基于語料庫的中醫漢語主題詞表構建

劉華　李曉源

[關鍵詞] 語料庫;詞語聚類;主題詞;中醫漢語詞表

[摘? 要] 分類詞表研制是促進中醫漢語教學發展的重要前提。基于現有中醫漢語類教材、中醫專業類教材、中醫網站三大語料來源，建設中醫漢語語料庫;利用詞語聚類算法和圖式語義場理論，形成中醫漢語內部主題分類詞簇，有助于構建中醫漢語主題分類詞表體系。該研究方法可為其他專門用途漢語的詞表建設提供參考。

[中圖分類號]H08? [文獻標識碼]A? [文章編號]1674-8174（2022）02-0077-09

近年來，伴隨漢語國際化的傳播發展，專業領域漢語人才的需求在不斷擴大，專門用途漢語（Chinese for specific purposes）正成為國際中文教育發展的新方向。中醫漢語，作為專門用途漢語的重要組成門類，其教學體系也在實踐中得到完善發展。中醫漢語詞表是開展中醫漢語教學的重要基礎，詞表的構建離不開真實的素材來源與科學的構建方法。基于各類中醫語料素材所形成的中醫漢語語料庫，能為中醫漢語的詞表構建提供強大的語料支撐和數據基礎，結合計算語言學中的詞語聚類方法，所獲得的分類主題詞語集合，可進一步提升詞表構建的系統性和科學性。

詞表的篩選創建需以真實語料作為底層依據。伴隨互聯網技術的迅速發展，網絡平臺已成為語言傳播交流的重要媒介，是呈現當今漢語使用情況的開放窗口。因此，在中醫漢語語料的收集中，注重對網絡語料的獲取分析，通過爬蟲軟件工具，有針對性地抓取中醫官方網站的語料素材，可確保底層語料來源的真實。

中醫漢語詞語不僅包含傳統醫學知識，而且體現豐富的中華文化理念。學習中醫漢語的對象大致可分為兩類：一是高等本科院校中醫專業類留學生，該類型學生已接受過較高程度的漢語教育，對中醫漢語的文化詞義具備一定理解能力;另一類是對中醫文化感興趣的中文學習者，該類型學習者漢語水平參差不齊，在理解中醫文化內涵時有一定難度。因此，中醫漢語詞表的創建應關注上述兩類對象的現狀和需求，注重詞表分類的整體系統性。通過基于語義關聯度原理的主題聚類方法，將具有文化內涵的詞語進行合理分類，依據詞語語義的相關性，形成具有主題屬性的體系詞表。

1. 中醫漢語分類詞表構建理論與方法

1.1 圖式理論和語義場理論

圖式理論認為，人們對事物的認識是基于某一主題的知識開展形成的。各種事物都有其不同的特征，圖式理論能對事物的特征進行總結歸類，尋找事物彼此間的關聯屬性，使之形成結構性認知儲存于人類的頭腦中。具體應用到漢語習得層面，漢語交際的各類領域圖式是由對應的詞語群落組成的。

該詞語群落是一個巨大的語義總場，漢語的詞語意義主要是通過場內詞與詞之間的關系表現而來。語義場中的詞語都有其概念區間，并在內部形成系統的場級分類。每個語義場會在一個共同語義要素的支配下組建系統的詞語語義群落，上一層級詞語的義素會為下一層級各詞語所共有。詞表創建可充分結合圖式理論和語義場理念，形成以主題為導向的詞表庫，有利于幫助學習者在頭腦中形成語義聯想網絡，促進語言的習得記憶。

1.2 主題詞簇界定與分級

主題是交際的出發點或對象，亦是思想和語言交際的中心。主題具有群集特性，在文本內容中起到聚攏作用，是語料信息的集中體現。主題詞簇是指與某一主題緊密關聯的詞語群（劉華，2008）。借鑒“領域詞語”的分類原理，根據主題詞簇在語料中出現的頻率和權重，可將其分為兩類：主題通用詞和主題專類詞。

