文本纠错方法、装置、计算机可读存储介质及终端设备与流程

本发明属于语音识别技术领域，尤其涉及一种文本纠错方法、装置、计算机可读存储介质及终端设备。

背景技术：

人工智能和ai技术发展迅速，在各类智能终端设备上都出现了语音交互方式，但是并不能很好的实现用户的需求。根本原因是语音识别(automaticspeechrecognition，asr)方法的效果不好，于是出现了asr文本纠错方法。目前的asr文本纠错方法能完成一些简单场景下的固定纠错，例如可以将“我要订音乐”纠正为“我要听音乐”，“我要配副眼睛”纠正为“我要配副眼镜”等等，但是目前的asr文本纠错方法在复杂场景交互时，没有考虑相同句子在不同语境下具有不同的纠错任务，因此往往不能得到正确的结果，纠错准确率较低。

技术实现要素：

有鉴于此，本发明实施例提供了一种文本纠错方法、装置、计算机可读存储介质及终端设备，以解决现有的asr文本纠错方法纠错准确率较低的问题。

本发明实施例的第一方面提供了一种文本纠错方法，可以包括：

获取第一文本数据，所述第一文本数据为预设的终端设备对输入语音进行语音识别后输出的文本数据；

根据所述终端设备的当前状态、所述第一文本数据以及所述第一文本数据的上下文信息确定所述第一文本数据的使用场景；

根据所述使用场景确定所述第一文本数据的困惑集；

使用预设的深度学习模型和迭代学习模型对所述第一文本数据进行纠错处理，得到第二文本数据；

根据所述困惑集对所述第二文本数据进行优化处理，得到第三文本数据。

进一步地，所述根据所述终端设备的当前状态、所述第一文本数据以及所述第一文本数据的上下文信息确定所述第一文本数据的使用场景包括：

根据所述终端设备的当前状态确定所述第一文本数据的第一候选使用场景；

根据所述第一文本数据以及所述第一文本数据的上下文信息确定所述第一文本数据的第二候选使用场景；

根据所述第一候选使用场景和所述第二候选使用场景确定所述第一文本数据的使用场景。

进一步地，所述深度学习模型的训练过程包括：

获取训练数据集合，所述训练数据集合中的每条训练数据均包括输入数据和标签，所述输入数据为语音识别输出的错误文本数据以及上下文信息，所述标签为对所述错误文本数据进行纠错后的正确结果；

使用所述训练数据集合对所述深度学习模型进行训练，得到训练完成的深度学习模型。

进一步地，所述迭代学习模型的训练过程包括：

通过预设的标识符判断是否激活所述迭代学习模型，激活后的所述迭代学习模型接收反馈信息；

使用所述训练数据集合对所述迭代模型进行训练，得到训练完成的迭代模型。

进一步地，所述根据所述困惑集对所述第二文本数据进行优化处理，得到第三文本数据包括：

根据所述困惑集构建所述第二文本数据的候选集，所述候选集中包括所述第二文本数据的各个候选文本数据；

使用预设的评分函数分别计算所述第二文本数据和各个候选文本数据的评分；

选取评分最高的候选文本数据作为优选文本数据；

若所述优选文本数据与所述第二文本数据的评分之差大于预设的阈值，则将所述优选文本数据确定为所述第三文本数据；

若所述优选文本数据与所述第二文本数据的评分之差小于或等于所述阈值，则将所述第二文本数据确定为所述第三文本数据。

本发明实施例的第二方面提供了一种文本纠错装置，可以包括：

文本数据获取模块，用于获取第一文本数据，所述第一文本数据为预设的终端设备对输入语音进行语音识别后输出的文本数据；

使用场景确定模块，用于根据所述终端设备的当前状态、所述第一文本数据以及所述第一文本数据的上下文信息确定所述第一文本数据的使用场景；

困惑集确定模块，用于根据所述使用场景确定所述第一文本数据的困惑集；

纠错模块，用于使用预设的深度学习模型和迭代学习模型对所述第一文本数据进行纠错处理，得到第二文本数据；

优化模块，用于根据所述困惑集对所述第二文本数据进行优化处理，得到第三文本数据。

进一步地，所述使用场景确定模块可以包括：

第一候选使用场景确定单元，用于根据所述终端设备的当前状态确定所述第一文本数据的第一候选使用场景；

第二候选使用场景确定单元，用于根据所述第一文本数据以及所述第一文本数据的上下文信息确定所述第一文本数据的第二候选使用场景；

使用场景确定单元，用于根据所述第一候选使用场景和所述第二候选使用场景确定所述第一文本数据的使用场景。

进一步地，所述文本纠错装置还可以包括：

训练数据集合获取模块，用于获取训练数据集合，所述训练数据集合中的每条训练数据均包括输入数据和标签，所述输入数据为语音识别输出的错误文本数据以及上下文信息，所述标签为对所述错误文本数据进行纠错后的正确结果；

