CN1273915C - 修改或改进词语使用的方法和装置 - Google Patents

Abstract

提供一个包含词语之间的关联及与其相联系的可能值的数据库(3)，它提供这种正确或惯用的关联的可能值度量。可能值基于通过分析大量文本获得的关联发生频度，例如由说母语的人创作的文本。为了检查文本段中是否有文本段的一个或多个词语的可能的错误或不自然用法，首先要分析(11)文本以确定其词语之间的关联。被分析文本中关联的可能性由数据库(3)确定。计算(14)被分析文本中每个词语的似真值，这是通过把出现该词语的关联的可能值合成起来得到的。使用词语索引另一个数据库(4)，该数据库包含容易被索引词语混淆的词语集合。依次选择(13，16)每个易被混淆词语并在索引词语的关联中代替索引词语。确定这些新关联的可能值并计算(14)这个易被混淆词语的似真值。在一个错误检测实施例中，对于那些似真性落在一个阈值下面的词语尝试(23，24)易被混淆词语，并将提高似真性的易被混淆词语报告(25，26)给用户。在一个上下文相关辞典实施例中，对所有词语可以尝试易被混淆词语，并可以报告那些似真值超过一个第二阈值的易被混淆词语。

Description

修改或改进词语使用的方法和装置

技术领域

本发明涉及一种修改或改善自然语言文本中词语的选择与使用的方法和装置。本发明还涉及为计算机编程以执行这样一种方法的计算机程序、包含这样一种程序的存贮介质和被编制了这样一种程序的计算机。

背景技术

用语言写作或发言的核心是选择使用单词。为帮助人们进行选择，母语作者使用辞典，语言学习者一般使用双语词典。可是，母语作者发现辞典无法给出关于在上下文中哪个同义词是合适的这样的详细信息，初学者可能因缺乏综合能力或知识而从双语词典中选择错误的译文，或将一个词语误拼为另一个词语。

在英语学习者标注语料库(尼可尔斯，1999年“The Cambridge LearnerCorpus-Error Coding and Analysis for Writing Dictionaries and other booksfor English Learners”，学习者语料库的夏季工作室，剑桥大学出版社)中，动词或前置词的错误使用是仅次于拼写与标点错误的最为常见的错误类型。例如，一位作者可能用了“associate to”而不是“associate with”，“loose one’s temper”而不是“lose one’s temper”，或者“wins me at tennis”而不是“beats me at tennis”。

本发明使检测这些和其它类型的错误以及对它们提出修改成为可能。它能处理真实的词语拼写错误(如lose/loose)，也能处理其它不同类型的错误。

在辞典里查一个象“make”这样的词，作者会找到大量同义词。可以将这些同义词分类成共有一种中心意义的语群。一个语群可能包括诸如“create”、“construct”和“establish”这样一些同义词，但是作者找不到“creates a diversion”、“constructs a model”或“establishes arelationship”这样的词。

本发明使在响应诸如“make a diversion”、“make a model”或“makea relationship”的输入时提供这些同义词作为建议成为可能。

本发明利用了由在下文中称为文本的一段写作或叙述的语言中同时(不必相邻地)出现的两个词语或短语之间关系构成的相关性或关联。一个关联可能和基于其在大量文本中出现的频率测出的强度或相似性有关。文本中的一个词可能与一个以该词语所在关联的可能值为根据的似真值有关。在文本中不合情理的词语在上下文中将是错误的或不自然的。

美国专利4,916,614、4,942,526、5,406,480公开了在句法分析与翻译中同时出现信息的创建和使用。

在美国专利4,674,065、4,868,750、5,258,909、5,537,317、5,659,771、5,799,269、5,907,839和5,907,839的每一篇中公开的技术都使用一个普遍易被混淆的词语集合的列表，诸如“hear”和“here”，或“to”和“too”。在文本中出现这样的词表示有潜在的错误。这些专利接着描述了修改错误的不同方法。

美国专利4,674,065公开了一种使用规则系统的技术，该系统描述用于区别易被混淆的词语使用的不同上下文。

美国专利4,868,750、5,537,317和5,799,269公开了为词性序列赋概率值的系统。一个含有易被混淆词语的序列的概率可以与含有它被混淆成的词语的序列的概率进行比较。如果后者大于前者，那么将报告可能的错误。

美国专利5,258,909公开了一种系统，该系统为词语序列赋概率值，为一个词语被误拼为另一个词语的情况赋概率值，以及将这些概率组合起来以确定一个词是否被误拼为另一个词。

美国专利5,659,771和5,907,839公开了一种系统，该系统将词语与表示其上下文的特征相关联，并用机器学习算法由易被混淆集合的特定成员的特征值计算一个函数。当一个易被混淆集合的成员出现在文本中，使用该函数将它分成正确的或不正确的。

