從句法分析看詞性標(biāo)注

摘 要:詞性標(biāo)注是語言研究者進行句法分析和其他研究的基礎(chǔ)，其劃分是否得當(dāng)直接影響著語料庫的下一步建設(shè)。本文從句法分析實際操作的角度對國內(nèi)幾個常用分詞系統(tǒng)的詞性標(biāo)記問題進行了對比分析，著重探討了其中一些標(biāo)記給句法標(biāo)注帶來的問題，如習(xí)用語和簡稱、前接成分和后接成分。針對這些問題，本文從實用的角度，在參考多方建議的基礎(chǔ)上，提出了相應(yīng)的標(biāo)注策略。

關(guān)鍵詞:詞性標(biāo)注 句法分析 習(xí)用語 詞綴 語素字

一、引言

對語料進行詞性標(biāo)注，只是語料庫建設(shè)的初期階段，也是進行下一步句法標(biāo)注的基礎(chǔ)。我們在對語料進行句法標(biāo)注的過程中發(fā)現(xiàn)，分詞系統(tǒng)中一些不恰當(dāng)?shù)脑~類標(biāo)記不僅影響到句法標(biāo)注的效率，也影響到標(biāo)注的準(zhǔn)確性和一致性。因此，本著節(jié)省人力、物力的原則，在綜合考慮詞類標(biāo)記對句法層面的影響之后，本文力圖在詞性標(biāo)注這一問題上提出更加科學(xué)的可行性建議，以促進基于語料庫的進一步的語言研究。

首先，分詞類別(或POS標(biāo)記)應(yīng)該在句法上有功能意義，例如名詞、動詞等。不是從句法層面劃分出來的標(biāo)記即使標(biāo)示出來也無法在句法分析中進行處理。

其次，在有意義的基礎(chǔ)上，需要把握一個度。在語料庫的標(biāo)注過程中，詞類劃分不宜過多或過少。詞類過少，對句法分析的深度和精度不夠，詞類過多，又會使語言分析和處理的過程太復(fù)雜，代價太高。那么，到底劃分多少詞類才能在句法層面達(dá)到自足呢?通過對世界上13種語言依存句法的考察表明，在進行自動句法分析時，一種語言所劃分出的詞類數(shù)量一般應(yīng)當(dāng)控制在10～20之間。

本文針對兩個與句法有關(guān)的詞性標(biāo)注問題即習(xí)用語和簡稱、前接成分后接成分和語素字，對比了當(dāng)前國內(nèi)的幾個分詞標(biāo)注系統(tǒng)①，經(jīng)過綜合分析探討之后，提出了一些具有可行性的建議。

二、習(xí)用語和簡稱

關(guān)于習(xí)用語(也就是熟語)的界定，學(xué)術(shù)界的看法并不統(tǒng)一。黃伯榮的《現(xiàn)代漢語》對其做了界定:“熟語結(jié)構(gòu)上比較固定，功能上相當(dāng)于一個詞，包括成語、慣用語、歇后語等”。周薦則認(rèn)為習(xí)用語在功能上大于等于詞，它既指成語、慣用語、歇后語等詞匯單位，又指諺語、格言、警句等非詞匯單位。

簡稱和略語，國家語委的《信息處理用現(xiàn)代漢語詞類標(biāo)記集規(guī)范》中將其定義為“專有名詞或常用語的簡略表達(dá)形式”，并提到“簡稱和略語通常起名詞或區(qū)別詞的作用，少數(shù)有動詞的作用”。

對比國內(nèi)現(xiàn)在通用的幾個分詞系統(tǒng)后，我們發(fā)現(xiàn)，各系統(tǒng)在對習(xí)用語和簡稱標(biāo)記的處理上存在一定的差異。有幾個系統(tǒng)將習(xí)用語i(或慣用語l)和簡稱j下面分出了小類，標(biāo)記出了詞性，如分出了名詞性、動詞性習(xí)用語，標(biāo)記為in、iv等;有的系統(tǒng)將成語和習(xí)用語分開，各給出一個標(biāo)記，但沒有再細(xì)分出詞性;有的則只分出習(xí)用語i(或慣用語l)和簡稱j兩類。

