平行语料获取方法、装置、电子设备、及存储介质与流程

本公开实施例涉及计算机应用技术领域，具体涉及一种平行语料获取方法、装置、电子设备、及存储介质。

背景技术：

语料库的建设是统计学习方法的重要基础，对自然语言处理研究具有巨大价值，特别是双语语料库，已经成为机器翻译、机器辅助翻译以及翻译知识获取研究不可或缺的重要资源。现有的机器翻译模型，为了进行有效训练以得到准确的翻译效果，一般都需要大量的平行语料作为训练样本。

但是大量平行语料并不容易获得。目前一般采用开发专门定制的抓取与解析抽取器从公开数据集和词典网站中抓取平行例句来生成平行语料。

一方面，针对特定网站的专用抓取工具和解析抽取器不具有通用性和扩展性；另一方面，上述站点数量有限，因此获取的平行语料数量有限，内容涵盖的范围也存在局限性。

技术实现要素：

有鉴于此，本公开实施例提供一种平行语料获取方法、装置、电子设备、及存储介质，以实现自动从海量文档中获取大量平行语料数据。

本公开实施例的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本公开实施例的实践而习得。

在本公开的第一方面，本公开实施例提供了一种平行语料获取方法，包括：获取目标文档内的文本数据；对所述文本数据进行语种检测，若所述文本数据包括至少两个语种，则保留所述文本数据；检测保留的文本数据中，各语种的词汇分布比例，若词汇分布比例最高的第一语种和第二语种的词汇分布比例均大于预定比例阈值，则保留所检测的文本数据；从保留的所检测的文本数据中抽取所述第一语种的语句作为第一语句集，以及抽取所述第二语种的语句作为第二语句集，将所述第一语句集和所述第二语句集进行语句对齐，确定对齐度大于预定对齐度阈值的语句对作为平行语料。

在本公开的第二方面，本公开实施例还提供了一种平行语料获取装置，包括：文本数据获取单元，用于获取目标文档内的文本数据；语种检测单元，用于对所述文本数据进行语种检测；第一过滤单元，用于若所述文本数据包括至少两个语种，则保留所述文本数据；比例检测单元，用于检测保留的文本数据中，各语种的词汇分布比例；第二过滤单元，用于若词汇分布比例最高的第一语种和第二语种的词汇分布比例均大于预定比例阈值，则保留所检测的文本数据；语句集抽取单元，用于从保留的所检测的文本数据中抽取所述第一语种的语句作为第一语句集，以及抽取所述第二语种的语句作为第二语句集；对齐单元，用于将所述第一语句集和所述第二语句集进行语句对齐；以及平行语料确定单元，用于确定对齐度大于预定对齐度阈值的语句对作为平行语料。

在本公开的第三方面，提供了一种电子设备。该电子设备包括：处理器；以及存储器，用于存储可执行指令，所述可执行指令在被所述处理器执行时使得所述电子设备执行第一方面中的方法。

在本公开的第四方面，提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现第一方面中的方法。

本公开实施例通过获取目标文档内的文本数据，对文本数据进行语种检测，若文本数据包括至少两个语种，则保留所述文本数据；检测保留的文本数据中，各语种的词汇分布比例，若词汇分布比例最高的第一语种和第二语种的词汇分布比例均大于预定比例阈值，则保留所检测的文本数据；从保留的所检测的文本数据中抽取第一语种的语句和第二语种的语句进行语句对齐，确定对齐度大于预定对齐度阈值的语句对作为平行语料。能够自动从海量文档中获取大量平行语料数据,能够基于所获取的平行语料数据训练更精准的翻译模型。

附图说明

为了更清楚地说明本公开实施例中的技术方案，下面将对本公开实施例描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本公开实施例中的一部分实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据本公开实施例的内容和这些附图获得其他的附图。

