漢越雙語平行語料自動采集的系統(tǒng)及實現方法

基本信息

申請?zhí)?/td> CN201510407507.3 申請日 -
公開（公告）號 CN104933194A 公開（公告）日 2015-09-23
申請公布號 CN104933194A 申請公布日 2015-09-23
分類號 G06F17/30(2006.01)I 分類 計算；推算；計數;
發(fā)明人 溫家凱;農強;劉連芳;盧梁春 申請（專利權）人 南寧市平方軟件新技術有限責任公司
代理機構 北京科億知識產權代理事務所（普通合伙） 代理人 廣西達譯商務服務有限責任公司;南寧市平方軟件新技術有限責任公司
地址 530007 廣西壯族自治區(qū)南寧市科園東五路4號508室
法律狀態(tài) -

摘要

摘要 一種漢越雙語平行語料自動采集的系統(tǒng)及實現方法，包括漢越雙語平行信息的自動發(fā)現、自動提取、自動整理，首先，制定需要采集語料的關鍵詞組，通過搜索引擎搜索網站，采集網頁得到搜索結果，對搜索結果的信息進行過濾和篩選后，將經過濾得搜索結果存儲于搜索結果數據庫；其次，通過訪問搜索結果數據庫里的網頁，自動提取漢越雙語平行信息；最后，針對自動提取的漢越雙語平行信息，進行數據過濾，并將經過過濾處理后的漢越雙語平行數據存放到漢越雙語平行語料庫。本發(fā)明為漢越語言研究和機器翻譯應用提供重要基礎數據，解決了語料采集人員和研究人員所面臨的數據來源的問題，為雙語語料自動采集的發(fā)展和漢越自然語言處理做出了杰出的貢獻。