不同的具體語義問法。反向技術(shù)主要處理語義中間層遇到?jīng)_突 和矛盾時(shí)的處理。為了能準(zhǔn)確有效地實(shí)現(xiàn)基于語義的用戶接口應(yīng)用，需提出一種能夠根據(jù)語義快 速分析并提取準(zhǔn)確信息的解決方案，根據(jù)提取關(guān)鍵詞快速驅(qū)動(dòng)應(yīng)用程序模塊，可大大提 高應(yīng)用系統(tǒng)的擴(kuò)展性和處理能力，實(shí)現(xiàn)多種應(yīng)用中的自然語言交互接口的綜合業(yè)務(wù)。

發(fā)明內(nèi)容
本發(fā)明的目的提供一種基于模板的語義變量抽取方法，通過定義語義變量的標(biāo) 識(shí)模板，進(jìn)行模板比對(duì)，最終將用戶輸入語句中的關(guān)鍵詞進(jìn)行抽取的一種實(shí)現(xiàn)方式，本 發(fā)明所提出的一種基于模板的語義變量抽取方法包含以下步驟1、定義變量標(biāo)識(shí)抽取模板；
變量標(biāo)識(shí)抽取模板由描述性的文本(TEXT，簡(jiǎn)稱T)和抽取的變量 (VARIABLE,簡(jiǎn)稱V)兩部分內(nèi)容構(gòu)成。2、建立變量抽取模板索引鏈表(TemplateIndexList)；對(duì)變量抽取模板按照文本T和變量V進(jìn)行抽象化的讀取，其讀取結(jié)果為模板索 引對(duì)象鏈表。做成鏈表的數(shù)據(jù)結(jié)構(gòu)是便于靈活訪問模板的要素，供后續(xù)程序調(diào)用。索引 列表為簡(jiǎn)單的單向鏈表，每個(gè)節(jié)點(diǎn)包含以下幾個(gè)屬性內(nèi)容next字段標(biāo)識(shí)后繼節(jié)點(diǎn)是什么；type字段標(biāo)識(shí)節(jié)點(diǎn)類型，為文本和變量；value字段標(biāo)記值。對(duì)于變量，記錄變量類型；對(duì)于text記錄文本信息；HeadValue 當(dāng)type為文本的時(shí)候有效。一般記錄value分詞后的第一個(gè)詞，也可以記錄多個(gè)詞；Tail Value 當(dāng)type為文本的時(shí)候有效。一般記錄value分詞后的最后一個(gè)詞，
也可以記錄多個(gè)詞；3、獲取分割注釋列表(SeparatorCommentList)；進(jìn)一步對(duì)模板索引鏈表進(jìn)行分析，得到一個(gè)分割節(jié)點(diǎn)的集合，其標(biāo)明了分割的 重要信息，稱為分割的注釋列表。分割注釋列表的每個(gè)節(jié)點(diǎn)包含分割符和分割類型信 息。分割符為分割提取時(shí)的標(biāo)識(shí)字符，分割類型分為L(zhǎng)、R、B三種L表示分割符號(hào)的右邊是一個(gè)需要抽取的變量V，左側(cè)是一個(gè)文本T ；R表示分割符號(hào)的左邊是一個(gè)需要抽取的變量V，右側(cè)是一個(gè)文本T ；B表示分割符號(hào)左右都是需要抽取的變量；4、根據(jù)分割注釋鏈表獲得分割符號(hào)對(duì)輸入語句進(jìn)行分割，獲得輸入語句的語句 索弓丨鏈表(Sentence Index List)；根據(jù)步驟3的結(jié)果，獲得所有可能的分割符號(hào)。輸入語句通過分割符號(hào)進(jìn)行分 害I]，得到基于分割結(jié)果輸入語句索引鏈列表(Sentence Index List)。每一個(gè)語句索引對(duì)象 都是一個(gè)單向的鏈表，包含以下信息Place 位置，該分割符號(hào)在句子中所處的位置；Left分割字符，左邊的文本內(nèi)容；Right 分割字符，右邊的文本內(nèi)容；Separator 分割字符；SeparatorType 分割字符類型；Next 下一個(gè) Sentence Index 對(duì)象節(jié)點(diǎn)。5、按照語句索引鏈列表和模板索引鏈表，進(jìn)行語義匹配度計(jì)算和抽??；每一條語句索引鏈，利用其分割字符和分割類型，進(jìn)行所有模板索引鏈表的對(duì) 比分析。模板索引鏈表由抽取變量V和文本內(nèi)容T兩種部分構(gòu)成，分割字符只能在T中 出現(xiàn)，T和T之間至少有一個(gè)或者多個(gè)V間隔，因此組合的結(jié)果可以有以下形式T、 TV...