图1是本公开实施例提供的一种平行语料获取方法的流程示意图；

图2是本公开实施例提供的一种优化对齐双向词典的方法的流程示意图；

图3是本公开实施例提供的另一种平行语料获取装置的结构示意图；

图4是本公开实施例提供的一种平行语料获取装置的结构示意图；

图5是本公开实施例提供的另一种平行语料获取装置的结构示意图；

图6是本公开实施例提供的又一种平行语料获取装置的结构示意图；

图7示出了适于用来实现本公开实施例的电子设备的结构示意图。

具体实施方式

为使本公开实施例解决的技术问题、采用的技术方案和达到的技术效果更加清楚，下面将结合附图对本公开实施例的技术方案作进一步的详细描述，显然，所描述的实施例仅仅是本公开实施例中的一部分实施例，而不是全部的实施例。基于本公开实施例中的实施例，本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本公开实施例保护的范围。

需要说明的是，本公开实施例中术语“系统”和“网络”在本文中常被可互换使用。本公开实施例中提到的“和/或”是指包括一个或更多个相关所列项目的任何和所有组合。本公开的说明书和权利要求书及附图中的术语“第一”、“第二”等是用于区别不同对象，而不是用于限定特定顺序。

还需要说明是，本公开实施例中下述各个实施例可以单独执行，各个实施例之间也可以相互结合执行，本公开实施例对此不作具体限制。

本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。

下面结合附图并通过具体实施方式来进一步说明本公开实施例的技术方案。

图1示出了本公开实施例提供的一种平行语料获取方法的流程示意图，本实施例可适用于获取文档从中提取平行语料的情况，该方法可以由配置于电子设备中的平行语料获取装置来执行，如图1所示，本实施例所述的平行语料获取方法包括：

在步骤s110中，获取目标文档内的文本数据。所述目标文档包括各种类型的文档，例如网络中获取的html页面，特别是获取的词典类网页和双语小说等多语言文档、帮助文件页面、pfg文件(一种电子图书类型的文件)、word文件等。

在步骤s120中，对所述文本数据进行语种检测。用于检测所述文本数据涉及的语种类别，以确定所述文本数据是单语种文本还是多语种文本。

在步骤s130中，若所述文本数据包括至少两个语种，则保留所述文本数据。用以筛选出属于多语种文本(至少包括两个语种)，滤除属于单语种文本的文本数据。

在步骤s140中，检测保留的文本数据中，各语种的词汇分布比例。可检测文本数据中各字符串属于什么语言，以及确定种语言的字符串的占比，可采用多种方法，例如可使用统计学方法进行语种检测，使用统计学方法可通过大规模的语料库训练，提取一系列语言模型，然后通过比较文本与训练好的语言模型的特征值，进行匹配。

在步骤s150中，若词汇分布比例最高的第一语种和第二语种的词汇分布比例均大于预定比例阈值，则保留所检测的文本数据。其中，所述预定比例阈值优选为接近50％的值。鉴于平行语料中各种语种的文本内容的词汇长度会有所区别，所述预定比例阈值可根据语种特点进行设置。例如筛选出包括至少两个语种的文档，分别包括40&以上的第一语种、40&以上的第二语种。

通过步骤s130和步骤s150的筛选步骤,容易从海量的网络文档中大概率地挖掘到词典类网页、双语小说等文档。

在步骤s160中，从保留的所检测的文本数据中抽取所述第一语种的语句作为第一语句集，以及抽取所述第二语种的语句作为第二语句集。用以筛选出比例最高的两个语种的语句，若有第三语种或其他语种的文本，滤除该第三语种或其他语种的文本。

在步骤s170中，将所述第一语句集和所述第二语句集进行语句对齐。将所述第一语句集和所述第二语句集进行语句对齐包括多种方式，本实施例对此并不限定。

具体地，语句对齐方式包括多种，例如可采用所述第一语句集和所述第二语句集所涉及的两个语种所对应的对齐双向词典进行语句对齐。对齐双向词典可用于根据两个语种中第一语种的词汇查找第二语种的词汇，也可用于根据两个语种中第二语种的词汇查找第一语种的词汇。示例性地，本步骤进行语句对齐可先确定用于对齐所述第一语种语句和所述第二语种语句的对齐双向词典，采用该对齐双向词典将所述第一语句集和所述第二语句集进行语句对齐。例如，可对所述第一语句集中的任一源语句，从所述第二语句集中取出一个比对语句，执行如下操作：