乔多罗和里考克的“无人监管检测语法错误的方法”(在2002年计算机语言学会的北美分会第一次年会的会议论文集的第140-147页)公开了使用连续词语n元语法模型检测错误的系统。该系统能检测以前没有见过的类别改变和类别保存错误，但是由于是连续模型，只能涵盖一个非常有限的长度。没有讨论对错误的修改。

美国专利5,999,896公开一种系统，该系统通过语法分析程序的失败识别词语使用中可能的错误，并通过找出那些能使随后的语法分析成功的易被混淆的词而解决这些问题。

发明内容

依照本发明的第一方面，一种在第一语言的包含一组词语的书面或口语的文本段中的第一词语或短语选择的修改或改进方法，包括下列步骤：

(a)提供在第一语言中词语或短语之间的关联的第一数据库，其中每个关联至少有一个基于该关联在第一语言文本中出现频率的相关可能值；

(b)分析该文本段以确定在该文本段的所述第一词语或短语与一个第二词语或短语之间的第一关联，至少对应所述关联的第一可能值以及基于所述至少一个可能值对应所述第一词语或短语的第一似真值；

(c)准备一个第二数据库，其中每项至少有一个词语或短语与其能够被混淆成的词语或短语集合联系在一起；

(d)从第二数据库中选择或计算出一个作为该文本段中所述第一词语或短语的候选替代的易被混淆词语或短语；

(e)导出一个易被混淆词语或短语的基于在第一数据库中的第二关联可能值的第二似真值，该第二关联由易被混淆词语或短语和该文本段中的其它词语或短语组成；以及

(f)基于计算出的似真性值选择性地提供一个易被混淆词语或短语的指示。

在第一数据库中的每个关联的可能值也可以基于每个包含一个具有相同相关关系的词语或短语的其它关联的发生频率。

在第一数据库中的每个关联的可能值也可以基于所有具有相同相关关系的其它关联的发生频率。

在第一数据库中的每个关联的可能值由互信息、T值、Z值、Yule’s Q系数和对数可能性中的至少一项组成的。

在步骤(e)中，所述其它词语或短语可以是第二词语或短语，第二关联的相关关系与第一关联的相关关系可以相同。

步骤(b)可以包括为该文本段中一组第一词语或短语建立一组第一关联以及可以对每个第一关联执行步骤(d)、(e)和(f)。

步骤(b)可以包括建立该文本中不相邻的词语或短语之间的关联。

步骤(d)可以包括选择一个词语或短语的集合的每一个易被混淆的词语或短语以及可以对每个易被混淆词语或短语执行步骤(e)和(f)。

步骤(f)可以包括按第二似真值降序指示第二似真值。

如果第一似真值小于一个第一阈值则可以执行步骤(d)、(e)和(f)。

步骤(f)可以包括当所述的或每个第二似真值超过一个第二阈值时提供指示。

步骤(f)可以包括如果第二似真值大于第一似真值则提供指示。

步骤(b)可以包括依靠一个通过机器学习技术从学习者错误的标注语料库及其相关的似真值中学得的函数计算第一似真值。

该方法可以包括用易被混淆词语代替该文本段中第一词语。

该方法可以包括通过第二语言翻译生成该文本段。

该方法可以包括从印刷文档通过光学字符识别生成该文本段。

依照本发明的第二方面，提供为计算机编程以执行依照本发明第一方面方法的计算机程序。

依照本发明的第三方面，提供包含依照本发明第二方面的程序的存贮介质。

该介质可以包括计算机可读介质。

依照本发明第四方面，提供包含依照本发明第二方面的程序的计算机。

依照本发明第五方面，提供一种在第一语言的包含一组词语的书面或口语的文本段中的第一词语或短语选择的修改或改进装置，包括：

第一语言词语或短语之间的关联的第一数据库，其中每个关联至少有一个基于该关联在大量第一语言文本中出现频率的相关可能值；

用于分析该文本段的分析器，以建立在文本段的所述第一词语或短语与一个第二词语或短语之间的一个第一关联，至少一个第一可能值对应所述的关联以及基于所述至少一个可能值的第一似真值对应所述的第一词语或短语；以及

第二数据库，其中每项至少有一个词语或短语与其能够被混淆成的词语或短语集合联系在一起；

用于从第二数据库中选择或计算出一个作为该文本段中所述第一词语或短语的候选替代的易被混淆词语或短语的工具；

用于导出一个易被混淆词语或短语的基于一个第二关联在第一数据库中的可能值的第二似真值，该第二关联由易被混淆词语或短语和该文本段中的其它词语或短语组成；以及

用于基于计算出的似真性值选择性地提供一个易被混淆词语或短语的指示(25，26)的工具。

通过利用词语之间关联的可能性，有可能提供一种技术，它体现了对那些仅仅使用词性序列的概率的已知系统的改进，因为这样的已知系统无法检测和修改非常普通的类别保存错误。

因为从属性语法能够取得并不相邻但仍然会直接影响其它字选择的字之间的从属性，通过使用连续的N元语法将取得改进。原则上可将N元语法扩展到覆盖这样的从属性，但在实务中这会导致几个数据稀散问题。利用关联将为统计可能值的计算所利用的数据集中成语言意义单元。三个元素相关分段几乎总是足够获得有用的统计，然而即使四个元素的N元语法也会遗漏许多可能的或不太可能的词语组合情况。