從語言信息處理的角度來看，分詞系統(tǒng)分出來的單位，應(yīng)該都在詞匯層面，這樣才能有利于進一步的句法分析。如果分詞的結(jié)果既有用法與詞相當(dāng)?shù)膯挝唬钟胁蛔魅魏尉渥映煞侄鳛楠毩⒄Z句出現(xiàn)的單位，這樣無論是在短語結(jié)構(gòu)語法下還是在依存句法下，都難以處理。因此，從自然語言信息處理的實用性原則出發(fā)，可以認(rèn)為習(xí)用語包含兩部分，一部分是詞匯單位，其用法相當(dāng)于一個詞，如“葉公好龍”“簡而言之”這樣的成語或慣用語等，可按詞匯的方法來處理，內(nèi)部不再分析，另一部分是非詞匯單位，如格言、警句等，應(yīng)當(dāng)對其內(nèi)部單位進行標(biāo)注，像普通句子一樣處理，而不應(yīng)將其整體劃為一個單位。

關(guān)于簡稱，從定義來看，它大體和習(xí)用語中的詞匯單位相當(dāng)，這兩部分應(yīng)該做同樣的處理。習(xí)用語i、簡稱j這類標(biāo)記并不是按照語法功能劃分出來的，那么這種標(biāo)記對于進一步的句法分析有什么影響呢?我們對哈工大信息檢索室的依存樹庫中習(xí)用語i的句法關(guān)系分布情況，進行了統(tǒng)計，結(jié)果如表1:

表1:依存樹庫中習(xí)用語i的句法關(guān)系分布

習(xí)用語做支配詞習(xí)用語從屬詞

句法關(guān)系出現(xiàn)次數(shù)占總數(shù)百分比句法關(guān)系出現(xiàn)次數(shù)占總數(shù)百分比

adv狀中結(jié)構(gòu)1828.93%sbv主謂關(guān)系38415.90%

att定中關(guān)系1648.05%vv連謂結(jié)構(gòu)1837.58%

coo并列關(guān)系1457.12%att定中關(guān)系24610.23%

de“的”字結(jié)構(gòu)33816.59%adv狀中結(jié)構(gòu)46519.25%

di“地”字結(jié)構(gòu)773.78%coo并列關(guān)系1375.67%

ic獨立分句1145.60%cnj關(guān)聯(lián)結(jié)構(gòu)構(gòu)321.33%

pob介賓關(guān)系502.45%ic獨立分句963.98%

sbv主謂關(guān)系1055.15%lad前附加關(guān)系311.28%

vob動賓關(guān)系42120.67%其他84134.82%

vv連謂結(jié)構(gòu)1758.59%

cmp動補結(jié)構(gòu)7<1%

dei“得”字結(jié)構(gòu)16<1%

is獨立結(jié)構(gòu)281.40%

其他21510.55%

由上表可以看出，習(xí)用語i展現(xiàn)出非常分散的句法關(guān)系分布，說明在句法層面不能籠統(tǒng)地將其視為一種詞類標(biāo)記，而應(yīng)根據(jù)語法功能進行細(xì)分，給出功能性小類標(biāo)記(如in、iv等)，否則，習(xí)用語的這種功能上的多樣性，會導(dǎo)致句法剖析器精度的下降，也不方便句法標(biāo)注者進行標(biāo)注。

同樣，簡稱j也存在類似的問題，雖然簡稱大部分是名詞性的，句法關(guān)系上的分布相對習(xí)用語來說比較集中，但是鑒于簡稱j同樣不是句法層面的標(biāo)記，同樣會對標(biāo)注、研究工作造成一定的影響，我們建議簡稱和習(xí)用語一樣，按照句法功能進行細(xì)分(如jn、jv)。

當(dāng)然，in、iv的細(xì)分造成了標(biāo)記的增加，雖然有利于語言學(xué)的研究，卻不利于機器學(xué)習(xí)和使用。因此，我們需根據(jù)研究目的來進行取舍。對于這個問題，可以將這樣的詞進行雙層標(biāo)記，即先給出詞性標(biāo)記(如n、v、a等)為下一步句法標(biāo)注做準(zhǔn)備，進而再給出詞匯范疇標(biāo)記(如習(xí)用語i、簡稱j等)以滿足多層次語言研究的需要(如“畢恭畢敬/a/i”)，這樣不失為一種好的解決方案。