第一模型训练模块，用于使用所述训练数据集合对所述深度学习模型进行训练，得到训练完成的深度学习模型。

进一步地，所述文本纠错装置还可以包括：

反馈信息接收模块，用于通过预设的标识符判断是否激活所述迭代学习模型，激活后的所述迭代学习模型接收反馈信息；

第二模型训练模块，用于使用所述训练数据集合对所述迭代模型进行训练，得到训练完成的迭代模型。

进一步地，所述优化模块可以包括：

候选集构建单元，用于根据所述困惑集构建所述第二文本数据的候选集，所述候选集中包括所述第二文本数据的各个候选文本数据；

评分计算单元，用于使用预设的评分函数分别计算所述第二文本数据和各个候选文本数据的评分；

优选文本数据选取单元，用于选取评分最高的候选文本数据作为优选文本数据；

第一确定单元，用于若所述优选文本数据与所述第二文本数据的评分之差大于预设的阈值，则将所述优选文本数据确定为所述第三文本数据；

第二确定单元，用于若所述优选文本数据与所述第二文本数据的评分之差小于或等于所述阈值，则将所述第二文本数据确定为所述第三文本数据。

本发明实施例的第三方面提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可读指令，所述计算机可读指令被处理器执行时实现上述任一种文本纠错方法的步骤。

本发明实施例的第四方面提供了一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机可读指令，所述处理器执行所述计算机可读指令时实现上述任一种文本纠错方法的步骤。

本发明实施例与现有技术相比存在的有益效果是：本发明实施例获取第一文本数据，所述第一文本数据为预设的终端设备对输入语音进行语音识别后输出的文本数据；根据所述终端设备的当前状态、所述第一文本数据以及所述第一文本数据的上下文信息确定所述第一文本数据的使用场景；根据所述使用场景确定所述第一文本数据的困惑集；使用预设的深度学习模型和迭代学习模型对所述第一文本数据进行纠错处理，得到第二文本数据；根据所述困惑集对所述第二文本数据进行优化处理，得到第三文本数据。通过本发明实施例，基于深度学习及迭代学习等方法，针对在复杂场景下asr识别后的文本，设计了一套完整的优化的方法，根据不同的场景对错误文本进行不同的纠错，从而大大提高了纠错准确率。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。

图1为本发明实施例中一种文本纠错方法的一个实施例流程图；

图2为确定第一文本数据的使用场景的示意流程图；

图3为对第二文本数据进行优化处理的示意流程图；

图4为本发明实施例中一种文本纠错装置的一个实施例结构图；

图5为本发明实施例中一种终端设备的示意框图。

具体实施方式

为使得本发明的发明目的、特征、优点能够更加的明显和易懂，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，下面所描述的实施例仅仅是本发明一部分实施例，而非全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

请参阅图1，本发明实施例中一种文本纠错方法的一个实施例可以包括：

步骤s101、获取第一文本数据。

所述第一文本数据为预设的终端设备对输入语音进行语音识别后输出的文本数据。

当用户需要与所述终端设备通过语音进行交互时，可以说出自己想要表达的内容，所述终端设备通过语音采集设备获取到用户的输入语音，并对其进行语音识别，输出识别结果，也即所述第一文本数据。需要注意的是，所述第一文本数据可能与用户所要表达的真实内容并不一致，例如，用户所说的内容为“我要看琅琊网”，而语音识别输出的结果却是“我要看狼牙棒”，因此，需要通过后续步骤对所述第一文本数据进行进一步的纠错处理。

步骤s102、根据所述终端设备的当前状态、所述第一文本数据以及所述第一文本数据的上下文信息确定所述第一文本数据的使用场景。

在本实施例中，可以根据实际情况划分出影视场景、购物场景、地域场景、新闻场景等等具体的使用场景，各种场景可以预先设定好，目的是根据场景判断相关文本内容的含义，因为同一文本在不同场景下可能具有不同的含义。