对于语言意义实体统计的这种限制的一个重要结果是，在要求错误检测的方式中概率值更容易解释。为了理解这一点，考虑一个连续二元语法模型中相邻词语之间的转移概率的意义。在一个成分中，例如在“a bigdog”中的“big”和“dog”之间，转移概率可直接与形容词和名词的相似序列的转移概率比较。但在“give the dog a bone”中的“dog”和“a”之间的转移概率是相当不令人感兴趣(和不可能的)的概率，这是一个结束于“dog”的成分跟着另一个开始于“a”的成分的概率。感兴趣的概率，即一个以“give”开头的成分有一个以“bone”开头的第二对象的概率，没有被体现而且不能和可能的替代诸如“give the dog a clone”进行比较。

也就是说，在连续N元语法模型中，低转移概率既能指出语言上感兴趣的不太可能性，也能指出语言上不感兴趣的不太可能性。如果一个基于连续N元语法的系统将每个低概率作为错误处理的触发源，它将发现大量可能的“错误”，其中很多不是真正的错误。处理这些开销很大而且存在把假错误分类为真错误的危险。

这就是为什么没有已知技术使用低转移概率作为错误处理的触发源，而宁愿利用在文本中出现的一个已知易被混淆的某个词语，然后考虑原始序列与用替换词语得到的序列的相对可能性。

相反，在本技术中，“不太可能性”是一个更可靠的错误提示。

任何不太可能的关联可以引起错误处理的开始而且只有不可能的关联才能这么做。当然，不太可能的关联并非总是一个错误所致；不过在本技术中，这些假触发将会少得多。

而且，当一个文本中存在一些易被混淆集合中的元素是错误处理的唯一触发源的时候(如在许多已知技术中)，向一个易被混淆集合中加入元素既增加错误处理被触发的次数又增加评价每个元素的计算成本。

在一个关联的可能性和由一个词语导出的似真性是错误处理的触发源的时候(如在本发明中)，能辨别很大范围的错误特征。易被混淆的概念不只限于拼写和发音的高频率混淆。

在利用学习算法和同时利用存在已知的易被混淆的词语作为错误处理触发源的已知技术中，除了应用学习算法去区别它就没有其它方法可以检测一个词语是一个可能的错误。而且，和已知的基于N元语法的技术一样，学习系统不能从把数据集中为语言意义单元中完全地获得好处。

本技术体现了对于已知的基于语法分析失败的技术的改进，这是因为语法分析失败对词语错误是一种非常粗糙的检测机制(尤其是那些包括词性相同的词语的替换)。相反地，对于即使是非常小的句子分段的可能性，本技术提供非常精细的定量测定，且包括语法分析失败，如缺少配属而提示，以作为不太可能性的一个特别的极端的例子。此外，语法分析成功(作为一个错误已经被修改的粗糙的条件)可以用获得改进的精细的定量测定来代替。

附图说明

通过实例以及参照附图进一步地描述本发明，附图包括：

图1是构成本发明的一个实例的装置方框原理图；

图2是方框图，说明句子“Love is the most important condition tomarriage”的相关性结构；

图3是第一数据库的一部分，它把可能值与关联的联系在一起；以及

图4(包括图4a和4b)示出了本发明作为一个错误检测器和修改器的实例。

具体实施方式

提供检测用户书写中的错误和不自然的表达方式并提出能改进这些语言用法的方式的方法和装置。这些技术也可以作为上下文相关辞典使用，它能提出与给定的输入表达方式在其上下文中意思相似的表达方式。使用词语组合的统计相关模型作为错误检测和替换检查的基础。这解决了已知方案的几个问题，它们或者使用连续N元语法模型，或者使用未经分析的特征集合。而且，这些技术使得为替换提供更大范围的候选成为可能。检测错误不依靠容易用错的特定词语的检测，所以可以检测和修改以前没有遇到过的错误。

本方法使用词语之间的两种关系类型。一种关系类型保持在一个单句中不同位置的两个词语之间。这些是相关关系，诸如‘subject of’、‘objectof’和‘modifier’，以及图2中所示的例子，它说明对句子“Love is themost important condition for marriage”的分析结果。词语用它们的原型和词性表示，即表示为词条，因此“is”就以“be_V”出现。这个动词的主语等同于“love_N”，它的宾语等同于“condition_N”。后者由“the_DET”限定并被“important_ADJ”修饰。“Most_ADV”等同于修饰“important_ADJ”的副词。“For_PREP”等同于修饰“condition_N”的前置词，“marriage_N”等同于前置词“for_PREP”的宾语。三元组由两个词条组成，联系它们的相关关系被称作关联。