对所述源语句进行分词和词性过滤得到第一词集，确定所述第一词集中属于所述对齐双向词典中的第一对齐词集；以及对所述比对语句进行分词和词性过滤得到第二词集，确定所述第二词集中属于所述对齐双向词典中的第二对齐词集；根据所述第一词集的词数、第一对齐词集的词数、所述第二词集的词数、以及所述第二对齐词集的词数确定所述源词句和所述比对语句之间的对齐度；若所述对齐度大于所述预定对齐度阈值，则将所述源语句和所述比对语句组成的语句对作为平行语料。

上述示例中，对所述第一语句集中的任一源语句，从所述第二语句集中取出一个比对语句的方式也包括多种。例如可采用遍历所述第二语句集的方式取出，依次取出第二语句集中各语句与第一语句集中的该源语句进行对齐度计算，直到对齐度大于所述预定对齐度阈值语句则停止，记录为平行语料，再取也第一语句集中下一源语句，重复上述操作。

对于双语词典、中英文对照图书这种高质量的平行语料挖掘文本，两个语种的文本数据，大多是平行对齐的，例如第一句英文对齐第一句中文、第二句英文对齐第二句中文……,这种情况下，为了提高对齐速度，还可顺次获取所述第一语句集中的一个语句作为所述源语句，若所述源语句的前一语句与所述第二语句集中的第i语句之间的对齐度大于所述预定对齐度阈值，且所述i小于所述第二语句集的语句数，则从所述第二语句集中取出所述第i语句的下一语句作为所述对比语句，其中所述i为自然数。

在步骤s180中，确定对齐度大于预定对齐度阈值的语句对作为平行语料。

进一步地，在确定对齐度大于预定对齐度阈值的语句对作为平行语料之后，还可以以得到的平行语料中对齐度阈值较好的平行语料为素材，对所述对齐双向词典进行优化，图2是本公开实施例提供的一种优化对齐双向词典的方法的流程示意图，如图2所示，以得到的平行语料中对齐度阈值较好的平行语料为素材，对所述对齐双向词典进行优化的方法包括：

在步骤s210中，筛选出对齐度大于预定第二对齐度阈值的平行语料，其中所述预定第二对齐度阈值大于所述预定对齐度阈值。

在步骤s220中，将所筛选的平行语料传送给用于生成对齐双向词典的训练模型进行训练以优化所述训练模型。

在步骤s230中，采用优化后的所述训练模型生成新的对齐双向词典更新所述对齐双向词典。

本实施例通过获取目标文档内的文本数据，对文本数据进行语种检测，若文本数据包括至少两个语种，则保留所述文本数据；检测保留的文本数据中，各语种的词汇分布比例，若词汇分布比例最高的第一语种和第二语种的词汇分布比例均大于预定比例阈值，则保留所检测的文本数据；从保留的所检测的文本数据中抽取第一语种的语句和第二语种的语句进行语句对齐，确定对齐度大于预定对齐度阈值的语句对作为平行语料。能够自动从海量文档中获取大量平行语料数据,能够基于所获取的平行语料数据训练更精准的翻译模型。

图3示出了本公开实施例提供的另一种平行语料获取方法的流程示意图，本实施例以前述实施例为基础，进行了改进优化。如图3所示，本实施例所述的平行语料获取方法包括：

在步骤s301中，获取目标文档内的文本数据。所述目标文档包括各种类型的文档，例如网络中获取的html页面，特别是获取的词典类网页和双语小说等多语言文档、帮助文件页面、pfg文件(一种电子图书类型的文件)、word文件等。