主題通用詞是指在兩個或兩個以上關聯度高的主題中可以共用，且使用頻率高，具有一定區別作用的詞語;主題專類詞則是區別話題度高，且細微特征明顯，領域個性強的詞語。基于該分類原理，可以把中醫漢語理解為一個大的主題范疇，每個主題內部可進行分級分類。一級主題包含主題通用詞，主題內容更廣泛，領域涉及面更大。二級主題包含主題專類詞，主題內容更具體，主題描述更細致。如中醫漢語中“中醫治療”主題一級詞表多包含有關治療的通用詞語：內治、外治、調養、病癥、精神、療法等;而其下一級分類的“針灸”“推拿”“刮痧”等主題類別則體現各自對應的治療手法，其分別包含的詞簇是更具區別特征的專類詞語。

1.3 基于語域主題的詞語聚類方法

語域題材是指不同場合、情景、領域、交際背景下所使用的語言素材。語言并非獨立于語境或情景產生，而是由多種情境特征構成的。領域詞聚類原理可利用詞語在不同類別（即語域）語料中分布的差異性（即不均勻性）來計算詞語對于該類別的貢獻度（劉華，2010）。中醫漢語包含大量中醫領域性專業詞語，這些領域性詞語具有鮮明的分類區別特征，代表專屬于中醫領域內的特色內容。

詞語聚類的核心原理是利用詞語在不同類別語料中分布的差異性來計算詞語對于該類別的貢獻度。比如，虛詞（如“的、和、在”）在不同類別語料中的頻率幾乎一樣，散布均勻;而某些詞語（如“經絡、氣血、寒熱、陰虛……”）在“中醫”類的語料中出現的頻率會遠高于它們在其它類別（如體育、政治、娛樂等）語料的頻率，它們是中醫類別的領域詞語。

TF-IDF（term frequency-inverse document frequency）是常用的文本分類的特征提取算法，其中，TF是詞頻，IDF是逆文本頻率指數，其原理是某類詞在一篇文本語料中出現的頻率高，并且在其他文本語料中出現少，則認為該類詞類別區分能力強，語義聚合程度高，適合提取作為分類特征。TFIDF公式本質上反映了詞語區分文檔主題類別的能力，計算詞語在某一話題中的TFIDF值之后，將特征向量倒序排列，那些具有強主題區別能力的詞語會排在最前面。

主題詞聚類的計算公式（劉華，2010）如下：

其中，[pij=TijLj]，Lj是類cj含有的所有詞的次數之和，Tij是詞i在類cj出現的次數; [pi]-[kpijm]，其中m為類別數;N（Wi）表示訓練語料中出現詞wi的次數，N是訓練語料中所有詞出現次數之和;n>=1。

主題分類完成后，按照上述公式計算出語料文本中詞語的權重，運用n（n>=1）參數主要用來調節詞頻在選詞過程中的影響。當n取值較小時，詞頻的影響作用變大，傾向選擇詞頻大的詞;當n取值較大時，詞頻的影響作用變小，傾向選擇詞頻小的詞。當n=1時，可獲取中醫領域的通用詞語;當n等于2和3時，則中醫領域的通用詞語變少，而內部類別區別度高的專業詞語變多。為了更全面地獲取通用詞和領域專用詞，將詞頻的影響作用調適到一個較適中的程度，將n設定取值為1.5。

2. 中醫漢語聚類詞語表構建與詞表分析

2.1 中醫漢語詞表研制流程

中醫漢語詞表研制主要包含以下步驟：（1）結合中醫漢語類教材、中醫類教材、中醫網站三大語料來源，建設中醫漢語語料庫。（2）借鑒中醫漢語教材和中醫網站的知識分類體系，構建中醫漢語主題庫。（3）將語料庫按主題分類，通過詞語聚類，獲得分類領域特征明顯的主題詞語。（4）通過人工校對和專家審核，形成具有實用價值的中醫漢語詞表。

2.2 中醫漢語語料庫建設

為更有效采集歸整中醫漢語類語料資源，形成科學合理的主題分類詞語庫，本研究結合中醫漢語類教材和中醫類門戶網站資源，通過語料采集技術爬取相關語料文本，創建中醫漢語語料庫。