另一关系类型包括定义“可能的替换”的关系，即一个句子中给定位置可供选择的词语的选择之间的关系。下面是替代关系的一些例子：

辞典关系，诸如同义、反义、下义、上义；

导致出语言的另一些词的拼写错误，，如“loose”之于“lose”，其中有一种特别的情形是同音异义，讲的是发音相同但拼写不同的词，如“pane”和“pain”；

词源，讲的是由一个单词根而来的用不同方式构成的词语(诸如“interested”和“interesting”，或“safe”和“safety”)；

语际语言易混淆性，讲的是另一种语言中一个单词的可供选择的翻译词语(如将法语“marquer”翻译成“mark”和“brand”都是可以的)；

假朋友，其中的一个词不是其同源词的可能翻译(例如，“possible”和“actual”，分别是法语“actual”正确的和错误的翻译)；以及

插入或删除错误，诸如“he rang(at)the doorbell”、“we paid(for)ourmeals”，也可被认为是一个空词语的替代或被替代；

当在一个句子中词语w的使用被确认是不合适的，即是错误的，不然就是非习惯用法，被称作w的易被混淆集C(w)的词语集合的每个成员可被认为是一个可能的替代。w的易被混淆集是从与w相关的那些词语中抽取出来的，条件为实际的成员资格可能随着用户的本国语言、写作所用语言的能力水平以及其它因素而变化。

相关关系是广泛使用的表示句子结构的方法。许多被发现的变化在本技术的情况下在很大程度上是不重要的。一种相关关系连结被称为相关词和中心词的两个词语。在一种典型模式中，没有相关词可以和不止一个单一中心词相关，但一个中心词可以具有任意数量的相关词；其它约束，如禁止循环，确保一个单句中的关系构成树状结构。在本规定中，一个句子中两个词语之间的关联(也被称作关联)用三元组形式表示：

<第一词条，关系，第二词条>

这里词条是一个术语，如‘chase_V’表示动词“to chase”的所有形态，即chase、chased、chasing。

一个关联可以和它的强度或可能性的数量联系在一起。一个关联的频度，即在一个经过语法分析的语料库中看到它的次数，只是评估其强度的一个粗略的办法。更准确的测量方法是计算该关联的频度偏离根据其组成部分的频度所预期的频度的程度。在一些文献(例如，K.卡奇拉，1999年，“Bigram Statistics Revisited：a Comparative Examination of someStatistical Measures in Morphological Analysis of Japanese KanjiSequences”，定量语言学杂志1999年第6期第2号，第149-166页，以及埃弗特等人的“Methods for the Qualitative Evaluation of LexicalAssociation Measures”，计算机语上言学会的在图卢兹如开的第30届年会的论文集，2001年，第188-195页，它们给出在特定任务中几种测量方法的比较评估)中公开了几个这样的测量方法并在词语切分、语法分析、翻译、信息检索和词典编纂中有所应用。在这些例子中，一般只有那些与预期的频度相比明显地更可能的关联会被感兴趣。不过本技术也关注那些与预期的频度相比明显地不太可能的关联。在文本中检测到这样一个关联经常预示着不符合语法或不合乎语言习惯的语言用法。

出现在一个或多个不太可能的关联中的词语能随后依次用它的易被混淆集中的每个成员代替并可求出进行每个这样的代替得到的结果的似真值。如果该易被混淆集的一个或多个成员导致被充分提高的似真值，这些成员可以被建议作为替代。

作为一个预备的步骤，依照相关语法分析大量母语口语文本以建立词语组合的可能值数据库。可使用任何适当的语法分析程序，适当的实例公开在M.考林斯的“Three Generative Lexicalised Models for StatisticalParsing”，EACL的ACL/第8会议的第35届年会论文集，马德里，1997年，和斯里特和坦普利的“Parsing English with a Link Grammar”，CMU-CS-91-196，卡内基-梅隆大学，计算机科学系，1991。该分析器甚至不必是一个如一般想象的语法分析程序，但可以使用有限状态或增加了记录相关性机制的相似技术。

依照一种或多种统计测量方法，计算每种类型关联的频度(诸如互信息、T值和对数可能性)，对每个关联计算可能值并将结果存入一个表中。图3示出了在这样的数据库中的一些条目。

在图3中，第一列示出关联本身。以‘freq’为标题的列是这个关联在经过语法分析的语料库(这里是大约8千万个词的英国国家语料库)中出现的次数。其余列分别是互信息、T值、Yule’s Q系数和对数可能性。这些中的每一个是由下列四项的频度计算出的不同度量。