在步骤s302中，对所述文本数据进行语种检测。本步骤用于检测文本数据中各字符串属于什么语言，以及确定种语言的字符串的占比，例如可采用语种检测模型进行语种检测。

在步骤s303中，若所述文本数据包括至少两个语种，则保留所述文本数据，以筛选出属于多语种文本(至少包括两个语种)，滤除属于单语种文本的文本数据。

在步骤s304中，检测保留的文本数据中，各语种的词汇分布比例。例如可采用机器学习模型检测保留的文本数据中各语种的词汇分布比例，若步骤s302所述的语种检测模型也具有此功能，也可采用所述语种检测模型进行该步骤的检测。

在步骤s305中，若词汇分布比例最高的第一语种和第二语种的词汇分布比例均大于预定比例阈值，则保留所检测的文本数据。例如筛选出包括至少两个语种的文档，分别包括40&以上的第一语种、40&以上的第二语种。

在步骤s306中，从保留的所检测的文本数据中抽取所述第一语种的语句作为第一语句集，以及抽取所述第二语种的语句作为第二语句集。用以筛选出比例最高的两个语种的语句，若有第三语种或其他语种的文本，滤除该第三语种或其他语种的文本。

在步骤s307中，将所述第一语句集和所述第二语句集进行语句对齐。例于可采用进行语句对齐的双向词典进行语句对齐。

在步骤s308中，确定对齐度大于预定对齐度阈值的语句对作为平行语料。

在步骤s309中，计算所述文本数据中作为平行语料的文本数据所占的比例。

在步骤s310中，若所述比例大于预定第二比例阈值，则根据所述目标文档确定新的目标文档。例如，可获取所述目标文档的url地址，获取所述url地址关联的url地址对应的文档作为新的目标文档，例如与当前网页同一网站的网页等。又如，可获取所述目标文档内的子链接的url地址对应的文档作为新的目标文档，例如当前网页的子网页等。

在上一实施例的基础之上，本实施例进一步在获取目标文档中的平行语料之后，计算已挖掘的平行语料的文本数据在整个文档的占比，以占比较高的文档为线索挖掘出关联文档，以进一步提高挖掘平行语料的效率。

作为上述各图所示方法的实现，本申请提供了一种平行语料获取装置的一个实施例,图4示出了本实施例提供的一种平行语料获取装置的结构示意图，该装置实施例与图1至图3所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。如图4所示，本实施例所述的平行语料获取装置包括文本数据获取单元410、语种检测单元420、第一过滤单元430、比例检测单元440、第二过滤单元450、语句集抽取单元460、对齐单元470和平行语料确定单元480。

所述文本数据获取单元410被配置为，用于获取目标文档内的文本数据。

所述语种检测单元420被配置为，用于对所述文本数据进行语种检测。

所述第一过滤单元430被配置为，用于若所述文本数据包括至少两个语种，则保留所述文本数据。

所述比例检测单元440被配置为，用于检测保留的文本数据中，各语种的词汇分布比例。

所述第二过滤单元450被配置为，用于若词汇分布比例最高的第一语种和第二语种的词汇分布比例均大于预定比例阈值，则保留所检测的文本数据。

所述语句集抽取单元460被配置为，用于从保留的所检测的文本数据中抽取所述第一语种的语句作为第一语句集，以及抽取所述第二语种的语句作为第二语句集。

所述对齐单元470被配置为，用于将所述第一语句集和所述第二语句集进行语句对齐。

所述平行语料确定单元480被配置为，用于确定对齐度大于预定对齐度阈值的语句对作为平行语料。

于一实施例中，所述对齐单元470被配置为，还用于确定用于对齐所述第一语种语句和所述第二语种语句的对齐双向词典；对所述第一语句集中的任一源语句，从所述第二语句集中取出一个比对语句，执行如下操作；对所述源语句进行分词和词性过滤得到第一词集，确定所述第一词集中属于所述对齐双向词典中的第一对齐词集；以及对所述比对语句进行分词和词性过滤得到第二词集，确定所述第二词集中属于所述对齐双向词典中的第二对齐词集；根据所述第一词集的词数、第一对齐词集的词数、所述第二词集的词数、以及所述第二对齐词集的词数确定所述源词句和所述比对语句之间的对齐度。