如图2所示，步骤s102具体可以包括如下过程：

步骤s1021、根据所述终端设备的当前状态确定所述第一文本数据的第一候选使用场景。

所述终端设备的当前状态具体是指当前正在使用哪个应用程序(app)，在确定了所述终端设备的当前状态之后，即可通过预先设置的规则方法将其转换为α值，该α值代表根据所述终端设备的当前状态所确定出的使用场景，也即所述第一候选使用场景。例如，所述终端设备的当前状态是打开地图app时，确定α值为地域场景分类，所述终端设备的当前状态是打开淘宝app时，确定α值为购物场景分类，以此类推，若所述终端设备的当前状态无法得到确定的α值，则将α值设为0。

步骤s1022、根据所述第一文本数据以及所述第一文本数据的上下文信息确定所述第一文本数据的第二候选使用场景。

在本实施例中，可以基于深度学习技术，构造了一个神经网络模型分类器。该分类器的训练数据分类个数由所述终端设备的实际情况决定，分别设定不同的标签为1,2,3,...,n，代表有n个使用场景。在对该分类器进行训练时，需要对训练数据进行预处理操作，这些预处理操作包括但不限于使用文本分词技术生成词典，使用去停用词技术处理文本，使用文本特征提取技术得到embedding矩阵，以及将文本向量化生成输入数据等。具体使用的神经网络模型结构可以为dnn模型、cnn模型、rnn模型或者fasttext模型等，此处不作具体限定，需要注意的是，该模型需要将当前纠错语句的上下文信息进行同步预处理操作，合并成输入的训练数据，如果没有上下文信息，可以使用无意义字符(例如：<pad>)填充。通过将训练数据输入模型进行训练，得到训练完成的场景分类模型。

将所述第一文本数据以及所述第一文本数据的上下文信息输入该场景分类模型中，即可得到一个输出结果β值，该β值代表该场景分类模型所确定出的使用场景，也即所述第二候选使用场景。

步骤s103、根据所述第一候选使用场景和所述第二候选使用场景确定所述第一文本数据的使用场景。

具体地，可以将根据所述终端设备的当前状态确定的分类结果α值和根据场景分类模型得到的分类结果β值，根据下式计算得到最终的分类结果r值：r＝(ε)α+(1-ε)β，其中，ε为预设的经验值，其取值区间为[0，1]，具体取值可以根据实际情况进行设置，例如，可以将其设置为0.2、0.3、0.5或者其它取值。r值代表了最终确定出的使用场景。

示例一：当用户打开爱奇艺app、优酷app等影视app时，语音输入“woxiangzhaolangyabang”，经过asr识别后得到“我想找狼牙棒”。通过上述方法对“我想找狼牙棒”和其上下文信息进行处理，可以得到分类r为影视场景。

示例二：当用户打开百度地图app、高德地图app等地图app时，语音输入“woyaozhaolangyabang”，经过asr识别后得到“我要找狼牙棒”。通过上述方法对“我要找狼牙棒”和其上下文信息进行处理，可以得到分类r为地域场景。

步骤s103、根据所述使用场景确定所述第一文本数据的困惑集。

在本实施例中，可以利用传统机器学习语言模型的方法来构建困惑集，该困惑集为由所述第一文本数据中词语的各种可能的候选值所组成的集合。该步骤主要分为两个部分：构建语言模型，以及构建困惑集。利用构建好的语言模型将asr识别结果中错误的字词识别提取，利用场景分类模块的分类数量n构建相应的n个困惑集，每个困惑集在不同的分类场景中侧重点不同，由场景分类模块的结果和语言模型得到的字词共同限定。

语言模型构建使用基于字符的双向n-gramlm、利用最大熵分类进行错误识别等等的方法，困惑集也使用传统的机器学习方法构建，数据集格式为{key:value}键值对，困惑集的错误类别要包括形似词错误、发音混淆和形状混淆等常见错误。最后会构建n个困惑集，根据场景分类模块的结果选择对应的困惑集输出。

本实施例中构建语言模型、困惑集与传统方法不同之处在于需要构建n个困惑集，每个困惑集的不同之处是其对应分类常见错误的纠正侧重点不同，对于不同的终端设备而言，相同分类的困惑集的侧重点也不一样，区别在于终端设备是否能实现相关功能。对于所有传统的纠错方法来说，困惑集的质量对于最终识别结果有较大的影响，本实施例中经过分类后构建n个困惑集，每个困惑集的构建难度相对简单，这也提高了最终识别结果的准确率。

