科技俄汉翻译“加词法”中汉语几种词语的使用

一、汉语量词的使用吕叔湘先生主编的《现代汉语八百词》一书指出:“汉语的特点在于量词的应用的普通化,……非汉族学生学习使用量词感到一定的困难……”。这是因为俄语、英语等非汉族语言,量词极少,大多数情况下都是数词等和名词直接连用,构成“数一名词组”等。俄汉语在使用量词上的显著差异,使我们在翻译俄语的数—名词组等一类短语时,常须根据词组中名词意义的不同而加用不同的汉语量词,构成现代汉语中的“数量短语(数词加量词)”和“指数短语(指代词加数词和量词或加其中之一)”。如:     

汉语第二语言教学中量词教法探微

汉语第二语言教学中，量词的教学是一个重点、难点。文章从个体量词的表形作用、量词之间的细微差别、量词短语与量词式结构的不同三个方面探讨了汉语量词的特点，对外国留学生掌握汉语量词有一定的帮助。     

"一盘饺子"和"一盘子饺子"的量词表达差异

本文针对留学生学习中借用名量词使用时的错误进行分析，指出借用名量词同专用名量词之间在表达上的差异：双音节借用名量词前的数词只能用“一”，“一”的含义是“整、满”的意思，表示多，数量短语和名词之间能加“的”．不能重叠。如果借用的名量词是表示容积、容器的单音节名词则具有了专用量词的特点。     

基于组合深度模型的现代汉语数量名短语识别

数量名短语的识别是识别由数量短语修饰的名词短语左右边界的研究.以往研究中,基于统计学习模型的数量短语识别方法依赖人工特征,需要通过专家知识构建知识库来实现对"数词+量词"短语的识别.本文在以往研究基础上纳入"名词"形成"数词+量词+名词"等八类数量名短语,并采用深度学习方法解决这一边界识别任务.通过BERT模型对原始文...     

汉语中"一+量+名"结构的语用研究

本文对汉语中“一+量词+名词”这一短语结构的特点进行了研究,探索了这一结构的使用和发展变化,特别地分析了在这一结构形式中其量词的不同含义和作用。     

毛南语个体量词的语义语法特征分析

通过分析毛南语量词的语义、句法形式和功能,认为毛南语的名词对个体量词的选择有其分类标准和认知理据;毛南语的量词对句法的制约性较强;毛南语量词的产生和发展受其语言特点的制约,是自源的。     

一种采用基于语境松弛算法的汉语分词排歧方法

词切分是像汉语这类非拉丁语言的一个特有问题，并且由于汉语组词中普遍存在着岐义性和语境依赖性，这一问题也是一个尚未得到彻底解决的难题。本文通过仔细分析汉语分词岐义的规律，将追求整体最优效果的松驰算法引入到汉语自动分词的排岐研究中。借助于语词之间搭配关系等上下文约束条件以及词频、字频等统计数据，构造了一种汉语分词排岐的新方法。实验结果表明，这种方法在切分精度和切分速度上都取得了较好的效果，为解决汉语自动分词难题提供了一种新途径。     

量词的数量语义特征与语法功能

从数量语义特征看，量词重叠并未产生空间量的变化，量词重叠量变发生在时间维度上，此外数量短语具有时问性和层级性，它们都不具有体词性的数量语义特征而具有谓词性的数量语义特征。从句法功能上看，量词与量词结构也不具有体词性，而具有谓词性。量词体词性的误会可以从“理论影响、意义、运用、产生”四方面来看。     

中韩数量短语对比分析

本文在分析中文和韩文数词、量词的特点和不同点的基础上，论述两种语言数量短语的构成和使用方法的差异性，并强调应该避免其差异性的存在而导致在教授和学习上的错误出现。     

基于语料库的数量名短语识别

数量名短语的自动识别是中文信息处理中短语识别的重要内容,对汉语深层次句法分析和语义分析将起到很重要的作用。本文对＂数.量.名＂、量词重叠的数量名短语进行自动识别,以量名搭配概率为基础,提出了基于变长后缀匹配的后退算法来发现更多的量名搭配,把召回率提高了40个百分点。我们在240万字的当代新闻小说语料上进行了识别试验和测试,结果显示,达到80%左右的调和平均值。     

基于机器学习的论文作者名消歧方法研究

本文提出了一种基于规则匹配和机器学习的论文作者名自动化消歧方法:首先基于人工构建的人名匹配规则确定候选作者,对于存在多个候选人的情况,基于论文的属性信息(例如合作者、标题、摘要、关键词和出版物名称等)提取特征,然后选取合适的机器学习算法进行消歧.实验效果表明K近邻和Softmax分类器较适合于论文作者名消歧任务;此外,将作者信息与论文的其他信息分开提取特征能够有效提高作者名消歧的准确性.     

