詞性標注規范化探索

摘 要:詞性標注問題一直是計算語言學中的一個難點問題，對于一些詞類的標注標準和方法，至今仍未統一，如兼類詞、區別詞，這給進一步的句法分析和語料庫的共享帶來了很大困難，甚至有時候會造成資源的浪費。本著實用的目的，在參考各家標注策略的基礎上，本文對兼類詞、區別詞和狀態詞的標注給出了統一的標注策略。

關鍵詞:詞性標注 句法分析 兼類詞 區別詞 狀態詞

一、引言

在大多數情況下，對語料進行詞性標注，只是語料庫建設的一個開始，而不是終點。句法標注是當前的一個研究熱點，是建立在詞性標注基礎上的一項工作。我們在對語料進行句法標注的過程中發現，分詞系統中一些詞類標記會給句法分析工作帶來一些困擾。這些問題不僅影響到句法標注的效率，也影響到標注的準確性和一致性。因此，在分詞及詞性標注階段，應考慮詞類標記對句法層面的影響，以節省人力、物力。

首先，分詞類別(或POS標記)應該在句法上有功能意義，例如名詞、動詞等。因為那些不是從句法層面劃分出來的標記，即使標示出來也無法在句法分析中進行處理。

其次，在有意義的基礎上，我們需要把握一個度。因為與語言本體或語言理論研究追求細致和完美的目的不同，語言工程更多地是要求時效性和可行性。在語料庫的標注過程中，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雜，代價太高。那么，到底劃分多少詞類才能在句法層面達到自足呢?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量一般應當控制在在10～20之間。

本文通過系統①，探討了兼類詞以及區別詞和狀態詞的詞性標注問題。我們將首先對所討論的標記概念進行界定，然后對比當今國內幾大分詞系統對其的處理，最后經過綜合分析探討之后，提出一些具有可行性的建議。

二、兼類詞

兼類詞從狹義上講是指同一個義項(嚴格說是同一概括詞)兼屬多個詞類。如“小時(n/q)”。從廣義上講還包括意義上有聯系的幾個義項屬于不同詞類。如“通知(v/n)”。

兼類詞的處理在計算語言學中一直是個頗有爭議的難點問題，怎么來處理兼類詞，區分還是不做區分，粗分還是細分。為了回答這些問題，我們從語言本體和計算機處理的角度，對國內的幾個分詞系統進行了分析和比較。

據統計，兼類詞主要出現在名詞、動詞、形容詞、副詞之間。那么，這幾個分詞系統是如何處理這些詞類的呢?表1為幾個系統對五種詞類的標注:

表1:四大標注系統的五類標記對比

從上面的對比和對具體語料的考察可知，四個系統對兼類都做了不程度的區分:A和D較嚴格地區分了各種兼類情況，并且連“名物化”現象都做了區分。B系統的分詞類別最為詳盡，但具體對兼類的處理和C系統并沒有大的差別，它們都只對明顯的兼類情況做了區分。

但是，當在這些系統輸出的基礎上進行句法分析時我們卻發現:(1)由于語言使用的靈活性，機器還不能對大量的兼類做很好的區分，如像“工作”類廣義的兼類詞都不能很好地區分，仍需要人工排查。(2)由于動詞性兼類大量不做區分，致使動詞成了全能詞，其功能在數據上的區分度在所有詞類中最低。(3)兼類詞的不做區分不利于計算機句法分析，也不利于基于語料庫的語言學研究。

基于以上分析，我們認為，對兼類的處理應該采取嚴格區分的標準，綜合考慮進一步句法分析的需要和寬泛意義上的通用性需要，并參考本體語言學的有關研究成果。因此我們提出如下建議:

第一，對于兼類詞的第二種情況，也即意義上有聯系的幾個義項屬于不同的詞類的，既然是不同詞類，就必須分開，如“鎖、領導、工作、死”等。陸儉明認為，從本體研究的需要出發，這些詞并不屬于兼類詞，也就是說雖同音，但意義不同，所以必須分開。

第二，對于兼類詞的第一種情況，這也是分詞系統的難點問題，是我們主要解決的問題。在四個系統中，只有A和D對其做了區分，但其區分并沒有改變詞類，只是從活用的角度在小類內部做了區分，如vd與vn，雖然從詞類上看似比較合理，但對進一步的句法分析并沒有什么大的幫助。況且我們仔細分析就會發現，不只是動詞和形容詞存在這種情況，名詞也會有這種情況，比如現在看來已經很普遍的“很+名”現象，如果按這樣的觀點，很大一部分名詞如“陽光、女人”都應該標為na，但為什么沒有標呢?