示例一：由场景分类模块得到“我想找狼牙棒”的分类结果r为影视场景，经过语言模型，将对应分类结果r的困惑集cr＝影视场景输出如下：cr＝影视场景＝{“狼牙棒”:“琅琊榜”，“狼牙棒”:“狼牙帮”，“狼牙棒”:“狼牙山”，......，“狼牙棒”:“琅琊区”}，按照优先级从高到低的顺序排列。

示例二：由场景分类模块得到“我想找狼牙棒”的分类结果r为地域场景，经过语言模型，将对应分类结果r的困惑集cr＝地域场景输出如下：cr＝地域场景＝{“狼牙棒”:“琅琊区”，“狼牙棒”:“狼牙山”，“狼牙棒”:“琅琊网”，......，“狼牙棒”:“琅琊榜”}，按照优先级从高到低的顺序排列。

步骤s104、使用预设的深度学习模型和迭代学习模型对所述第一文本数据进行纠错处理，得到第二文本数据。

本步骤的目的是利用由深度学习模型和迭代学习模型所组成的纠错模块来对所述第一文本数据进行纠错处理，得到asr纠错结果，也即所述第二文本数据。其中的深度学习模型在现有技术中已有使用，此处不再赘述。但是本实施例对深度学习模型进行了改进，加入了迭代学习模型，使得深度学习模型能够在训练完成后继续进行迭代优化。迭代训练的目的是对深度学习模型进行微调和优化，随着用户使用终端设备的时间越久，人机交互产生的数据越丰富，深度学习模型迭代训练后的效果越好，纠错结果句子中的错误越少，需要后续纠正处理构建的候选集就越小，效率和准确率也相应会提高。

所述深度学习模型的实现方法是深度学习技术，本实施例中构造了一个可以对asr结果进行纠错的神经网络模型，并且将深度学习模型和迭代学习模型组合训练优化结果。在所述深度学习模型中，使用层次化模型方法改进编码模型结构，使之具备上下文处理能力，整体框架为bigru和encoder-decoder模式。所述深度学习模型的训练过程包括：获取训练数据集合，所述训练数据集合中的每条训练数据均包括输入数据和标签，所述输入数据为语音识别输出的错误文本数据以及上下文信息，所述标签为对所述错误文本数据进行纠错后的正确结果；使用所述训练数据集合对所述深度学习模型进行训练，得到训练完成的深度学习模型。在使用阶段，还可以使用所述迭代学习模型对所述深度学习模型进行优化。

所述迭代学习模型的实现方法是强化学习方法，目的是构造一个迭代学习模型与深度学习模型进行组合训练。所述迭代学习模型的内部结构主要是借鉴了ac模型、dqn模型和naf模型思想，数据的预处理工作由所述深度学习模型负责，所述迭代学习模型使用所述深度学习模型处理好的数据(也即所述训练数据集合)即可。所述迭代学习模型的训练过程包括：通过预设的标识符判断是否激活所述迭代学习模型，激活后的所述迭代学习模型接收反馈信息；使用所述训练数据集合对所述迭代模型进行训练，得到训练完成的迭代模型。