、V·..Τ、TV...Τ、V..·。按照以下原則進(jìn)行處理(1)如果當(dāng)前模板索引鏈表節(jié)點(diǎn)是Τ，則后繼就只有三種可能T、TV...T、 TV...,可對(duì)這三種情況分別處理；(2)如果模板索引鏈表起始節(jié)點(diǎn)是V，則就額外處理V...、V...T兩種情況，處理完畢后把節(jié)點(diǎn)移動(dòng)到T，處理則回到了(1)的情形。匹配度計(jì)算方法為(a)若是純粹的Τ，則按照全語句相似度計(jì)算；若是純粹的V，則特別標(biāo)記相似 度為1。(b)若是VT類型，則只計(jì)算T部分value和語句索引鏈表節(jié)點(diǎn)后綴 (separator+right)的相似度；(c)若是TV類型，則只計(jì)算T部分value和語句索引鏈表節(jié)點(diǎn)后綴 (left+separator)的相似度； (d)若是TVT類型，則分別計(jì)算前一個(gè)T部分value和語句索引鏈表節(jié)點(diǎn)后 綴(left+separator)的相似度，以及后一個(gè)T部分的Value和語句索引鏈表節(jié)點(diǎn)后綴 (separator+right)相似度，然后累加。所有分割處都分別計(jì)算，除了計(jì)算每個(gè)抽取變量的單獨(dú)匹配度，還需對(duì)所有匹 配度進(jìn)行累加，最后再進(jìn)行平均得到總體匹配度。如果不是T開頭且T后面存在V，則 這個(gè)τ作為除數(shù)的時(shí)候需算作2個(gè)。具體的匹配度算法細(xì)節(jié)可根據(jù)需求而異，本發(fā)明采用Levenshtein算法，通過計(jì) 算得到Levenshtein Distance其相對(duì)于原輸入的最長(zhǎng)字符串的長(zhǎng)度之比，得到其偏差值， 進(jìn)而得到匹配度(匹配度=1-偏差值)。變量抽取的邏輯為如果是T，不存在抽取的問題；如果是TV...T，那么V...就等于第一個(gè)T對(duì)應(yīng)的語句索引鏈表節(jié)點(diǎn)的 Separator+right與第二個(gè)T對(duì)應(yīng)的語句索引鏈表節(jié)點(diǎn)的left+Separator的交集。(注此處
交集是指前者逆向，與后者正向的共同的最大匹配。)；如果是TV，抽取變量就是語句索引鏈表節(jié)點(diǎn)的right部分；如果類型是V...，那么整個(gè)語句都是變量；如果類型是V...T，那么變量?jī)?nèi)容就是語句索引鏈表節(jié)點(diǎn)的left部分；在最后，返回抽取的結(jié)果，和匹配度的大小，供其他程序調(diào)用。按照最大匹配 原則，則返回的是其中匹配度最低記錄。


圖1變量標(biāo)識(shí)抽取模板結(jié)構(gòu)示意圖；圖2基于語義變量抽取的應(yīng)用接口的實(shí)現(xiàn)流程圖。
具體實(shí)施方案根據(jù)發(fā)明內(nèi)容提供的解決方案，基于語義變量抽取的應(yīng)用接口的實(shí)現(xiàn)的具體實(shí) 施方案如下當(dāng)用戶通過應(yīng)用終端詢問快遞業(yè)務(wù)的費(fèi)用，假設(shè)輸入自然語言語句“到杭州快 遞是多少錢？”，首先根據(jù)此語句中的關(guān)鍵詞采用變量標(biāo)識(shí)來定義其變量抽取模板。語 句“到杭州快遞是多少錢？”可以抽象為“到$[city]的快遞是多少錢”。其中“$[”是 變量標(biāo)識(shí)的前綴，“]”是變量標(biāo)識(shí)的后綴。中間的內(nèi)容“city”就是變量的名稱。前綴和后綴只起到標(biāo)識(shí)作用，是可以被其他符號(hào)替換的，并不僅限于“$[”和“]”。在變 量抽取模板的定義中，根據(jù)輸入語句的不同，可以在語句中的不同位置包含多個(gè)變量。建立變量抽取模板索引鏈表，變量抽取模板由兩部分構(gòu)成一個(gè)是描述性質(zhì)的 文本T，另外一個(gè)是需要抽取的變量V。對(duì)模板進(jìn)行次序的抽象化的讀取，形成一個(gè)單 向的鏈表，鏈表的每個(gè)節(jié)點(diǎn)可能是模板中的文本T，也有可能是模板中的變量V.