进一步地，所述对齐单元470被配置为，还用于顺次获取所述第一语句集中的一个语句作为所述源语句，若所述源语句的前一语句与所述第二语句集中的第i语句之间的对齐度大于所述预定对齐度阈值，且所述i小于所述第二语句集的语句数，则从所述第二语句集中取出所述第i语句的下一语句作为所述对比语句，其中所述i为自然数。

于一实施例中，所述目标文档包括网络中的html页面、帮助文件页面、pfg文件、word文件的至少一种。

于一实施例中，所述html页面包括获取的词典类网页和双语小说。

本实施例提供的平行语料获取装置可执行本公开方法实施例所提供的平行语料获取方法，具备执行方法相应的功能模块和有益效果。

图5示出了本公开实施例提供的另一种平行语料获取装置的结构示意图，如图5所示，本实施例所述的平行语料获取装置包括文本数据获取单元510、语种检测单元520、第一过滤单元530、比例检测单元540、第二过滤单元550、语句集抽取单元560、对齐单元570、平行语料确定单元580和新目标文档确定单元590。

所述文本数据获取单元510被配置为，用于获取目标文档内的文本数据。

所述语种检测单元520被配置为，用于对所述文本数据进行语种检测。

所述第一过滤单元530被配置为，用于若所述文本数据包括至少两个语种，则保留所述文本数据。

所述比例检测单元540被配置为，用于检测保留的文本数据中，各语种的词汇分布比例。

所述第二过滤单元550被配置为，用于若词汇分布比例最高的第一语种和第二语种的词汇分布比例均大于预定比例阈值，则保留所检测的文本数据。

所述语句集抽取单元560被配置为，用于从保留的所检测的文本数据中抽取所述第一语种的语句作为第一语句集，以及抽取所述第二语种的语句作为第二语句集。

所述对齐单元570被配置为，用于将所述第一语句集和所述第二语句集进行语句对齐。

所述平行语料确定单元580被配置为，用于确定对齐度大于预定对齐度阈值的语句对作为平行语料。

所述新目标文档确定单元590被配置为，用于计算所述文本数据中作为平行语料的文本数据所占的比例；若所述比例大于预定第二比例阈值，则根据所述目标文档确定新的目标文档。

于一实施例中，所述对齐单元570被配置为，用于确定用于对齐所述第一语种语句和所述第二语种语句的对齐双向词典；对所述第一语句集中的任一源语句，从所述第二语句集中取出一个比对语句，执行如下操作：对所述源语句进行分词和词性过滤得到第一词集，确定所述第一词集中属于所述对齐双向词典中的第一对齐词集；以及对所述比对语句进行分词和词性过滤得到第二词集，确定所述第二词集中属于所述对齐双向词典中的第二对齐词集；根据所述第一词集的词数、第一对齐词集的词数、所述第二词集的词数、以及所述第二对齐词集的词数确定所述源词句和所述比对语句之间的对齐度。

进一步地，所述对齐单元570被配置为，用于顺次获取所述第一语句集中的一个语句作为所述源语句，若所述源语句的前一语句与所述第二语句集中的第i语句之间的对齐度大于所述预定对齐度阈值，且所述i小于所述第二语句集的语句数，则从所述第二语句集中取出所述第i语句的下一语句作为所述对比语句，其中所述i为自然数。

于一实施例中，所述新目标文档确定单元590被配置为，用于获取所述目标文档的url地址；获取所述url地址关联的url地址对应的文档作为新的目标文档。

于一实施例中，所述新目标文档确定单元590被配置为，用于获取所述目标文档内的子链接的url地址；获取所述子链接的url地址对应的文档作为新的目标文档。

于一实施例中，所述目标文档包括网络中的html页面、帮助文件页面、pfg文件、word文件的至少一种。

于一实施例中，所述html页面包括获取的词典类网页和双语小说。

本实施例提供的平行语料获取装置可执行本公开方法实施例所提供的平行语料获取方法，具备执行方法相应的功能模块和有益效果。

图6示出了本公开实施例提供的另一种平行语料获取装置的结构示意图，如图6所示，本实施例所述的平行语料获取装置包括：文本数据获取单元610、语种检测单元620、第一过滤单元630、比例检测单元640、第二过滤单元650、语句集抽取单元660、对齐单元670、平行语料确定单元680和对齐双向词典优化单元690。其中所述对齐双向词典优化单元690包括平行语料筛选子单元691、模型训练子单元692和词典更新子单元693。