中醫類網站主要以“中醫中藥網”（https：//www.zhzyw.com/）為主，該網站行業知名度、訪問量高，內容豐富，分類明晰，主題涵蓋廣，適用群體廣泛，對后期詞表創建具有較高適用參考價值。

中醫漢語類教材以《中醫漢語綜合教程》（北京語言大學出版社，2013年）、《實用中醫漢語》（外語教學與研究出版社，2010年）、《中醫漢語口語入門》（高等教育出版社，2008年）三套教材為主，該類教材主要以留學生和海外學習者為使用對象，內容分類編排合理全面，采用功能—文化相結合的編寫理念，整體設計注重漢語交際實用性。

同時為確保后期詞表建設分類的合理專業性，語料庫建設還收納了中醫專業類教材的部分內容，參考《中醫基礎理論》（中國中醫藥出版社，2019年）、《中醫基礎入門》（軍事醫學科學出版社，2008年）兩本教材部分章節。

2.3 中醫漢語主題庫構建

由于目前有關中醫漢語詞語大綱的研究較少，缺乏成熟的詞語大綱分類項目作依據支撐，本研究整理歸納了三大語料來源的主題分類體系，以此作為中醫漢語詞表的創建參考。依照圖式理論的詞語習得認知理念，漢語詞匯的習得記憶通過相互作用的知識結構共同完成。中醫知識，凝結我國數千年傳統文化智慧結晶，包含大量中國哲學思想和倫理文化，如“陰陽”“五行”“上火”“氣”“開竅”等。知識結構中的各模塊內容，并非孤立地存在于內部結構中，而是彼此關聯，相互影響，形成了獨特的中醫文化體系。本研究借助中醫內部知識的圖式結構，從中醫文化和醫學問診的角度出發，重點結合現有中醫漢語教材和中醫網站的主題編排思路，對中醫漢語的詞表創建進行主題分類。

通過以上三類語料來源的主題分類可知，中醫漢語教材類語料共有主題包含中醫基礎知識、中醫治療、中醫養生三個主題，該主題均包含了中醫漢語教學的核心內容，是詞表建設分類的重要依據。同時，在中醫網站和中醫教材語料中還存在其他分類的交叉內容，可適當進行合并歸類。如中醫診斷，是中醫體系中診察病情、辨別病證的基本理論，在中醫漢語類教材前兩套教材中均有出現，應當添加作為一個主題分類。中藥知識，在教材主題分類中較為零散，但其作為中醫系統知識的重要組成部分，對于今后進入專業學習的學生而言十分重要，且在中醫診治的漢語交際場景中常涉及中藥類專業詞語，因此中藥知識可納入詞表主題分類中。中醫藥歷史、文化典故、文化習俗幾個分類屬于中醫文化傳播的內容，可合并歸屬于中醫文化一個類別中。

綜上合并歸類，中醫漢語詞表的一級主題大類包含：中醫基礎知識、中醫診斷、中醫治療、中藥知識、中醫養生、中醫文化六大類（圖2）。一級大類建立好后，參照中醫網站和中醫類教材的分類內容，通過去重篩選將下一級內容歸并到每個一級大類中（表2）。

2.4 語料主題分類

主題編排分類完成后，將所搜集的文本教材和網站語料按照主題內容分別放進每個文件夾中。為方便軟件對語料數據進行提取、統計、關鍵詞聚類，語料格式全部采用TXT 文本形式。示例文本中 H （Head）是課文對話標題，T （Text）是課文對話內容，W （Word）是本篇對話中與主題相關生詞表。每篇文本語料均以<>開始，以</>結尾。由于各TXT文本已歸入到細致的小類中，因此在人工進行詞表的篩選處理時，需注重把握小類主題的領域特征，把不能顯著展現該領域特征的詞語進行刪除。