這個(gè)鏈 表可以比純文本更加靈活方便地訪問模板的組成要素，供后續(xù)程序調(diào)用，類似于索引的 情形。因此稱這個(gè)鏈表為模板索引列表。其詳細(xì)的節(jié)點(diǎn)屬性內(nèi)容如下next字段標(biāo)識(shí)后續(xù)節(jié)點(diǎn)是什么。type字段標(biāo)識(shí)為節(jié)點(diǎn)類型，即文本和變量?jī)煞N。 value字段標(biāo)記值，對(duì)于變量V，記錄變量類型；對(duì)于文本T，則記錄文本信息。Head Value只對(duì)文本類型有效，記錄value分詞后的第一個(gè)詞，這個(gè)字段也可以記錄多詞，根 據(jù)不同的需求而定。Tail value只對(duì)文本字段有效，記錄value分詞后的最后一個(gè)詞。這 個(gè)字段也可以記錄多詞，根據(jù)不同的需求而定。進(jìn)一步對(duì)模板索引鏈表進(jìn)行分析，可以得到一個(gè)分割節(jié)點(diǎn)的集合，因?yàn)槠錁?biāo)明 了分割的重要信息，所以稱之為分割的注釋列表。分割注釋列表的每個(gè)節(jié)點(diǎn)包含分割符 和分割類型信息。其中分割類型分為L(zhǎng)、R、B三種L代表分割符的右邊是一個(gè)需抽取的變量V，左側(cè)是一個(gè)文本T。如模板我 想要到Wcityh “到”為一個(gè)分割符，右側(cè)是變量，則其類型為L(zhǎng) ；R代表分割符的左邊是一個(gè)需抽取的變量V，右側(cè)是一個(gè)文本T，如模板 ${who丨到上海去，“到”是一個(gè)分割符，左側(cè)是變量，其類型為R ；B代表分割符左右都是需抽取的變量V，如${who}到${city}多少錢？ “到” 是一個(gè)分割符，左右兩側(cè)都是變量，其類型為B。分割注釋列表采用以下方式進(jìn)行分析(1)如果首先是文本，那么標(biāo)注分割類型為L(zhǎng)，保證了下面一個(gè)節(jié)點(diǎn)如果存在，
則一定是V。(2)查詢下一個(gè)類型為文本的節(jié)點(diǎn)，若查找不到，則標(biāo)注分割類型為R。其他情況下如果該文本節(jié)點(diǎn)下一個(gè)節(jié)點(diǎn)是變量節(jié)點(diǎn)，且該文本節(jié)點(diǎn)的Head Value = value, 那么可以判斷類型為B。否則添加兩個(gè)分割節(jié)點(diǎn)一個(gè)標(biāo)注為R，分割字符為其 headValue.另一個(gè)標(biāo)注為L(zhǎng)，分割字符為其tailValue。 在上述的過程中，我們可以對(duì)于每一條模板，得到一個(gè)分割注釋列表，窮盡所 有模板，最終的到一個(gè)分割注釋列表的集合。利用這個(gè)集合對(duì)輸入語句進(jìn)行分割。一條 輸入語句，可能沒有分割結(jié)果，此時(shí)這條語句就可以排除。也有可能一條輸入語句即使 只對(duì)應(yīng)一個(gè)模板的分割注釋列表，依然有可能得到多個(gè)分割結(jié)果。只要同一個(gè)分割關(guān)鍵 詞出現(xiàn)多處，其結(jié)果就一般是多個(gè)。比如“你到學(xué)校不能遲到啊?！币浴暗健弊鳛榉?割詞來，這句話就可以分割為“你、學(xué)校不能遲到”；“你到學(xué)校不能遲到、啊”兩 種可能。因此對(duì)于分割處理策略可以是多樣的，常見的策略可以有最先出現(xiàn)，最后出 現(xiàn)，最大可能匹配等等。前面兩種策略相對(duì)實(shí)現(xiàn)比較簡(jiǎn)單，只需要判定分割字符以最先 或者最后出現(xiàn)為準(zhǔn)即可。本發(fā)明采用的是最大可能匹配，即窮盡所有可能的切分方法，尋求到匹配度最大的結(jié)果，作為最后的結(jié)果。 我們用語句索引鏈表，來記錄一種分割的結(jié)果。它是一個(gè)單向的鏈表，每個(gè)節(jié) 點(diǎn)被設(shè)計(jì)為SentenceIndex對(duì)象，其包含以下信息Place,表示該分割符號(hào)在句子中所處的位置；left,表示分割字符左邊的文本內(nèi)容；right,表示分割字符右邊的文本內(nèi)容；separator 為分割字符；Separator Type,為分割字符的類型；