示例一：将“我想找狼牙棒”和其上下文信息输入模型中，经过预处理后输入深度学习模型得到纠错结果s＝“我想找琅琊榜”，迭代学习模型等待反馈信息进行迭代学习。

示例二：将“我要找狼牙棒”和其上下文信息输入模型中，经过预处理后输入深度学习模型得到纠错结果s＝“我要找琅琊榜”，迭代学习模型等待反馈信息进行迭代学习。

步骤s105、根据所述困惑集对所述第二文本数据进行优化处理，得到第三文本数据。

所述第三文本数据即为文本纠错后所得到的最终识别结果。

如图3所示，步骤s105具体可以包括如下过程：

步骤s1051、根据所述困惑集构建所述第二文本数据的候选集。

在本实施例中，具体可以使用图模型、hmm等方法来构建所述候选集，所述候选集中包括所述第二文本数据的各个候选文本数据。

步骤s1052、使用预设的评分函数分别计算所述第二文本数据和各个候选文本数据的评分。

所述评分函数可以包括但不限于编辑距离、lm等评分函数。

步骤s1053、选取评分最高的候选文本数据作为优选文本数据。

步骤s1054、判断所述优选文本数据与所述第二文本数据的评分之差是否大于预设的阈值。

所述阈值可以根据实际情况进行设置，本实施例对其不作具体限定。

若是，则执行步骤s1055，若否，则执行步骤s1056。

步骤s1055、将所述优选文本数据确定为所述第三文本数据。

步骤s1056、将所述第二文本数据确定为所述第三文本数据。

即如果候选句子中没有评分比原句更高或者与原句相比评分不高于所述阈值的，则认为原句没有错误，否则输出评分最高的候选句。

在选择出最终识别结果之后，还可以根据以下规则向所述迭代学习模型发送反馈信息：对于最终识别结果不是所述纠错模块输出结果的情况，给予负向反馈，对于最终识别结果是所述纠错模块输出结果的情况，则判断最终识别结果和它的上下文信息的相似度(相似度可以使用余弦距离、tfidf、word2vec等的一种方法)，如果相似度超过阈值则说明用户表达句子含义重复，代表对本句及与本句含义相同的句子纠错能力不足，给予负向反馈，其余情况说明最终识别结果为纠错模块的结果且用户没有反复表达相同含义的句子，所述迭代学习模型的效果满足用户需求，给予正向反馈。特殊地，如果连续的若干个反馈信息均为正向反馈，达到阈值后可中断候选集的构建直接输出所述第二文本数据。

示例一：根据纠错结果s＝“我想找琅琊榜”和困惑集cr＝影视场景构建候选集lr＝影视场景＝[“我要找狼牙山”,“我要找狼牙帮”,......,“我要找琅琊区”]。对候选集lr＝影视场景进行评分，发现原句“我想找琅琊榜”评分最高，输出结果并且根据规则发送正向反馈给迭代学习模型。

示例二：根据纠错结果s＝“我要找琅琊榜”和困惑集cr＝地域场景构建候选集lr＝地域场景＝[“我要找琅琊区”,“我要找狼牙山”,......,“我要找狼牙帮”]。对候选集lr＝地域场景进行评分，发现“我想找琅琊区”评分最高，输出结果并且根据规则发送负向反馈给迭代学习模型。

本实施例中的方法可以用于终端设备上的asr方法之后，输入数据是文本数据，输出数据也是文本数据。由于目前深度学习技术尚未成熟，存在泛化性不好等问题，本实施例使用传统机器学习方法对深度学习模型效果进行基础保证，使用强化学习方法使深度学习模型可以迭代优化和微调，另外本实施例中的方法应用到手机、智能电视、智能家居等等不同的终端设备时，训练数据、分类数量和困惑集也会做出相应调整，以适应当前使用的终端设备。

通过本实施例，对“我要找狼牙棒”中的“狼牙棒”进行纠错时，影视场景中的“狼牙棒”会纠错变为“琅琊榜”；地域场景中的“狼牙棒”会纠错成“琅琊区”，“狼牙山”等等地域名称中合适的一个；新闻场景中的“狼牙棒”会纠错成“琅琊网”。对“我要看醒醒”中的“醒醒”进行纠错时，天文场景中的“醒醒”会纠错变为“星星”；动物场景中的“醒醒”会纠错变为“猩猩”；娱乐场景中的“醒醒”会纠错变为“谐星”。

综上所述，本发明实施例获取第一文本数据，所述第一文本数据为预设的终端设备对输入语音进行语音识别后输出的文本数据；根据所述终端设备的当前状态、所述第一文本数据以及所述第一文本数据的上下文信息确定所述第一文本数据的使用场景；根据所述使用场景确定所述第一文本数据的困惑集；使用预设的深度学习模型和迭代学习模型对所述第一文本数据进行纠错处理，得到第二文本数据；根据所述困惑集对所述第二文本数据进行优化处理，得到第三文本数据。通过本发明实施例，基于深度学习及迭代学习等方法，针对在复杂场景下asr识别后的文本，设计了一套完整的优化的方法，根据不同的场景对错误文本进行不同的纠错，从而大大提高了纠错准确率。