基于隐特征提取和CRF模型的中文词义消歧

传统的中文词义消歧方法是通过观察文本的上下文信息、词性等显性特征建立消歧模型,本文通过对歧义产生原因进行深入的分析,发现词语之间隐含的语法结构、语义信息等也会导致歧义的产生,可以考虑将这些信息加入消歧模型进行消歧。由于《知网》知识库中对词语之间的搭配信息进行了总结,本文借助《知网》提取训练语料库所获取的词语搭配信息的隐性语义特征,结合显性的上下文特征,采用条件随机场的方法进行词义消歧。最后,通过实验进行词义消歧和效果验证,结果表明：本文采用的方法与传统的条件随机场消歧相比,词义消歧的准确率得到了提高。     

一种基于上下文规则的词义消歧算法

针对一词多义现象, 提出一种基于上下文规则的词义消歧算法(CR-WSD), 该算法以定义消歧规则的方式确定多义词在文本中的具体含义, 利用WordNet中知识结构和上下文关系进行语义选择, 完成词义消歧. 用Senseval 3中的全文作为测试集, 实验结果表明该算法能有效地实现词义消歧.     

基于共同属性和标签共现的标签消歧算法

为了提高基于标签的个性化推荐技术的准确率,提出了一种基于共同属性和标签共现的标签消歧模型,对已有的基于聚类的标签消歧算法进行改进,针对不同的标签语义问题分别采用不同的方法,缓解了原算法不能识别不同语义的问题。对于多义词语义问题,使用同义词模型进行消歧;对于近义词、同义词语义问题,使用近、同义词模型进行消歧,并将该模型应用于个性化推荐算法。利用公共数据集MovieLens Latest Datasets进行了个性化推荐实验。实验表明,当用户推荐项目数量递增时,推荐算法的准确率和召回率都有提高,能有效消除标签中存在的歧义。     

基于维基百科的实体排歧系统设计与实现

实体排歧一直是信息抽取任务中的难点问题.传统的方法常常借助语言知识库来进行排歧,如WordNet等.但是这类方法存在着一个问题,就是很难对人名以及最新的词汇进行排歧.因此,本文利用当前流行的维基百科知识库中的排歧页对同名实体进行排歧处理,提出基于维基百科的实体排歧方法.实验显示该方法能够有效的对人名进行排歧处理并且效果显著.     

基于多特征融合的同名专家消歧方法研究

针对专家库构建过程中出现的同名歧义现象, 提出一种基于多特征融合的同名专家消歧方法。从中国知网(CNKI)数据源中获取专家的论文信息, 抽取论文的标题、摘要、关键词、作者单位和合作者等关键信息, 并将其作为属性特征, 构建特征表示模型, 进而定义同名专家之间的相似度计算函数。根据计算得到的相似度, 将同名消歧问题转化为聚类问题。利用近邻传播聚类算法进行聚类, 解决同名消歧问题。在采集的专家论文数据上的实验表明, 基于多特征融合的同名专家消歧方法的准确率可达92%, 取得良好的消歧效果。     

Word Sense Disambiguation Model with a Cache-Like Memory Module

Word sense disambiguation(WSD),identifying the specific sense of the target word given its context,is a fundamental task in natural language processing.Recently...     

中文微博实体链接研究

针对2013年CCF自然语言处理与中文计算会议(NLP&CC2013)中文微博实体链接的任务, 使用CCF提供的新浪微博数据作为训练和测试数据, 利用西南交通大学耶宝智慧中文分词平台作为自然语言预处理工具, 提出一种实体链接的方法。该方法应用改进的拼音编辑距离算法和后缀词表匹配法, 提出实体聚类消歧与基于百度百科词频的同类实体消歧相结合的消歧方法。在2013年CCF 中文微博实体链接评测任务中正确结果的准确率为0.8838, 在10 个参赛队伍中名列第3位。表明该方法有效并可以适应文本中的噪声。     

词义自动消歧概率模型

提出了一种词义自动消歧概率模型·在词义自动消歧实验中,分析了高频率词义、指示词、特定领域、固定搭配和固定用法信息对名词和动词词义消歧的影响·目前该词义自动消歧系统已经应用于基于词层的英汉机器翻译系统(汽车配件专业领域)中,有效地提高了翻译性能     

基于短语匹配的中文分词消歧方法

在短语结构文法的基础上,提出一种基于局部单一短语匹配和语义规则相结合的消歧方法.通过增加短语间的右嵌套规则和采用有限自动机的实现方式,解决了短语规则中存在冗余项的问题,提高了短语匹配效率和歧义消除类型的针对性.实验结果表明,该消歧方法的平均消歧率约为98%,优于一般未考虑词语间语法和语义消歧模型的处理效果.