所述文本数据获取单元610被配置为，用于获取目标文档内的文本数据。

所述语种检测单元620被配置为，用于对所述文本数据进行语种检测。

所述第一过滤单元630被配置为，用于若所述文本数据包括至少两个语种，则保留所述文本数据。

所述比例检测单元640被配置为，用于检测保留的文本数据中，各语种的词汇分布比例。

所述第二过滤单元650被配置为，用于若词汇分布比例最高的第一语种和第二语种的词汇分布比例均大于预定比例阈值，则保留所检测的文本数据。

所述语句集抽取单元660被配置为，用于从保留的所检测的文本数据中抽取所述第一语种的语句作为第一语句集，以及抽取所述第二语种的语句作为第二语句集。

所述对齐单元670被配置为，用于将所述第一语句集和所述第二语句集进行语句对齐。

所述平行语料确定单元680被配置为，用于确定对齐度大于预定对齐度阈值的语句对作为平行语料。

对齐双向词典优化单元690包括平行语料筛选子单元691、模型训练子单元692和词典更新子单元693。

所述平行语料筛选子单元691被配置为，用于在确定对齐度大于预定对齐度阈值的语句对作为平行语料之后，筛选出对齐度大于预定第二对齐度阈值的平行语料，其中所述预定第二对齐度阈值大于所述预定对齐度阈值；

所述模型训练子单元692被配置为，用于将所筛选的平行语料传送给用于生成对齐双向词典的训练模型进行训练以优化所述训练模型；

所述词典更新子单元693被配置为，用于采用优化后的所述训练模型生成新的对齐双向词典更新所述对齐双向词典。

于一实施例中，所述对齐单元670被配置为，用于确定用于对齐所述第一语种语句和所述第二语种语句的对齐双向词典；对所述第一语句集中的任一源语句，从所述第二语句集中取出一个比对语句，执行如下操作：对所述源语句进行分词和词性过滤得到第一词集，确定所述第一词集中属于所述对齐双向词典中的第一对齐词集；以及对所述比对语句进行分词和词性过滤得到第二词集，确定所述第二词集中属于所述对齐双向词典中的第二对齐词集；根据所述第一词集的词数、第一对齐词集的词数、所述第二词集的词数、以及所述第二对齐词集的词数确定所述源词句和所述比对语句之间的对齐度。

进一步地，所述对齐单元670被配置为，用于顺次获取所述第一语句集中的一个语句作为所述源语句，若所述源语句的前一语句与所述第二语句集中的第i语句之间的对齐度大于所述预定对齐度阈值，且所述i小于所述第二语句集的语句数，则从所述第二语句集中取出所述第i语句的下一语句作为所述对比语句，其中所述i为自然数。

于一实施例中，所述目标文档包括网络中的html页面、帮助文件页面、pfg文件、word文件的至少一种。

于一实施例中，所述html页面包括获取的词典类网页和双语小说。

本实施例提供的平行语料获取装置可执行本公开方法实施例所提供的平行语料获取方法，具备执行方法相应的功能模块和有益效果。

下面参考图7，其示出了适于用来实现本公开实施例的电子设备700的结构示意图。本公开实施例中的终端设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、pda(个人数字助理)、pad(平板电脑)、pmp(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字tv、台式计算机等等的固定终端。图7示出的电子设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。