三、前接成分后接成分和語素字

前接成分、后接成分，即前綴、后綴。在黃伯榮、廖序東的《現(xiàn)代漢語》中，對詞綴下了定義:“有一類不成詞語素同別的語素組合成詞時，位置是固定的，只表示一些附加的意義，又叫詞綴。”

《中學(xué)教學(xué)語法系統(tǒng)提要(試用)》認(rèn)為:“語素是小的語音語義結(jié)合體，是最小的語法單位。”這是一個集眾家意見，能為最大多數(shù)人接受的語素定義。

在對國內(nèi)現(xiàn)在幾個分詞系統(tǒng)作對比后，我們發(fā)現(xiàn)，有的系統(tǒng)將語素字非語素字列入標(biāo)記集，有的系統(tǒng)則沒有，還有的系統(tǒng)在語素字大類下劃分名詞性語素、動詞性語素、形容詞性語素、時語素、副語素等小類。多數(shù)系統(tǒng)作了前接成分(前綴)、后接成分(后綴)的劃分，還有的進一步在大類下區(qū)分名前接成分、數(shù)前接成分、名后接成分、動后接成分。

從定義可知，語素字非語素字和前接成分后接成分這些概念，并不是按照語法功能劃分出來的，不屬于詞層面，而是屬于構(gòu)詞法層面。如果在詞層面的集合中摻雜了語素成分，則不利于進一步的句法分析。

那么各大系統(tǒng)將語素字非語素字作為切分單位的原因是什么呢?我們發(fā)現(xiàn)，在系統(tǒng)自動分詞的處理過程中，將語素和非語素字作為切分單位，主要包含兩種情況:一，某些雙音節(jié)離合詞分開使用時;二，單字名詞或名詞性語素后接單純方位詞。其中，第二種情況的劃分，實質(zhì)未在最終切分結(jié)果中體現(xiàn)語素字，只是將語素字的標(biāo)記作為合成處所詞或時間詞的一個中間步驟，不會對句法分析造成影響。而第一種情況，則因為在最終切分結(jié)果中包含語素字這個非詞單位，給句法分析造成了困擾。

那么如何處理涉及離合詞標(biāo)注的語素字問題?目前主要有兩種做法:其一，也是目前有些系統(tǒng)采用的方法，即進行小類區(qū)分，將語素字分為名詞性語素、動詞性語素、形容詞性語素等;其二，對離合詞進行標(biāo)注。

對于第一種處理方法，靳光瑾等提出:“所以必須按照語法功能進行細(xì)分，給出功能性小類標(biāo)記，以方便后續(xù)的自動句法分析。基于這種想法，我們采納了專家們的意見，對縮略語、習(xí)用語、語素字等都給出了小類標(biāo)記。”

王春霞主張在自然語言處理中標(biāo)注離合詞。認(rèn)為許多語素孤立地來看是多義的，但在離合詞里其意義是確定的，而且常常需要從整體上來理解離合詞的意義。在王春霞的研究中，封閉測試和開放測試的結(jié)果顯示，標(biāo)注召回率達(dá)到98.27%，正確率達(dá)到81.74%，這說明，離合詞的標(biāo)注是有可行性的。對比以上兩種做法，我們傾向于對離合詞進行標(biāo)注，這樣可以不必增加標(biāo)記數(shù)量，更利于句法分析。

在處理前接成分后接成分時，以A系統(tǒng)為例，是以與前后接成分結(jié)合的成分的長短為標(biāo)準(zhǔn)來決定是否獨立劃分前后接成分的。前接成分以“非”為例，當(dāng)“非”管轄的范圍在一個詞內(nèi)的時候，按具體情況組成名詞、專有名詞等，而一旦“非”所管轄的范圍超過一個詞，則仍然切分開，如“非國家工作人員”被處理成“非/h國家/n工作/vn人員/n”，這里的“非”作為前接成分標(biāo)記為“h”。后接成分以“者”為例，當(dāng)“者”前面為較短的詞或短語時，它和前面的詞一起合成一個切分單位，標(biāo)注為n，“者”前面為較長的短語或句子時，分開來，標(biāo)注為k，如“經(jīng)過苦苦追求而獲得幸福者”被處理為“經(jīng)過/p苦苦/d追求/v而/c獲得/v幸福/a者/k”，這里的“者”作為后接成分標(biāo)記為“k”。