2.5 中醫漢語語料的文本降噪、分詞處理、詞頻統計

語料收集和歸類完成后，接下來利用劉華研發的“漢語助研”軟件（語料庫建設統計一體化工具），對語料文本進行降噪處理和分詞統計工作。由于語料是通過網絡爬取和軟件掃描識別獲取，在文本中會出現各種不規范的格式符號，如垃圾廣告鏈接、網絡用語字符、亂碼符號等。這些無關的符號信息會影響詞頻統計的準確度，因此需要對其進行降噪處理，并結合人工檢查校對，最終形成可使用的純文本，同時進行分詞處理。

詞頻的統計結果可為下一步詞語聚類的權重計算提供依據。語料中含有大量實體意義不明顯的功能詞，如“的、了、是、在、和、很”等語氣助詞、副詞、介詞、連詞。這類詞本身并無明顯區別意義，但出現頻率很高，在其他主題語料庫中亦是出現頻率最高的日常用詞，散布較均勻，不具有主題意義的區別性。為避免受到該類詞語的干擾影響，達到突顯中醫漢語專門領域詞語特性的目的，我們需要對該類詞進行篩選去除，從而確保專業領域詞語的純凈度。

2.6 中醫漢語來源的主題聚類與詞頻統計

詞頻能直觀明晰地展現某個詞語在中醫語料中的使用情況，一定意義上表明該詞語在中醫教材編排中的重要程度。但主題詞語的提取與詞義的主題聚合度密切相關，詞頻統計并不能完全解決詞語主題特性的篩選問題。解決此問題需通過詞語聚類的算法，對中醫語料的關鍵詞特征進行提取，從而獲得中醫特征領域詞。

參照劉華《詞語計算和應用》中關鍵詞特征提取方法，通過對詞語進行切分、詞頻統計、加權計算和特征選擇，最終生成文本類別核心向量，向量中的特征詞可作為該分類文本的特征領域詞，權重越大，詞語的領域屬性越強。（參見上文2.3計算方法與公式）

中醫網站語料主題詞聚類（排名前30）：

中醫藥、中醫、經絡、辨治、臨床、津液、脾胃、氣血、臟腑、針灸、養生、血瘀、病機、舌質、方劑、配伍、健脾、情志、傳承、外治、臨床、病證、督脈、黃芪、茯苓、艾灸、白芍、診療、解毒、舌苔

中醫專業類教材語料主題詞聚類（排名前30）：

氣血、藥典、中醫、臟腑、經絡、清熱、證候、中藥、水煎、脾胃、情志、養生、本草、血瘀、健脾、功效、血虛、寒邪、配伍、陽虛、化痰、虧虛、氣滯、燥濕、陽氣、陰虛、胃經、味甘、活血、穴位

將上述兩類來源語料詞聚類排名與基本頻次排名進行對比，可發現部分詞語在基本頻次表中排名較后，出現頻次低，但在其對應的主題詞聚類表中排名靠前，權重較高。

表3展示了詞頻位序和聚類位序的排名升降對比情況，如詞語“中醫”“臟腑”“中藥”在教材語料的詞頻中排名分別為19、68、76，在主題詞聚類中大幅上升，位居3、4、8;詞語“中醫”“臨床”“氣血”在網站語料的詞頻中排名29、35、44，在主題詞聚類中大幅上升，位居2、5、8。由此可知，僅依靠詞語出現頻率作為詞表篩選的方法是不可取的，該方法并不能確保提取詞語的專業特性。結合詞頻和聚類特征提取方法，能更便捷地篩選出具有強中醫領域特性的主題詞。

六個大主題類別按照上述聚類權重計算后，都可獲得一個基于權重大小排列的詞序列表，該列表可作為主題詞表的初級參考。如“中醫診斷”大類中前15位詞語的聚類計算結果樣例，見表4。

2.7 中醫漢語主題通用詞表與主題專類詞表構建

根據語義場理論，中醫專業領域本身具有明晰的內容類別體系。我們基于中醫知識體系和漢語詞語語義場理論，對整體中醫語料進行逐級分類。分類級別越細致，主題專類詞語出現越多。以“中醫診斷”一級大類為例，其二級大類包含“四診”“八綱”“辨證”，其中“四診”的下一級又包含“望診”“聞診”“問診”“切診”的三級分類。即“中醫診斷”聚類詞語視為一級詞語，“四診”視為二級詞語，“望診”視為三級詞語。