如图7所示，电子设备700可以包括处理装置(例如中央处理器、图形处理器等)701，其可以根据存储在只读存储器(rom)702中的程序或者从存储装置708加载到随机访问存储器(ram)703中的程序而执行各种适当的动作和处理。在ram703中，还存储有电子设备700操作所需的各种程序和数据。处理装置701、rom702以及ram703通过总线704彼此相连。输入/输出(i/o)接口705也连接至总线704。

通常，以下装置可以连接至i/o接口705：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置706；包括例如液晶显示器(lcd)、扬声器、振动器等的输出装置707；包括例如磁带、硬盘等的存储装置708；以及通信装置709。通信装置709可以允许电子设备700与其他设备进行无线或有线通信以交换数据。虽然图7示出了具有各种装置的电子设备700，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。

特别地，根据本公开实施例的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开实施例的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置709从网络上被下载和安装，或者从存储装置708被安装，或者从rom702被安装。在该计算机程序被处理装置701执行时，执行本公开实施例的方法中限定的上述功能。

需要说明的是，本公开实施例上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑磁盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开实施例中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开实施例中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、rf(射频)等等，或者上述的任意合适的组合。

上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。

上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：获取目标文档内的文本数据；对所述文本数据进行语种检测；若所述文本数据包括至少两个语种，则保留所述文本数据；检测保留的文本数据中，各语种的词汇分布比例；若词汇分布比例最高的第一语种和第二语种的词汇分布比例均大于预定比例阈值，则保留所检测的文本数据；从保留的所检测的文本数据中抽取所述第一语种的语句作为第一语句集，以及抽取所述第二语种的语句作为第二语句集；将所述第一语句集和所述第二语句集进行语句对齐；以及确定对齐度大于预定对齐度阈值的语句对作为平行语料。

可以以一种或多种程序设计语言或其组合来编写用于执行本公开实施例的操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言—诸如java、smalltalk、c++，还包括常规的过程式程序设计语言—诸如“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(lan)或广域网(wan)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

附图中的流程图和框图，图示了按照本公开实施例各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本公开实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。其中，单元的名称在某种情况下并不构成对该单元本身的限定，例如，第一获取单元还可以被描述为“获取至少两个网际协议地址的单元”。

根据本公开的一个或多个实施例，所述平行语料获取方法中，所述将所述第一语句集和所述第二语句集进行语句对齐包括：确定用于对齐所述第一语种语句和所述第二语种语句的对齐双向词典；对所述第一语句集中的任一源语句，从所述第二语句集中取出一个比对语句，执行如下操作：对所述源语句进行分词和词性过滤得到第一词集，确定所述第一词集中属于所述对齐双向词典中的第一对齐词集；以及对所述比对语句进行分词和词性过滤得到第二词集，确定所述第二词集中属于所述对齐双向词典中的第二对齐词集；根据所述第一词集的词数、第一对齐词集的词数、所述第二词集的词数、以及所述第二对齐词集的词数确定所述源词句和所述比对语句之间的对齐度；若所述对齐度大于所述预定对齐度阈值，则将所述源语句和所述比对语句组成的语句对作为平行语料。

根据本公开的一个或多个实施例，所述平行语料获取方法中，对所述第一语句集中的任一源语句，从所述第二语句集中取出一个比对语句包括：顺次获取所述第一语句集中的一个语句作为所述源语句，若所述源语句的前一语句与所述第二语句集中的第i语句之间的对齐度大于所述预定对齐度阈值，且所述i小于所述第二语句集的语句数，则从所述第二语句集中取出所述第i语句的下一语句作为所述对比语句，其中所述i为自然数。

根据本公开的一个或多个实施例，所述平行语料获取方法还包括，在确定对齐度大于预定对齐度阈值的语句对作为平行语料之后：筛选出对齐度大于预定第二对齐度阈值的平行语料，其中所述预定第二对齐度阈值大于所述预定对齐度阈值；将所筛选的平行语料传送给用于生成对齐双向词典的训练模型进行训练以优化所述训练模型；采用优化后的所述训练模型生成新的对齐双向词典更新所述对齐双向词典。