當(dāng)前后接成分所附著的成分超過兩個，確實可以劃分開時，能夠進行句法分析，只是如上切分出來的“h”和“k”，只是構(gòu)詞成分，并不屬于詞層面，無法進行句法分析，所以應(yīng)該另尋一種處理方式。從信息分析處理的角度看，可以提升“非”“者”等前后接成分的地位，將其切分為形容詞或名詞，如把“非國家工作人員”處理為“非/a國家/n工作/vn人員/n”，“經(jīng)過苦苦追求而獲得幸福者”處理為“經(jīng)過/p苦苦/d追求/v而/c獲得/v幸福/a者/n”。

四、結(jié)語

本文從句法分析實際操作的角度對分詞系統(tǒng)進行了分析探討，并提出了一些意見和解決方案，希望能對語料庫的建設(shè)有所幫助。首先，從句法分析的可操作角度講，分詞結(jié)果必須是從句法層面劃分出來的單位。因此，我們建議將習(xí)用語中的詞匯單位和簡稱按句法功能細(xì)分，給出in、iv、jn、jv之類的小類。習(xí)用語中的非詞匯單位按普通句子處理。前接成分、后接成分我們建議將其和中心成分劃為一個整體單位，在中心詞可以分析的時候?qū)⑶昂蠼映煞值匚惶嵘丛~性標(biāo)注。去掉語素字和非語素字的標(biāo)記，在出現(xiàn)離合詞的時候?qū)㈦x合詞單獨標(biāo)記，而不再標(biāo)出語素。第二，從語料庫工程建設(shè)的角度講，我們堅持經(jīng)濟省力原則，對于不必要的詞類標(biāo)記建議能簡則簡。對于兼類詞，除少數(shù)名詞活用之外，應(yīng)嚴(yán)格按功能區(qū)分詞性，將其劃到各個詞類之中。而對于區(qū)別詞、狀態(tài)詞，我們建議不再和形容詞區(qū)分開來。

(本文受中國傳媒大學(xué)“211工程”三期重點學(xué)科建設(shè)項目支持，項目名稱為“漢語有聲媒體語言依存句法樹庫構(gòu)建與應(yīng)用研究。”)

注 釋:

①A系統(tǒng):北京大學(xué)現(xiàn)代漢語語料庫加工規(guī)范，中文信息學(xué)報，16

卷第5期;B系統(tǒng):國家語言文字應(yīng)用研究所計算語言學(xué)研究室，信息處理用現(xiàn)代漢語詞類標(biāo)記集規(guī)范，語言文字應(yīng)用，2001年8月(3);C系統(tǒng):哈工大信息檢索研究室漢語依存樹庫;D系統(tǒng):中科院計算所漢語詞性標(biāo)記集

參考文獻:

[1]郭銳.現(xiàn)代漢語詞類研究[M].北京:商務(wù)印書館，2002.

[2]Liu， Haitao Huang， Wei. A Chinese Dependency Syntax

for Treebanking. Proceedings of the 20th Pacific Asia Conference on Language， Information and Computation[Z].Beijing: Tsinghua University Press，2006.

[3]黃伯榮，廖序東.現(xiàn)代漢語[M].北京:高等教育出版社，2002.

[4]周薦.熟語的典型性與非典型性[J].語文研究，1994，(3).

[5]安娜，劉海濤，侯敏.語料庫中熟語的標(biāo)記問題[J].中文信息學(xué)

報，2004，(1).

[6]謝承志.語素定義中的偏頗[J].上海師范大學(xué)學(xué)報，1997，(4).

[7]靳光瑾，郭曙綸，肖航，章云帆.語料庫加工中的規(guī)范問題——

談《信息處理用現(xiàn)代漢語詞類標(biāo)記集規(guī)范》[J].語言文字應(yīng)用，2003，(4).

[8]王春霞.基于語料庫的離合詞研究[D].北京:北京語言大學(xué)，2001.

(牛雅嫻 劉丙麗 萬紅雅 董藝 北京 中國傳媒大學(xué)應(yīng)用語言學(xué)研究所 100024)