一种基于译稿分类为待译稿件匹配译员的方法与流程

技术特征：

1.一种基于译稿分类为待译稿件匹配译员的方法，其特征是包括以下步骤:

（1）建立停用词表

所述建立停用词表的步骤是通过译稿库计算得到高频通用词，通过高频通用词和常见停用词建立停用词表；

(2) 对已有译稿进行预处理，所述已有译稿记录着完稿译员的信息；

(3) 对待译稿进行预处理，所述预处理包括分词；

(4) 将预处理后的已有译稿与预处理后的待译稿进行文档相似度匹配，获得候选译稿；

(5) 筛选译稿，所述筛选译稿的步骤是：

收集若干类别的文档作为训练样本，对译稿分类器进行训练，对译稿库已有译稿进行分类；

将候选译稿关联分类，如果候选译稿包含不同分类，保留数量比例超过设定阈值的分类的译稿；

(6) 获取候选译稿记录的译员信息，保存为待译稿件匹配译员的信息。

2.根据权利要求1所述的基于译稿分类为待译稿件匹配译员的方法，其特征是所述建立停用词表的步骤中的译稿库中的已有译稿，是已经通过译稿分类器分类后的译稿。

3.根据权利要求1所述的基于译稿分类为待译稿件匹配译员的方法，其特征是所述对待译稿进行预处理的步骤是： (1)对待译稿进行分词；(2)提取待译稿主题；(3)对待译稿分词后的待译稿内容和待译稿主题进行加权，获得预处理后的待译稿。

4.根据权利要求1所述的基于译稿分类为待译稿件匹配译员的方法，其特征是所述对已有译稿进行预处理的步骤是：(1)对已有译稿分词并建立基于词汇的倒排索引；(2)对分词后的已有译稿提取主题，建立基于译稿主题的倒排索引；(3)对基于词汇的倒排索引和基于译稿主题的倒排索引进行加权，获得预处理后的已有译稿。

5.根据权利要求4所述的基于译稿分类为待译稿件匹配译员的方法，其特征是所述对已有译稿分词后提取主题的方法是：(1)如果有标题，将标题默认为主题；(2)如果没有标题，但有关键词，根据关键词提取译稿主题；(3)如果没有标题，也没有关键词，默认首句为主题句。

6.根据权利要求1所述的基于译稿分类为待译稿件匹配译员的方法，其特征是所述对待译稿进行分词是通过调用Lucene搜索引擎进行分词，所述Lucene搜索引擎包括若干种分词器。

7.根据权利要求6所述的基于译稿分类为待译稿件匹配译员的方法，其特征是所述Lucene搜索引擎根据语种类别采用相匹配的分词器对译稿库中已有译稿进行分词。

8.根据权利要求7所述的基于译稿分类为待译稿件匹配译员的方法，其特征是所述Lucene搜索引擎根据语种类别采用相匹配的分词器，所述语种类别包括拉丁语系和东亚语系，所述拉丁语系采用具有词干提取功能的分词器，所述东亚语系采用基于词典和统计的分词器。

9.根据权利要求1所述的基于译稿分类为待译稿件匹配译员的方法，其特征是所述将预处理后的已有译稿与待译稿件进行文档相似度匹配的步骤是根据公式(一)计算文档相似度，所述公式(一)为:

其中，Q表示待译稿件，d表示已有译稿，qi表示预处理后的待译稿件词语，N表示译稿库中的总文档数；

k1， b为调节因子，设置k1=1.2，b=0.75，fi为qi在d中的出现次数，n(qi)为译稿库中包含qi的文档数，dl为已有译稿d的长度，avgdl为译稿库中所有文档的平均长度；

所述公式一的计算因子N，qi，n（qi），dl，avgdl，fi由以下步骤得出；

（a）记录译稿库中的总文档数N，总文档长度adl，根据公式计算得出平均文档长度avgdl；

（b）根据步骤（2）获取预处理后的待译稿件词语qi，获取已有译稿d的长度dl，获取qi在已有译稿d中的出现次数 fi，计算译稿库中包含qi的文档数n(qi) 。

10.根据权利要求9所述的基于译稿分类为待译稿件匹配译员的方法，其特征是所述公式（一）是由公式集合（二）转换而来，

所述公式集合（二）为：

其中， Wi表示qi的权重；R(qi，d)表示qi与已有译稿d的相关性得分，

k1，k2，b为调节因子，设k2=0 ，qfi为qi在待译稿件中的出现频率，Wi表示词语与文档相关性的权重，IDF为逆文档频率。