基于筆形相似的文本校對(duì)算法及其接口原型系統(tǒng)的研究.pdf

1、中文文本自動(dòng)校對(duì)，屬于自然語(yǔ)言處理的應(yīng)用基礎(chǔ)研究范疇，其目的是要實(shí)現(xiàn)一個(gè)能達(dá)到一定校對(duì)目標(biāo)的人機(jī)交互式計(jì)算機(jī)輔助校對(duì)系統(tǒng)。自上世紀(jì)90年代以來(lái)，出版業(yè)電子化迅猛發(fā)展、辦公及日常文檔處理的數(shù)字化迅速普及，這就要求人們?cè)诙虝r(shí)間內(nèi)處理大量的電子文檔，而處理過(guò)程中難免出現(xiàn)錯(cuò)誤。因此電子文檔的校對(duì)任務(wù)越來(lái)越重，中文文本自動(dòng)校對(duì)成為一項(xiàng)亟待解決的研究課題。 近年來(lái)不少研究者已經(jīng)在文本自動(dòng)分詞、上下文依存分析、文本語(yǔ)義分析、查錯(cuò)糾錯(cuò)模型的構(gòu)建

2、等方面做了不少研究，但由于漢語(yǔ)理論研究的局限性和漢語(yǔ)言本身的特點(diǎn)，現(xiàn)有系統(tǒng)的整體性能離實(shí)際需求還有相當(dāng)大的差距。 不同的輸入途徑造成文本的錯(cuò)誤也是不同的。拼音輸入、語(yǔ)音輸入導(dǎo)致了發(fā)音近似錯(cuò)誤的發(fā)生，而筆型輸入、OCR技術(shù)則導(dǎo)致了外形相近或相似錯(cuò)誤的發(fā)生。 近年來(lái)，OCR技術(shù)日漸成熟，目前的OCR識(shí)別系統(tǒng)對(duì)印刷體文本的正確識(shí)別率理論值可達(dá)97％左右。隨著識(shí)別正確率的提高，人們對(duì)OCR識(shí)別軟件的使用頻率會(huì)越來(lái)越高，然而在實(shí)際

3、識(shí)別中由于漢字字形變化劇烈，待識(shí)別文本圖像噪聲干擾嚴(yán)重等因素，漢字識(shí)別的正確率會(huì)有所降低。而OCR識(shí)別導(dǎo)致的主要錯(cuò)誤就是形近或者形似錯(cuò)誤，因此，如何對(duì)該類(lèi)錯(cuò)誤進(jìn)行文本自動(dòng)校對(duì)是一個(gè)必須解決的問(wèn)題。 本文在調(diào)研了國(guó)內(nèi)外相關(guān)的自動(dòng)校對(duì)研究之后，結(jié)合漢語(yǔ)的實(shí)際情況，充分分析了人在識(shí)別漢字形似字的常規(guī)思路，提出了基于筆形相似的文本校對(duì)算法。算法執(zhí)行過(guò)程就是對(duì)人識(shí)別形似字過(guò)程的模擬：當(dāng)系統(tǒng)根據(jù)用戶(hù)當(dāng)前操作判定該處文本可能錯(cuò)誤時(shí)，系統(tǒng)即啟動(dòng)