根据本公开的一个或多个实施例，所述平行语料获取方法还包括，在确定对齐度大于预定对齐度阈值的语句对作为平行语料之后：计算所述文本数据中作为平行语料的文本数据所占的比例；若所述比例大于预定第二比例阈值，则根据所述目标文档确定新的目标文档。

根据本公开的一个或多个实施例，所述平行语料获取方法中，根据所述目标文档确定新的目标文档包括：获取所述目标文档的url地址；获取所述url地址关联的url地址对应的文档作为新的目标文档。

根据本公开的一个或多个实施例，所述平行语料获取方法中，根据所述目标文档确定新的目标文档包括：获取所述目标文档内的子链接的url地址；获取所述子链接的url地址对应的文档作为新的目标文档。

根据本公开的一个或多个实施例，所述平行语料获取方法中，所述目标文档包括网络中的html页面、帮助文件页面、pfg文件、word文件的至少一种。

根据本公开的一个或多个实施例，所述平行语料获取方法中，所述html页面包括词典类网页和双语小说。

根据本公开的一个或多个实施例，所述平行语料获取装置中，所述对齐单元用于：确定用于对齐所述第一语种语句和所述第二语种语句的对齐双向词典；对所述第一语句集中的任一源语句，从所述第二语句集中取出一个比对语句，执行如下操作：对所述源语句进行分词和词性过滤得到第一词集，确定所述第一词集中属于所述对齐双向词典中的第一对齐词集；以及对所述比对语句进行分词和词性过滤得到第二词集，确定所述第二词集中属于所述对齐双向词典中的第二对齐词集；根据所述第一词集的词数、第一对齐词集的词数、所述第二词集的词数、以及所述第二对齐词集的词数确定所述源词句和所述比对语句之间的对齐度。

根据本公开的一个或多个实施例，所述平行语料获取装置中，所述对齐单元用于：顺次获取所述第一语句集中的一个语句作为所述源语句，若所述源语句的前一语句与所述第二语句集中的第i语句之间的对齐度大于所述预定对齐度阈值，且所述i小于所述第二语句集的语句数，则从所述第二语句集中取出所述第i语句的下一语句作为所述对比语句，其中所述i为自然数。

根据本公开的一个或多个实施例，所述平行语料获取装置还包括对齐双向词典优化单元，所述对齐双向词典优化单元包括平行语料筛选子单元、模型训练子单元和词典更新子单元。所述平行语料筛选子单元用于，在确定对齐度大于预定对齐度阈值的语句对作为平行语料之后，筛选出对齐度大于预定第二对齐度阈值的平行语料，其中所述预定第二对齐度阈值大于所述预定对齐度阈值；所述模型训练子单元用于，将所筛选的平行语料传送给用于生成对齐双向词典的训练模型进行训练以优化所述训练模型；所述词典更新子单元用于，采用优化后的所述训练模型生成新的对齐双向词典更新所述对齐双向词典。

根据本公开的一个或多个实施例，所述平行语料获取装置还包括新目标文档确定单元，用于在确定对齐度大于预定对齐度阈值的语句对作为平行语料之后：计算所述文本数据中作为平行语料的文本数据所占的比例；若所述比例大于预定第二比例阈值，则根据所述目标文档确定新的目标文档。

根据本公开的一个或多个实施例，所述平行语料获取装置中，所述新目标文档确定单元用于：获取所述目标文档的url地址；获取所述url地址关联的url地址对应的文档作为新的目标文档。

根据本公开的一个或多个实施例，所述平行语料获取装置中，所述新目标文档确定单元用于：获取所述目标文档内的子链接的url地址；获取所述子链接的url地址对应的文档作为新的目标文档。

根据本公开的一个或多个实施例，所述平行语料获取装置中，所述目标文档包括网络中的html页面、帮助文件页面、pfg文件、word文件的至少一种。

根据本公开的一个或多个实施例，所述平行语料获取装置中，所述html页面包括词典类网页和双语小说。

以上描述仅为本公开实施例的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开实施例中所涉及的公开范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述公开构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开实施例中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。