面向詞典編撰的詞匯聚類研究

1、1分類詞典編撰的領(lǐng)域詞語聚類實(shí)現(xiàn)分類詞典編撰的領(lǐng)域詞語聚類實(shí)現(xiàn)劉華1中文提要：中文提要：針對分類詞典中學(xué)科詞條的獲取和選擇問題，我們利用文本分類和聚類中特征提取的方法進(jìn)行詞語聚類，從而達(dá)到輔助詞典編撰的目的。關(guān)鍵詞：關(guān)鍵詞：分類詞典文本分類特征提取詞語聚類StudiesonWdsClusteringinlexicographyLiuHua1，2ZhouLingYan1ZhangPu21（CollegeofChineseLanguageC

2、ultureofJinanUniversity，Guangzhou，510000）2（BeijingLanguageUniversity，Beijing，100000）Email:liuhua0461@Abstract:FobtainingingsubjectlemmaauxiliarytobuildingclassifieddictionarythispaperpresentsanalgithmthatclustersfieldWds

3、inlargescaleclassedcpusbyacterextractionintextclassing.Keywds:LexicographyTextClassingacterExtractionWdsClustering詞典或詞庫建設(shè)是一項(xiàng)重要的基礎(chǔ)性工程，詞典編撰工作量巨大、枯燥繁瑣。在信息化高度發(fā)展的今天，如何利用高科技手段輔助詞典編撰已成為一項(xiàng)非常有意義的課題。針對分類詞典編撰中學(xué)科詞條（每一條目的條頭，可能是詞或短語，本

4、文通稱為詞條，下同）的獲取和選擇問題，我們利用文本分類和聚類中特征提取的方法進(jìn)行詞語聚類，從而達(dá)到輔助詞典編撰的目的。1.1.分類詞典編撰的兩個關(guān)鍵問題分類詞典編撰的兩個關(guān)鍵問題現(xiàn)代詞典按其收錄內(nèi)容和用途可分為：語文詞典、綜合性詞典和專科性詞典。其中，綜合性詞典和?？菩栽~典常常以學(xué)科（或題材）為綱來進(jìn)行組織編排[1]。綜合性詞典收錄內(nèi)容廣泛，涉及各個領(lǐng)域，便于查找最基本的知識和資料，往往只選擇重要的或查檢率較高的詞目收錄，而在涉及各學(xué)科

5、體系的深度和收詞的平衡及完整性方面有它薄弱的一面。這樣在查檢某一學(xué)科、專業(yè)的知識時則主要利用專科詞典。人類很早就有將詞匯按題材分類編纂的傳統(tǒng)，距今2000多年前編纂的《爾雅》是最早的分類詞典雛形。近現(xiàn)代，分類詞典的出版空前繁榮，出現(xiàn)了很多?？圃~典，基本上涵蓋了各學(xué)科。按學(xué)科（或題材）編撰詞典的兩個關(guān)鍵問題在于學(xué)科詞條的獲取和選擇。1.2.11.2.1學(xué)科詞條的獲取學(xué)科詞條的獲取以往的詞條通常是由學(xué)科領(lǐng)域的專家利用其學(xué)科經(jīng)驗(yàn)來提供，這一方

6、面保證了學(xué)科詞條的準(zhǔn)確性，但另一方面又帶來了一些問題。如個人主觀性太大，難以保證詞條的一致性，特別是對于那些新出現(xiàn)的沒有定論的學(xué)科術(shù)語更是如此；個人或幾個人的力量畢竟有限，很難保證詞條的學(xué)科涵蓋性，特別是在編撰綜合性詞典時，如何調(diào)動大規(guī)模的領(lǐng)域?qū)＜覅f(xié)同工作，更是一個大問題；信息化時代的到來，特別是網(wǎng)絡(luò)的發(fā)展，使得知識更新非?？欤瑔渭円揽繉＜业?劉華，男，02級博士生，研究方向：計(jì)算語言學(xué)，智能檢索，email：liuha0461@3中出

7、現(xiàn)的頻度越高，在其它文檔集（如“經(jīng)濟(jì)”、“軍事”……，我們稱之為背景語料，作對比用的）中出現(xiàn)的頻度越低，說明它在區(qū)分該文檔集的內(nèi)容屬性（“體育”類）方面的能力越強(qiáng)。因此，領(lǐng)域特征詞語的提取實(shí)際上是通過計(jì)算詞語在不同領(lǐng)域語料中的分布情況來實(shí)現(xiàn)的。根據(jù)此原理，我們可以通過計(jì)算詞語的TFIDF值來進(jìn)行詞語的領(lǐng)域（話題）聚類。2.32.3特征領(lǐng)域聚類實(shí)現(xiàn)特征領(lǐng)域聚類實(shí)現(xiàn)我們依照上面的方法流程進(jìn)行了特征抽取和領(lǐng)域聚類。訓(xùn)練用的分類語料庫約60萬個

8、XML文件，6億字，時間跨度為三年（02、03、04），文件標(biāo)注了語料的標(biāo)題、關(guān)鍵詞、類別（詳細(xì)標(biāo)明到細(xì)致的主題，如“經(jīng)濟(jì)證券債券”，共244個）、時間、段落等屬性。具體領(lǐng)域（只列舉了大類）和文件數(shù)分布如下：類別文件數(shù)類別文件數(shù)時政新聞_國際59130旅游18471時政新聞_國內(nèi)119695文藝14248時政新聞_軍事21743游戲22843時政新聞_社會42559汽車21745經(jīng)濟(jì)40115教育24405科技53126房產(chǎn)19573體

9、育96120生活男女19382娛樂23905總計(jì)597060具體步驟如下：Step1：雙向最大切分。切分底表對特征提取至關(guān)重要，如果需要提取的特征詞不在底表中，則無法提取出該特征詞，我們的底表包含三十二萬詞條，含領(lǐng)域詞語二十五萬。Step2：統(tǒng)計(jì)詞次。統(tǒng)計(jì)時根據(jù)位置加權(quán)，加權(quán)時文本長度會對加權(quán)因子產(chǎn)生影響。對關(guān)鍵詞、標(biāo)題加權(quán)時，應(yīng)該動態(tài)加權(quán)，即按文章正文詞數(shù)動態(tài)調(diào)整加權(quán)系數(shù)。標(biāo)題加權(quán)底數(shù)為2，關(guān)鍵詞加權(quán)底數(shù)為3，正文詞數(shù)按200字分級，

10、每增加一級，在原來系數(shù)上相應(yīng)加1。Step3：權(quán)重計(jì)算。按照2、2節(jié)中的公式計(jì)算每個詞在類中的權(quán)重，n（n=1）參數(shù)主要用來調(diào)節(jié)詞頻的影響，當(dāng)n取值小時，傾向于詞頻大的詞；當(dāng)n取值大時，則詞頻的影響減弱，傾向于詞頻小的詞。Step4：特征選擇。通過設(shè)定閾值來確定不同文檔類所對應(yīng)的特征向量[4]。3.3.領(lǐng)域聚類結(jié)果分析領(lǐng)域聚類結(jié)果分析上文(第1節(jié))列舉了分類詞典編撰中兩個關(guān)鍵性的問題，其中第一個問題實(shí)際上是個分類問題，即將詞語歸入到其所