Next,下一個(gè) Sentence Index 對(duì)象節(jié)點(diǎn)。窮盡所有可能性之后，我們就得到了一個(gè)語句索引鏈表的集合。其作用是對(duì)于 輸入語句做了預(yù)先的處理，便于調(diào)用和訪問，在后續(xù)的變量抽取和匹配計(jì)算的時(shí)候，能 夠更加方便地得到所需要的文本區(qū)間段。用語句索引鏈表和前面提到的模板索引鏈表相結(jié)合，就可以進(jìn)行最后的匹配度 計(jì)算和關(guān)鍵詞抽取。具體做法如下對(duì)于每一條語句索引鏈，利用其分割字符和分割類型，做一遍所有模板索引鏈 表的對(duì)比分析。由于模板索引鏈表由抽取變量V和文本內(nèi)容T兩種部分構(gòu)成，而分割字 符只能在T中出現(xiàn)。T和T之間至少有一個(gè)或者多個(gè)V間隔，因此組合的結(jié)果可以窮盡 為以下形式T，TV..., V...T，TV...T, V...,按照以下原則進(jìn)行處理(1)使得當(dāng)前模板索引鏈表節(jié)點(diǎn)盡可能是T，這樣后繼就只有三種可能T、 TV...T、TV...可以對(duì)這三種情況分別處理；(2)如果模板索引鏈表起始節(jié)點(diǎn)是V，則就額外處理V...、V...T兩種情況，處理 完畢后把節(jié)點(diǎn)移動(dòng)到T，處理則回到了(1)的情形。匹配度計(jì)算方法為(a)若是純粹的T，則按照全語句相似度計(jì)算；若是純粹的V，則特別標(biāo)記相似 度為1 ；(b)若是VT類型，則只計(jì)算T部分value和語句索引鏈表節(jié)點(diǎn)后綴 (separator+right)的相似度；(c)若是TV類型，則只計(jì)算T部分value和語句索引鏈表節(jié)點(diǎn)后綴 (left+separator)的相似度；(d)若是TVT類型，則分別計(jì)算前一個(gè)T部分value和語句索引鏈表節(jié)點(diǎn)后 綴(left+separator)的相似度，以及后一個(gè)T部分的Value和語句索引鏈表節(jié)點(diǎn)后綴 (separator+right)相似度，然后累加。所有分割處都分別計(jì)算，除了計(jì)算每個(gè)抽取變量的單獨(dú)匹配度，還對(duì)所有匹配 度進(jìn)行累加，最后再進(jìn)行平均，得到總體匹配度。如果不是T開頭且T后面存在V，則這 個(gè)τ作為除數(shù)的時(shí)候需要算作2個(gè)。比如有模板“到${City!乘坐最快速”， 有語句輸入“到上海乘坐k498列車最快速呀”，則依次進(jìn)行模板中的“到”和輸入句中 的“到”的匹配計(jì)算，模板中的“乘坐”和輸入句中的“乘坐”的匹配計(jì)算，模板中的 “乘坐”和輸入句中的“乘坐”的匹配計(jì)算，“最快速”和“最快速呀”的匹配，匹配
累加后再除以4，平均化后得到總體的匹配度。
具體的匹配度算法細(xì)節(jié)可以根據(jù)需求而異，本發(fā)明采用Levenshtein算法，通 過計(jì)算得到Levenshtein Distance及其相對(duì)于原輸入的最長(zhǎng)字符串長(zhǎng)度之比，得到其偏差 值，進(jìn)而得到匹配度(匹配度=1-偏差值)。變量抽取的邏輯為如果是T，不存在抽取的問題；如果是TV...T，那么V...就等于第一個(gè)T對(duì)應(yīng)的語句索引鏈表節(jié)點(diǎn)的 Separator+right與第二個(gè)T對(duì)應(yīng)的語句索引鏈表節(jié)點(diǎn)的left+Separator的交集.(注這里 的交集是指前者逆向，與后者正向的共同的最大匹配。比如Separator+right為“到 火車站”，left+Separator為“火車站多少錢”，可以知道其相交的最大部分是“火車
站”。)；如果是TV，抽取變量就是語句索引鏈表節(jié)點(diǎn)的right部分；如果類型是V...，那么整個(gè)語句都是變量；如果類型是V...T，那么變量?jī)?nèi)容就是語句索引鏈表節(jié)點(diǎn)的left部分；最后返回抽取的結(jié)果，和匹配度的大小，供其他程序調(diào)用。按照最大匹配原則，則返回的是其中匹配度最低記錄。