如上文提及，主題通用詞一般是指行業領域內使用頻率較高、使用范圍最廣的基礎詞語，主題專類詞則是專業特點更突出、分類屬性更強，能區別主題細微特征的詞語。表5顯示的是二級主題庫“四診”主題詞聚類，表6顯示的是“四診”主題庫分支下的三級主題庫“望診”的主題詞聚類。結合表5與表6的詞語聚類情況進行統計，兩表共有詞語可劃定為二級主題通用詞，即“四診”的主題通用詞，剩下的詞語通過核對篩選，可劃定為三級主題專類詞，即“望診”的主題專類詞。如表5和表6中，“氣血”“臟腑”“診斷”“外感”四個詞語在兩個等級表中都共同出現，因此可將其視為二級主題通用詞。以此類推，將二級主題中共有的詞語劃定為一級主題通用詞。

通過聚類計算可以獲取類別中與主題語義關聯度高的詞語，但在上下級分類中，會出現彼此重合的情況，上一級詞語的通用概括性更強，下一級詞語的專業區別度更高。為避免分類詞語出現雜糅混亂的問題，需要借助“主題通用詞”和“主題專類詞”的概念界定，對上下級詞語進行篩選校對。使之達成上下級詞語分類的功效：最高層級分類體現中醫領域的宏觀概貌，底層分類體現中醫各系統的細化專業屬性。

2.8 中醫漢語主題詞語補充擴展

語言具有不斷變化發展的動態屬性，縱使聚類算法可提取語義聚合程度高的詞語，但隨著語料信息的不斷豐富，依舊存在部分還未涉及但關聯度高的詞語，這些詞語也應納入中醫主題詞表中。

具體操作可運用劉華研發的“詞語聚類、詞語聯想、詞語擴展在線檢索”（http：//www.languagetech.cn/nlp/word/word_demo.aspx）軟件對詞表進行補充完善。該軟件基于超大規模分類語料庫建立而成，可在線實現相關主題詞語的聚類擴展功能。利用該軟件能實時獲取網絡平臺的相關主題新詞，有助于實現類別詞語的擴展補充。如中醫漢語詞表創建中，將“中醫治療”下的二級分類“針灸”輸入該軟件中，出現可作為本研究詞表的補充詞語：奇穴、腧穴、經穴、耳針、刺法等。

此外，還可借助自然語言處理與信息檢索共享平臺（http：//www.nlpir.org）的word2vec工具繼續補充完善詞表。該工具原理是將詞轉換成對應向量的形式，在向量空間中詞語之間可通過定量的方式進行彼此關系的度量。在詞表分類中，詞語向量空間的相似度，主要是指語義聯想的相似度，即通過語義相似度的計算得出聯想度高的詞語。如將一級大類“中醫診斷”的語料放入軟件中進行計算，橙色是主題詞“人體”在文本中的特征聚類詞，藍色部分為語義聯想詞（圖4）。上述“中醫診斷”的下一級分類是以“四診”“八綱”“辨證”為主，而通過詞語語義網擴充，我們可知在“中醫診斷”的下一級分類中還可補充有關“機體”的關聯詞語。通過詞語語義的聯想關系，將具有相似性的詞語補充進詞表中，可彌補因人工分類帶來的詞語提取不平衡性的問題。

3. 結語

詞表的語料來源對詞表創建具有先決判定作用，以往詞表多基于現有文本素材收集，結合人工審核篩選創建形成。本研究充分考慮當今語言信息的傳播方式和流通特性，鎖定具有動態更新功能的“中醫網站”作為詞表重要來源之一。通過網絡爬蟲獲取大量候選的詞語集合，不僅能較全面獲取分類齊全的中醫素材，且能確保所選語料具有流通性和真實性。