<第一词条，关系，第二词条>

<第一词条，关系，*>

<*，关系，第一词条>

<*，关系，*>

这里的‘*’代表任意词条。这种参数模式公开于D.林的“AutomaticRetrieval and Clustering of Similar Words”，COLING-ACL 98，蒙特利尔，加拿大，1998年8月。不同度量有不同的范围并以不同的方式对四个参数的精确值敏感。不过在每种情况中，该值都与关系的可能性相关。正值说明组合的可能性比偶然性大，负值说明可能性小。

例如，计算<associate_V padv to_PREP>的T值的公式是：

[P14-2]

$\mathrm{tassociate}\_V.\mathrm{padv}.\mathrm{to}\_\mathrm{PREP}=$

$\frac{F/f\left(\mathrm{padv}\right)-\left(f(\mathrm{associate}\_V\&CenterDot;\mathrm{padv})f(\mathrm{padv}\&CenterDot;\mathrm{to}\_\mathrm{PREP})\right){/f\left(\mathrm{padv}\right)}^2}{\sqrt{f(\mathrm{associate}\_V\&CenterDot;\mathrm{to}\_\mathrm{PREP})/f\left(\mathrm{padv}\right)}}$

$\mathrm{tassociate}\_V\&CenterDot;\mathrm{padv}\&CenterDot;\mathrm{to}\_\mathrm{PREP}=$

$\frac{25/10587833-\left(7680x1020531\right)/{10587833}^2}{\sqrt{25/10587835}}=-143.050$

其中f(associate_V·Padv·to_PREP)＝F

为了得到词语组合可能性的高质量的估计值，语法分析母语口语语料库需要尽可能的准确和覆盖面大。可是，准确的语法分析又需要使用词语组合可能性的高质量的估计值，而这导致了一个冲突。这个冲突可以通过使用迭代或步步为营的方法解决。这基于语法分析算法的某些特性。

一个句子中每个独立的关联与一个优先值有联系。优先值是句子中两个词语之间存在这样一个关联的可信度的测度。这种优先值同时是句子描述系数例如词性概率和词语分离度，和语言广度系数例如这些词语之间关联的强度的函数。

它返回一个关联集合，它们共同满足相关性结构的公理(即关联没有交叉，每个词语是不超过一个节点的相关词等等)；不过，这个集合不要求构成单一连接树；

通过适当的参数设置能够改变句子描述系数和语言广度系数对优先值的相对作用；

可以设置一个阈值，这样只返回优先值超过这个阈值的关联；

语法分析的迭代性将就一个非常简单的短语“world title fight”的分析来例示。

按照语法“title”必须修饰“fight”，但是不清楚“world”是修饰“title”还是“fight”。在英语语法中，一个名词序列中除了最后一个外的每个名词都可以修饰它右边的任意一个名词。在本例子中，特定词语组合强度的知识会导出“world”修饰“title”的结论。在其它例子中，如“plasticbaby pants”，第一个名词修饰的不是中间跟着它的名词而是最后一个名词。

一个完整的语法分析将给出关联：

1.<title_N，mod_of，fight_N>

2.<world_N，mod_of，title_N>

在语法分析母语口语语料库的第一次迭代中，没有可利用的特定词语之间关联的可能值，所以语言广度系数对优先值没有作用。优先值阈值设置得高，因此举例来说词性是不明确的或分开很远的词语不会被关联，而且关联正确性的可信度高。按照这个例子，只有关联1将被返回。一个序列中倒数第二个名词肯定修饰最后一个名词，与语言广度系数无关。不过，在缺乏语言广度信息时，在本例中，不管是关联2还是错误的<world_N，mod_of，fight_N>都不会有足够高的优先值而被返回。不过，在该语料库中没有跟随其它名词的“world title”(和“world fight”)等其它实例的关联将被返回。

然后用这些确定性高的关联计算可能值。后面的迭代随后可以使用这些语言广度系数以确定优先值，因此优先值阈值可被降低。这增加了返回的关联数量(语法分析的覆盖面)并允许计算更准确的可能性统计。按照这个例子，<world，mod_of，title>和<world，mod_of，fight>的相对频度和/或可能性现在将使前者优先于后者。然后进一步的迭代将继续增加语言广度系数对优先值的作用并减低优先值阈值。这样，可能性数据的覆盖面和可信度能够逐渐地加强。

在语法分析母语口语语料库的每个迭代后，每种类型关联的可能值被确定并输入到数据库中。

当已经准备了或无论用什么方法得到了足够准确的数据库时，它就可以在本发明中使用。要被检查问题的文本要经过这样一个语法分析过程的一次迭代。可以减小语言广度系数对这个语法分析的作用，而这些系数，即关联的可能值，将在下一阶段中考虑。