權(quán)利要求
1.一種基于模板的語義變量抽取方法，通過定義語義變量的標(biāo)識(shí)模板，進(jìn)行模板比 對(duì)，最終將用戶輸入語句中的關(guān)鍵詞進(jìn)行抽取的一種實(shí)現(xiàn)方式，包含以下實(shí)現(xiàn)步驟(1)定義變量標(biāo)識(shí)抽取模板；(2)建立變量抽取模板索引鏈表；(3)分析模板索引鏈表，獲取分割注釋列表；(4)根據(jù)分割注釋列表獲得分割符號(hào)進(jìn)行分割，獲得輸入語句的語句索引鏈列表；(5)按照語句索引鏈列表和模板索引鏈表，進(jìn)行語義匹配度計(jì)算和抽??；(6)根據(jù)匹配度計(jì)算和抽取結(jié)果，調(diào)出接口應(yīng)用程序，實(shí)現(xiàn)應(yīng)用接口驅(qū)動(dòng)。
2.如權(quán)利要求1所述的基于模板的語義變量抽取方法，其特征在于所述變量標(biāo)識(shí) 抽取模板由描述性的文本和抽取變量?jī)刹糠謽?gòu)成。
3.如權(quán)利要求1所述的基于模板的語義變量抽取方法，其特征在于所述分割注釋 列表的每個(gè)節(jié)點(diǎn)包含分割符和分割類型信息。
4.如權(quán)利要求1所述的基于模板的語義變量抽取方法，其特征在于所述變量抽取 模板索引鏈表的每個(gè)節(jié)點(diǎn)包含以下幾個(gè)屬性內(nèi)容Next,字段標(biāo)識(shí)后繼節(jié)點(diǎn)是什么； Type,字段標(biāo)識(shí)節(jié)點(diǎn)類型，為文本和變量；Value,字段標(biāo)記值。對(duì)于變量，記錄變量類型；對(duì)于text記錄文本信息； Head Value，只在節(jié)點(diǎn)類型是文本時(shí)有效。記錄value分詞后的第一個(gè)詞或多個(gè)詞； TailValue,只在節(jié)點(diǎn)類型是文本時(shí)有效。記錄value分詞后的最后一個(gè)詞或多個(gè)詞。
5.如權(quán)利要求1或3所述的基于模板的語義變量抽取方法，其特征在于所述分割注 釋列表的分割類型分為L(zhǎng)、R、B三種L表示分割符號(hào)的右邊是一個(gè)需要抽取的變量V，左側(cè)是一個(gè)文本T ； R表示分割符號(hào)的左邊是一個(gè)需要抽取的變量V，右側(cè)是一個(gè)文本T ； B表示分割符號(hào)左右都是需要抽取的變量。
6.如權(quán)利要求1所述的基于模板的語義變量抽取方法，其特征在于所述的語句索 引鏈表中每一個(gè)語句索引對(duì)象都是一個(gè)單向的鏈表，包含以下信息Place,分割符號(hào)在句子中所處的位置； Left,分割字符，左邊的文本內(nèi)容； Right,分割字符，右邊的文本內(nèi)容； Separator,分害ι]字符； Separator Type,分割字符類型； Next,下一個(gè)語句索引對(duì)象節(jié)點(diǎn)。
7.如權(quán)利要求1所述的基于模板的語義變量抽取方法，其特征在于所述語義匹配 度計(jì)算采用最大匹配原則。
全文摘要
本發(fā)明提出一種基于模板的語義變量抽取方法，通過模板和輸入的語句，建立語義變量模板索引鏈表和分割注釋列表，再根據(jù)分割注釋列表獲得分割符號(hào)，對(duì)輸入語句進(jìn)行分割，建立輸入語句分割后的語句索引鏈列表，最后再對(duì)于語句索引鏈列表和模板索引鏈，進(jìn)行比較和基于Levenshtein算法的近似匹配度計(jì)算，最終得到自然語言語句中的關(guān)鍵詞抽取結(jié)果和抽取的匹配度。本發(fā)明算法在實(shí)際應(yīng)用中，可作為獨(dú)立的接口驅(qū)動(dòng)層，能夠有效提高應(yīng)用系統(tǒng)的擴(kuò)展性和處理能力，滿足非電腦專業(yè)人員的應(yīng)用需求。
文檔編號(hào)G06F9/44GK102023854SQ20091019588
公開日2011年4月20日 申請(qǐng)日期2009年9月18日 優(yōu)先權(quán)日2009年9月18日
發(fā)明者張益智, 朱勝, 王寶利 申請(qǐng)人:上海智問軟件技術(shù)有限公司