詞表的編寫需講究體系與層次，中醫漢語由于領域特點較突出，詞語文化內涵豐富，若不進行合理分類編排，易造成詞表體系的繁雜。本研究基于中醫漢語語料庫資源，通過聚類算法形成的主題關鍵詞詞簇，能更好地突顯主題領域特征，為各主題內部的詞語主題分類提供依據，便于詞表創建中主題場景應用的提取與調度，幫助學習者樹立中醫詞語整體系統觀。在詞表后期構建中，我們也發現縱使擴大了語料搜集的來源范圍，但依舊無法避免在選詞抽樣過程中出現隨機性。因此借助詞語擴展工具生成語義相似的關聯詞語，能有助詞表的完善和優化。

本文以語料庫與計算語言學方法作為研究手段，對中醫漢語詞表的創建路徑進行初步嘗試。但由于人力物力有限，詞表依舊有不少需要完善的空間，如擴充詞表語料來源的收錄采集量、研制中醫漢語詞表分級大綱、總結中醫漢語詞語構詞方式等。后期將以本研究作為延伸依據，針對現有不足進行修補完善，以期為中醫漢語的詞典編纂、教材編寫、主題教學提供價值參考，推動中醫漢語的研究發展和應用實踐。

[參考文獻]

劉 華 2007a 基于文本分類中特征提取的領域詞語聚類[J]. 語言文字應用（1）.

——— 2007b 基于關鍵短語的文本分類研究[J]. 中文信息學報（4）.

——— 2010 詞語計算與應用[M]. 廣州：暨南大學出版社.

劉長征，張 普 2008 對外漢語教學用詞表的多元化與動態更新[J]. 語言文字應用（2）.

李 強，袁毓林 2019 生成詞庫理論和名詞語義的結構描述與概念解釋[J].語言學論叢（1）.

李 泉 2011 論專門用途漢語教學[J]. 語言文字應用（8）.

李 泉， 宮 雪 2015 通用型、區域型、語別型、國別型——談國際漢語教材的多元化[J].漢語學習（1）.

梁紅梅，何安平 2010 語料庫的“教學加工”與教材編寫[J].當代外語研究（10）.

蘇新春 2013 詞典與詞匯的計量研究[M].上海：上海辭書出版社.

王硯農 1992 談談“中醫漢語”系列教材[J]. 世界漢語教學（4）.

夏志明，劉 新 2015 一種基于語義的中文文本相似度算法[J]. 計算機與現代化（4）.

楊開平 2018 基于語義相似度的中文文本聚類算法研究[D].電子科技大學碩士學位論文.

喻雪玲 2013 基于語料庫的商務漢語話題庫及話題詞表構建[D].暨南大學碩士畢業論文.

袁毓林，盧達威 2018 怎樣利用語言知識資源進行語義理解和常識推理[J]. 中文信息學報（12）.

張雷平 2019 中醫語言研究的百年回顧與思考[J].江淮論壇（3）.

鐘心怡 2019 中醫漢語教材的詞匯編排與中醫專業課程的契合度研究[D].南京大學碩士畢業論文.

周小兵，干紅梅 2008 商務漢語教材選詞考察與商務詞匯大綱編寫[J]. 世界漢語教學（1）.

A corpus-based approach to constructing a vocabulary of subject terms of TCM Chinese

LIU Hua， LI Xiaoyuan

（College of Chinese Language and Culture， Jinan University， Guangzhou， Guangdong 510610， China）

Key words： corpus; Chinese for specific purposes; word clustering; Chinese vocabulary of TCM

Abstract： The vocabulary in specific field is the basis for compiling textbooks of Chinese for Specific Purposes and guiding Chinese teaching. Based on TCM Chinese textbooks and TCM websites， a TCM Chinese corpus was constructed. A hierarchical topic clustering vocabulary system in TCM Chinese teaching is constructed by? applying? theories of Chinese for Specific Purposes， and using the methods of word clustering， word association and semantic web construction in computational linguistics. This method can provide a reference for the construction of vocabularies for Chinese teaching in other fields.

【責任編輯 匡小榮】

[收稿日期] 2021-07-13

[作者簡介] 劉華，男，暨南大學華文學院教授，博士生導師。主攻方向：計算語言學、海外華語及華文教

學、智能漢語教學。李曉源，女，暨南大學華文學院博士生。主攻方向：國際中文教育、海外華語及華文教學、計算語言學。