应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。

对应于上文实施例所述的一种文本纠错方法，图4示出了本发明实施例提供的一种文本纠错装置的一个实施例结构图。

本实施例中，一种文本纠错装置可以包括：

文本数据获取模块401，用于获取第一文本数据，所述第一文本数据为预设的终端设备对输入语音进行语音识别后输出的文本数据；

使用场景确定模块402，用于根据所述终端设备的当前状态、所述第一文本数据以及所述第一文本数据的上下文信息确定所述第一文本数据的使用场景；

困惑集确定模块403，用于根据所述使用场景确定所述第一文本数据的困惑集；

纠错模块404，用于使用预设的深度学习模型和迭代学习模型对所述第一文本数据进行纠错处理，得到第二文本数据；

优化模块405，用于根据所述困惑集对所述第二文本数据进行优化处理，得到第三文本数据。

进一步地，所述使用场景确定模块可以包括：

第一候选使用场景确定单元，用于根据所述终端设备的当前状态确定所述第一文本数据的第一候选使用场景；

第二候选使用场景确定单元，用于根据所述第一文本数据以及所述第一文本数据的上下文信息确定所述第一文本数据的第二候选使用场景；

使用场景确定单元，用于根据所述第一候选使用场景和所述第二候选使用场景确定所述第一文本数据的使用场景。

进一步地，所述文本纠错装置还可以包括：

训练数据集合获取模块，用于获取训练数据集合，所述训练数据集合中的每条训练数据均包括输入数据和标签，所述输入数据为语音识别输出的错误文本数据以及上下文信息，所述标签为对所述错误文本数据进行纠错后的正确结果；

第一模型训练模块，用于使用所述训练数据集合对所述深度学习模型进行训练，得到训练完成的深度学习模型。

进一步地，所述文本纠错装置还可以包括：

反馈信息接收模块，用于通过预设的标识符判断是否激活所述迭代学习模型，激活后的所述迭代学习模型接收反馈信息；

第二模型训练模块，用于使用所述训练数据集合对所述迭代模型进行训练，得到训练完成的迭代模型。

进一步地，所述优化模块可以包括：

候选集构建单元，用于根据所述困惑集构建所述第二文本数据的候选集，所述候选集中包括所述第二文本数据的各个候选文本数据；

评分计算单元，用于使用预设的评分函数分别计算所述第二文本数据和各个候选文本数据的评分；

优选文本数据选取单元，用于选取评分最高的候选文本数据作为优选文本数据；

第一确定单元，用于若所述优选文本数据与所述第二文本数据的评分之差大于预设的阈值，则将所述优选文本数据确定为所述第三文本数据；

第二确定单元，用于若所述优选文本数据与所述第二文本数据的评分之差小于或等于所述阈值，则将所述第二文本数据确定为所述第三文本数据。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的装置，模块和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。

图5示出了本发明实施例提供的一种终端设备的示意框图，为了便于说明，仅示出了与本发明实施例相关的部分。

如图5所示，该实施例的终端设备5包括：处理器50、存储器51以及存储在所述存储器51中并可在所述处理器50上运行的计算机程序52。所述处理器50执行所述计算机程序52时实现上述各个文本纠错方法实施例中的步骤，例如图1所示的步骤s101至步骤s105。或者，所述处理器50执行所述计算机程序52时实现上述各装置实施例中各模块/单元的功能，例如图4所示模块401至模块405的功能。

示例性的，所述计算机程序52可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器51中，并由所述处理器50执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序52在所述终端设备5中的执行过程。

所述终端设备5可以是手机、平板电脑、桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。本领域技术人员可以理解，图5仅仅是终端设备5的示例，并不构成对终端设备5的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述终端设备5还可以包括输入输出设备、网络接入设备、总线等。

所述处理器50可以是中央处理单元(centralprocessingunit，cpu)，还可以是其它通用处理器、数字信号处理器(digitalsignalprocessor，dsp)、专用集成电路(applicationspecificintegratedcircuit，asic)、现场可编程门阵列(field-programmablegatearray，fpga)或者其它可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

所述存储器51可以是所述终端设备5的内部存储单元，例如终端设备5的硬盘或内存。所述存储器51也可以是所述终端设备5的外部存储设备，例如所述终端设备5上配备的插接式硬盘，智能存储卡(smartmediacard,smc)，安全数字(securedigital,sd)卡，闪存卡(flashcard)等。进一步地，所述存储器51还可以既包括所述终端设备5的内部存储单元也包括外部存储设备。所述存储器51用于存储所述计算机程序以及所述终端设备5所需的其它程序和数据。所述存储器51还可以用于暂时地存储已经输出或者将要输出的数据。

所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

在本发明所提供的实施例中，应该理解到，所揭露的装置/终端设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端设备实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、u盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(rom，read-onlymemory)、随机存取存储器(ram，randomaccessmemory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。

以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。

起点商标作为专业知识产权交易平台，可以帮助大家解决很多问题，如果大家想要了解更多知产交易信息请点击 【在线咨询】或添加微信 【19522093243】与客服一对一沟通，为大家解决相关问题。

此文章来源于网络,如有侵权,请联系删除