然后通过检查母语口语数据库确定文本中每个关联的可能值。对原始的母语口语语料库中未见到的关联通过假定它们有较低的频度而赋予可能值。在一个典型的实施例中，在母语口语语料库中发现的频度为1的所有关联被丢弃，极大地减小了数据量。然后假设在数据库中找不到的一个关联具有一个在0和2范围内的频度，这是根据实验确定的最佳值，并相应地计算它的可能值。

可能值低的(例如负值)关联是可能错误的指标。一个词语所在关联的可能值被组合到该词语的似真值中。非似真的词语用它们的易被混淆集的成员替代，看其似真性结果是否有改进。

图4示出了作为一个错误检测器和修改器的本发明实施例。作为语法分析的实例，在步骤10中提供输入文本，在步骤11中进行分析。在步骤12中，分析输入文本中关联的可能性。在步骤13中，选择文本中第一个词语并在步骤14中计算这个词语的似真性。在步骤15中检查输入文本以确定是否所有词语都被使用过，如果没有，在步骤16中取下一个词语并重复步骤14。

当文本中所有的词语均已有了计算出的似真性值时，在步骤17中按似真性升序排列这些词语。在步骤18中选择最小似真性词语，在步骤19中如果它的似真性不比第一阈值低，在步骤20中终止本方法。否则，在步骤21中得到这个词语的易被混淆集并在步骤22中选择第一个易被混淆词语。在步骤23中这个词被易被混淆词语代替并在步骤24中计算这个易被混淆词语在上下文中的似真性。在步骤25中如果检测到在似真性上的改进大于第二阈值，则在步骤26中将这个易被混淆词语报告给用户。

步骤27检查是否所有易被混淆词语都试过了，如果没有，在28中选择下一个易被混淆词语并控制返回到步骤23。否则，步骤29确定是否文本中所有的词语都被处理过了，如果没有，步骤30得到下一个词语并返回控制到步骤19。否则，在步骤31中结束本方法。

在这个实施例中我们为每个词w_i(1≤i≤n，句子的长度)确定它所在的关联集D(w_i)。然后我们对每个D(w_i)应用一个函数将关联集的可能值映射为单一值，这个值被称作该词语的“似真性”λ(w_i)。按似真性排序这些词语。如果最小似真性词语w_λmin的似真性低于一个阈值，那我们就试图寻找一个修正。我们依次用每个词语c_j(w_λmin)(1≤j≤n，在C(w_λmin)中易被混淆词语的数目)代替w_λmin，并计算λ(c_j(w_λmin))。代替后改进该词语的似真性的那些易被混淆词语可以提供给用户。可以按它们产生的改进的降序显示易被混淆词语。

易被混淆集的成员可能和表示混淆可能性的混淆值有关。例如，从学习者标注语料库中我们能够得到被错误地用作另一个词语的每个词语的频度合计数；真实词语在发音和/或拼写中的错误可能与基于编辑距离的值相联系；基于语义相关性的易被混淆词语可能与基于在一个分层网络中的路径距离的值相联系。

如果使用这样的信息，通过将混淆性和在似真性上的改进结合成一个单一分值，即替代分值σ(w_i→c_j(w_i))，以一个更具有帮助性的顺序提出建议。

在和用户交互过程中，最初提供的建议是用易被混淆集的一个成员代替这个词来改进w_λmin。如果用户接受这些词语中的一个，替代效果就会被传送给与它关联的其它词语并重复新的w_λmin值的计算过程。传送过程可以包括一个替代词语重附着于一个与原始词语不同的词语。

独立使用时不太可能的关联作为一个较大结构的部分时是可能的，反之亦然。例如，“by accident”是非常强的搭配，而“by the accident”是不太可能的而且应该被认为是一个可能的错误。然而存在着包括后者的较大的、可能正确的结构，如“horrified by the accident”。

相反地，孤立的“a knowledge”是一个典型的学习者错误，而“aknowledge of”是合理的表达方式。可到了“learn a knowledge of”却是一个错误。

这些情况能够通过计算包含连结两个或多个关联的三个或更多元素的相关子图的可能值进行处理。实验观察指出在大多数情况下不需要超过三个元素。在上述情况中，四元素短语的可能性能追溯至更小单元的可能性。例如，“horrified by the accident”是可能的，这是因为“horrified by”是这样的一个强搭配，而“learn a knowledge of”是不太可能的，这是因为“knowledge”是“learn”不太可能的宾语，无关于其它元素。

可以用不同方法计算三元素子图的可能值。一种方法是将其中两个元素及它们之间的关联作为一个短语单元对待，然后计算这个短语单元与第三元素之间的可能性度量，所用的计算方法与在两个元素情况下进行计算的方法完全一样。

还可以依照不同的方案实现把二和三元素关联的可能值组合成一个似真值。我们能够使三元素短语的作用的权重大于二元素短语的权重(一种平滑方案)或者如果包含二元素短语的三元素短语不能符合有关它们的频度和/或可能性的某个约束，就只用二元素短语(一种后退方案)。这些方案的参数可以由经验或学习过程来确定，其中学习的要素不是在上下文中某个词语的存在或不存在，而是组合的强度和频度。

