(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202111281258.X (22)申请日 2021.11.01 (65)同一申请的已公布的文献号 申请公布号 CN 114091439 A (43)申请公布日 2022.02.25 (73)专利权人 北京百分点科技 集团股份有限公 司 地址 100080 北京市海淀区建材中路27号 14幢一层101层 (72)发明人 苏萌　刘译璟　易显维　肖伟崎　 高体伟　左云鹏　 (74)专利代理 机构 北京国昊天诚知识产权代理 有限公司 1 1315 专利代理师 王思超(51)Int.Cl. G06F 40/263(2020.01) G06F 40/284(2020.01) G06F 40/289(2020.01) G06N 20/00(2019.01) 审查员 张曼 (54)发明名称 汉字混淆集生成方法及装置和计算机可读 存储介质 (57)摘要 本申请公开的汉字混淆集生成方法例如包 括： 对汉字集合中的任意两个汉字进行分别组对 得到多个汉字对； 构造所述多个汉字对各自对应 的混淆特征， 其中所述混淆特征包括字形混淆特 征和拼音混淆特征； 采用预设机器学习模型并根 据所述多个汉字对各自对应的所述字形混淆特 征和所述拼音混淆特征对所述汉字对进行预测， 得到所述多个汉字对的正例汉字混淆对； 以及根 据所述正例汉字混淆对生 成汉字混淆集。 将汉字 对的字形混淆特征和拼音混淆特征统一在同一 个生成方法里， 通过机器学习有监督地学习上述 混淆特征以预测输入汉字对的混淆情况， 从而生 成了一个准确率更高且更合理的混淆集。 权利要求书2页 说明书10页 附图6页 CN 114091439 B 2022.12.27 CN 114091439 B 1.一种汉字混淆集 生成方法， 其特 征在于， 包括： 对汉字集 合中的任意两个汉字进行分别组对得到多个汉字对； 构造所述多个汉字对各自对应的混淆特征， 其中所述混淆特征包括字形混淆特征和拼 音混淆特征； 采用预设机器学习模型并根据所述多个汉字对各自对应的所述字形混淆特征和所述 拼音混淆 特征对所述汉字对进行 预测， 得到所述多个汉字对的正例汉字混淆对； 以及 根据所述 正例汉字混淆对生成汉字混淆集； 所述构造所述多个汉字对各自对应的混淆 特征包括： 获取所述多个汉字中的目标汉字对的拼音信息； 根据所述目标汉字对的所述拼音信息获取所述目标汉字对的最长拼音字符子串占比 特征、 声母特 征以及韵母特 征； 获取所述目标汉字对的字形 特征； 根据所述目标汉字对的所述字形特征获取所述目标汉字对的字体结构特征以及最长 笔画字符子串占比特 征； 所述获取 所述汉字对的拼音信息包括： 获取所述目标汉字对中的第一汉字的第一汉字拼音以及第二汉字的第二汉字拼音； 获取所述第一汉字拼音中的第一声母以及所述第二汉字拼音中的第二声母； 获取所述第一汉字拼音中的第一韵母以及所述第二汉字拼音中的第二韵母； 获取所述第 一汉字拼音的第 一字符串长度、 所述第 二汉字拼音的第 二字符串长度以及 所述第一汉字拼音和所述第二汉字拼音中的公共字符串长度。 2.如权利要求1所述的汉字混淆集生成方法， 其特征在于， 还包括： 建立所述预设机器 学习模型； 其中， 所述建立所述预设机器学习模型包括： 获取标签混淆对； 以所述标签混淆对中的汉字为组成元 素得到标签汉字集 合； 对所述标签汉字集合中的任意两个汉字进行组对得到多个标签汉字对、 并分别构造所 述多个标签汉字对各自对应的混淆 特征； 根据所述标签混淆对和所述多个标签汉字对各自对应的所述混淆特征进行训练得到 所述预设机器学习模型。 3.如权利要求1所述的汉字混淆集生成方法， 其特征在于， 所述根据所述目标汉字对的 所述拼音信息确定所述目标汉字对的最长拼音字符子串占比特征、 声母特征以及韵母特 征； 如若所述第一声母和所述第二声母相同， 所述声母特征为第一特征值， 否则所述声母 特征为第二特 征值； 如若所述第一韵母和所述第二韵母相同， 所述韵母特征为第三特征值， 否则所述韵母 特征为第四特 征值； 根据所述第一字符串长度和所述第二字符串长度确定所述目标汉字对的最长字符串 长度； 将所述公共字符串长度和所述最长字符串长度进行除法运算得到所述最长拼音字符 子串占比特 征。权　利　要　求　书 1/2 页 2 CN 114091439 B 24.如权利要求1所述的汉字混淆集生成方法， 其特征在于， 所述获取所述汉字对的字形 特征包括： 获取所述目标汉字对中的第一汉字的第一字体结构和第二汉字的第二字体结构； 获取所述第一汉字的第一笔画编码和所述第二汉字的第二笔画编码； 获得所述第 一笔画编码的第 一笔画编码长度、 第 二笔画编码的第 二笔画编码长度以及 所述第二笔画编码和所述第二笔画编码中的公共笔画编码长度。 5.如权利要求4所述的汉字混淆集生成方法， 其特征在于， 所述根据所述目标汉字对的 所述字形 特征获取所述目标汉字对的字体结构特 征以及最长笔画字符子串占比特 征包括： 如若所述第 一字体结构和所述字体结构特征为第五特征值， 否则所述字体结构特征为 第六特征值； 根据所述第一笔画编码长度和所述第二笔画编码长度确定所述目标汉字对的最长笔 画编码长度； 将所述公共笔画编码长度和所述最长笔画编码长度进行除法运算得到所述最长笔画 字符子串占比特 征。 6.一种汉字混淆集生成装置， 使用权利要求1所述的汉字混淆集生成方法， 其特征在 于， 包括： 汉字对生成模块， 用于对汉字集 合中的任意两个汉字进行组对得到多个汉字对； 混淆特征构造模块， 用于构造所述多个汉字对各自对应的混淆特征， 其中所述混淆特 征包括字形混淆 特征和拼音混淆 特征； 汉字对预测模块， 用于采用预设机器学习 模型并根据所述多个汉字对各自对应的所述 字形混淆特征和所述拼音混淆特征对所述汉字对进行预测得到所述多个汉字对的正例汉 字混淆对； 以及 汉字混淆集 生成模块， 用于根据所述 正例汉字混淆对生成汉字混淆集。 7.一种计算机可读存储介质， 其特征在于， 所述计算机可读存储介质为非易失性存储 器且存储有计算机可执行指 令， 所述计算机可执行指令用于执行如权利要求 1至5中任意一 项所述的汉字混淆集 生成方法。权　利　要　求　书 2/2 页 3 CN 114091439 B 3