为了增大可以检测和修正的错误范围，可以对基本方法进行一些扩充。

计算一个词语的似真性可以包括一个指示那个词对于其它任何词语缺少配属的条件。除了在可以是相关树的根的限定动词(或某个在列表和标题中的其它词性)的情况下，独立的词语总是指示一个错误(或一个错误语法)。因此给空配属赋予一个很低的可能值是合适的，而且这将触发错误处理。

为了确定修正，本方法随后将需要被扩展，如下所述。

假如如上所述，要被修正的文本的语法分析没有被语言广度优先值系数强烈影响，如果它们的词性合适，词语一般将被附着。相反地，如果一个词语不被附着，错误一般不会通过置换一个有相同词性的词语而被修正。

错误可能不是一个置换，而是省略。例如，一个名词将不能作为宾语附着于一个不及物动词。在许多这样的情形中，错误可以通过一个前置词的插入而被修正。甚至在一个名词附着在一个弱关联的动词时，插入也可能是合适的。在任一情形下，插入必须伴随新关联的建立，其可能性将确定错误是否已被修正。

缺少配属也可能是由类别改变的替换错误引起的。如果一类别的词语的易被混淆集包含另一类别的一个词语，那么这个置换可能必需伴随一次输入的局部重新分析。例如，如果一位初学者写“get out of the buildingsafety”，序列“building safety”可作为一个(不太可能的)名词短语进行分析。如果名词“safety”的易被混淆集包括副词“safely”，重新分析将是必需的，以确定后者是动词“get out”的修饰语，“building”而非“safety”是它的宾语。

本方法也可以用作上下文相关的辞典，以不给每个词语的似真值设置阈值为例。在这种情况下，不管似真性如何所有的词语都是替代的候选。同样地，替代不需要改善似真性。可以提出可能的替代，例如，如果它们的似真性值超过一个阈值。

可以用任何适当的装置执行本方法，但是，实际上，最可能的是由一台计算机来执行本方法，该计算机被编制了一个控制它以执行本方法的程序。图1图示了一个适当的计算机系统100，该计算机基于一个担任控制器的中央处理器(CPU)。CPU1配备一个程序存贮器2，例如含有以磁盘或光盘形式的存贮介质的磁盘驱动器形式，轮流包含控制CPU1的程序。一个第一数据库3，例如存贮在一个磁盘上，包含关联及相关的可能值。一个第二数据库，例如也是存贮在一个或上述磁盘上，包含易被混淆集。以常用的方式配备一个读/写或随机存取存贮器(RAM)5以保存参数的临时值。

CPU配备一个输入接口6，它允许要进行错误、不自然的表达方式等等检测的文本输入。例如，文本可能是手工通过键盘输入或者可能已经是机器可读形式(例如在磁盘或光盘上)。CPU1还配备一个输出接口7，它允许用户监控本方法的输出。同样，为了能够与本方法交互，接口6和7为用户提供输入数据、命令等等以及监控本方法的运行的功能。例如，当提供提高似然值的易被混淆词语的选择时，可以通过构成输出接口7部分或全部的显示器显示这些，用户可以通过适当地操作构成输入接口6部分或全部的键盘和/或鼠标选择一个易被混淆的词语。

提供一个包含词语之间的关联及与其相联系的可能值的数据库，它提供这种正确或惯用的关联的可能值度量。可能值基于通过分析大量文本获得的关联发生频度，例如由说母语的人创作的文本。为了检查文本段中是否有文本段的一个或多个词语的可能的错误或不自然用法，首先要分析文本以确定其词语之间的关联。被分析文本中关联的可能性由数据库确定。计算被分析文本中每个词语的似真值，这是通过把出现该词语的关联的可能值合成起来得到的。使用词语索引另一个数据库，该数据库包含容易被索引词语混淆的词语集合。依次选择每个易被混淆词语并在索引词语的关联中代替索引词语。确定这些新关联的可能值并计算这个易被混淆词语的似真值。在一个错误检测实施例中，对于那些似真性落在一个阈值下面的词语尝试易被混淆词语，并将提高似真性的易被混淆词语报告给用户。在一个上下文相关辞典实施例中，对所有词语可以尝试易被混淆词语，并可以报告那些似真值超过一个第二阈值的易被混淆词语。

尽管以上仅描述了一个本发明被应用于英语的实施例，但是本发明并不仅限于英语而能够应用于其它语言。

英语文本段可由非英语的语言(例如日语)翻译生成。

可以通过使用光学字符识别系统阅读印刷文档的文字来生成文本段。

依照本发明，提供用以在用户的写作中检测错误和不自然的表达方式并提出能够改进这些语言用法的方式的方法和一种装置。

依照本发明，在用户的写作中检测错误和不自然的表达方式并对它们提出修改是可能的。它能处理真实词语拼写错误，也能处理其它各种类型的错误。

Claims (17)

1.一种在第一语言的包含一组词语的书面或口语的文本段中的第一词语或短语选择的修改或改进方法，其特征在于，包括下列步骤：

(a)提供一个第一语言词语或短语之间的关联的第一数据库(3)，其中每个关联至少有一个基于该关联在大量第一语言文本中出现频率的相关可能值；

(b)分析(14)该文本段以建立在该文本段的所述第一词语或短语与一个第二词语或短语之间的一个第一关联，至少对应所述第一关联的第一可能值以及基于所述至少一个可能值对应所述第一词语或短语的第一似真值；

(c)提供一个第二数据库(4)，其中每项至少有一个词语或短语与其能够被混淆成的词语或短语集合联系在一起；

(d)从第二数据库(4)中选择(22)或计算出一个作为该文本段中所述第一词语或短语的候选替代的易被混淆词语或短语；

(e)导出(23，24)一个易被混淆词语或短语的在第一数据库(3)中基于一个第二关联的可能值的第二似真值，该第二关联由易被混淆词语或短语和该文本段中的其它词语或短语组成；以及

(f)基于所述第一和第二似真值选择性地提供一个易被混淆词语或短语的指示(25，26)。

2.如权利要求1所述的方法，其特征在于，在第一数据库(3)中的每个关联的可能值也是基于每个包含一个具有相同相关关系的词语或短语的其它关联的发生频率。

3.如权利要求1所述的方法，其特征在于，在第一数据库(3)中的每个关联的可能值也是基于所有具有相同相关关系的其它关联的发生频率。

4.如权利要求1所述的方法，其特征在于，在第一数据库(3)中的每个关联的可能值由互信息、T值、Yule’s Q系数和对数可能性中的至少一项组成的。

5.如权利要求1所述的方法，其特征在于，在步骤(e)中，所述其它词语或短语是第二词语或短语，第二关联的相关关系与第一关联的相关关系相同。

6.如权利要求1所述的方法，其特征在于，步骤(b)包括为该文本段中一组第一词语或短语建立一组第一关联以及对每个第一关联执行步骤(d)、(e)和(f)。

7.如权利要求1所述的方法，其特征在于，步骤(b)包括建立该文本中不相邻的词语或短语之间的关联。

8.如权利要求1所述的方法，其特征在于，步骤(d)包括选择一个词语或短语的集合的每一个易被混淆的词语或短语以及对每个易被混淆词语或短语执行步骤(e)和(f)。

9.如权利要求8所述的方法，其特征在于，步骤(f)包括按第二似真值降序指示第二似真值。

10.如权利要求1所述的方法，其特征在于，如果第一似真值小于一个第一阈值(19)则执行步骤(d)、(e)和(f)。

11.如权利要求1所述的方法，其特征在于，步骤(f)包括当所述的第二似真值超过一个第二阈值(25)时提供指示。

12.如权利要求1所述的方法，其特征在于，步骤(f)包括如果第二似真值大于第一似真值则提供指示(26)。

13.如权利要求1所述的方法，其特征在于，步骤(b)包括依靠一个通过机器学习技术从初学者错误标注语料库及其相关的似真值中学得的函数计算(14)第一似真值。

14.如权利要求1所述的方法，其特征在于，用易被混淆词语代替(23)该文本段中第一词语。

15.如权利要求1所述的方法，其特征在于，通过第二语言翻译生成该文本段。

16.如权利要求1所述的方法，其特征在于，从印刷文档通过光学字符识别生成该文本段。

17.一种在第一语言的包含一组词语的书面或口语的文本段中的第一词语或短语选择的修改或改进装置，其特征在于，包括：

一个第一语言词语或短语之间的关联的第一数据库(3)，其中每个关联至少有一个基于该关联在大量第一语言文本中出现频率的相关可能值；

一个用于分析(14)该文本段的控制器，以确定在文本段的所述第一词语或短语与一个第二词语或短语之间的一个第一关联，至少一个第一可能值对应所述的第一关联以及一个基于所述的至少一个可能值的第一似真值对应所述的第一词语或短语；以及

一个第二数据库(4)，其中每项至少有一个词语或短语与其能够被混淆成的词语或短语集合联系在一起；

其中：

控制器(1)从第二数据库中选择(22)或计算出一个作为该文本段中所述第一词语或短语的候选替代的易被混淆词语或短语；

控制器(1)导出(23，24)一个易被混淆词语或短语的基于一个第二关联在第一数据库(3)中的可能值的第二似真值，该第二关联由易被混淆词语或短语和该文本段中的其它词语或短语组成；以及

控制器基于所述的第一和第二似真值选择性地提供一个易被混淆词语或短语的指示(25，26)。

Images