這類兼類主要有以下幾種情況:

1.“v-n”兼類、“v-d”兼類

在黃昌寧等的統計中，動詞和名詞的兼類在《中學生詞典》中占兼類詞總數的49.8%，在《兼類詞選釋》中占兼類詞總數的37.6%。據郭銳統計，具有名詞性的動詞在10300個動詞中有2381個，占23%，在詞頻最高的前3925個詞中共有1220個，占31%。因此，對這類詞的處理對句法分析會產生較大的影響，應分開處理，如“研究、調查、學習、發展、解決”等。動詞和副詞的兼類雖然數量上沒有前者多，但由于其功能性比較明顯(直接作狀語)，因此我們也建議分開。

2.“a-n”兼類、“a-d”兼類

因為動詞和形容詞同屬謂詞類，且這類兼類情況在兼類中的數量僅次于動名兼類，因此，我們也建議區分開來。形容詞和名詞的兼類如“安全、健康、平衡、奧妙”等，形容詞和副詞的兼類如“認真、深入”等。

3.“n-q”兼類

有些名詞可以經常用在數詞的后面表示物量或者動量，前者如“碗、桶、車”等，后者如“刀、筆、天”等。因為其功能比較明顯，并且在數據庫中這類詞的數量也并不少，因此按量詞處理。

4.名詞的其他活用

雖然我們對動詞、形容詞的活用都做了區分，但考慮到這類名詞活用現象的數量有限性和意義單一性，我們對名詞臨時具有形容詞性質的情況不做區分，仍按名詞處理。

三、區別詞和狀態詞

形容詞是漢語實詞中非常重要的一類詞，一般表示事物的性質、狀態，其內部分類比較復雜。在比較早期的語法書當中，以下的幾類詞統統被歸為形容詞:

a.黃、慢、大、幼稚、美妙、透明、簡單，安全……

b.黝黑、雪白、火熱、碧藍、稀里糊涂、古里古怪……

c.上等、慢性、有線、長途、活期、金、副……

其中，c類最早由呂叔湘、饒長溶(1981)提出，他們稱之為“非謂形容詞”，是形容詞的一個次類。朱德熙先生在《語法講義》里首次將c類形容詞單列為“區別詞”。

對應于語法上的不同分類，現存的國內語料庫在詞性標注這一問題上，存在著明顯的差別。有的系統把區別詞從形容詞中劃分出來，如系統a、c。在系統a中，還對區別詞進行了更為細致的區分:①一般為切分單位，并標以詞性b，如女/b司機/n，金/b手鐲/n;②單音節區別詞和單音節名詞或名語素組合，作為一個切分單位，并標以名詞詞性n，如雄雞/n，雌象/n;③少數“單音節區別詞+雙音節詞”的結構作為一個詞收入了詞典，則不再切分。總書記/n。與之不同，系統b把形容詞分為四類:性質形容詞aq、區別詞b、唯謂形容詞ap、狀態形容詞as;系統d則把區別詞從形容詞當中分割出來，將區別詞分為b區別詞、b1區別詞性慣用語，而且把狀態詞也從形容詞中分割出來并給予一個z作標記。

從計算語言學的角度來看，這些對形容詞的分類都因太復雜而影響到了句法分析的效率。如何處理才能更適合進一步的句法分析呢?首先從語言本體的方面，針對這三類詞的不同性質特征，作一個比較，見表2:

表2:三種形容詞的對比

不難發現，盡管這三類詞的語法功能各不相同，但是，它們有一個唯一的共同點，即作名詞的定語。不同的分詞標準，服務于不同的研究目的。由于“區別詞的詞類本質是修飾，功能固定而單一”。較好地體現了形容詞性成分的功能，所以遵循著靈活的分類意見，本文建議將這三類詞歸并在一起。區別詞可以看作作定語的形容詞當中的一個小部分，狀態詞則或作謂語，或作補語，或作定語的形容詞中的一個小部分。

在語言本體研究上應該把區別詞和形容詞作一個明確的區分，區分的理論價值不容否認。而“區別詞的詞類本質是修飾，功能固定而單一”。從工程的角度，即從語料庫的建設角度所采取的劃分則與之迥異。因為與語言本體或語言理論研究追求細致和完美的目的不同，語言工程更多是要求可行性和可操作性。

四、結語

在計算語言學中，語料庫的標注是進行一切研究的基礎，從語料庫工程建設的角度講，我們應堅持經濟省力原則，對于不必要的詞類標記建議能簡則簡。正如本文所述，在參考各家本體語言學研究的基礎上，對于兼類詞，除少數名詞活用之外，我們建議嚴格按功能區分詞性，將其劃到各個詞類之中;而區別詞、狀態詞，則建議不再和形容詞區分開來。標注方案的一致性不僅能節約資源，減少建設語料庫的資金投入，同時也能給我們的研究和應用帶來便利，為進一步開發語料庫奠定基礎。

(本文為中國傳媒大學“211工程”三期重點學科建設項目，名稱為“漢語有聲媒體語言依存句法樹庫構建與應用研究”。)

注 釋:

①A系統:北京大學現代漢語語料庫加工規范，《中文信息學報》，

16卷第5期;B系統:國家語言文字應用研究所計算語言學研究室，信息處理用現代漢語詞類標記集規范，《語言文字應用》，2001年8月第3期;C系統:哈工大信息檢索研究室漢語依存樹庫;D系統:中科院計算所漢語詞性標記集。

參考文獻:

[1]郭銳.現代漢語詞類研究[M].北京:商務印書館，2002.

[2]Liu，HaitaoHuang，Wei.A Chinese Dependency Syntax for Treebanking[M].Beijing:Tsinghua University Press，2006.

[3]陸儉明.現代漢語語法研究教程[M].北京:北京大學出版社，2005.

[4]黃昌寧，童翔.漢語真實文本的語義自動標注[J].語言文字應用，1993，(4).

[5]俞士汶，段慧明，朱學峰，孫斌.北京大學現代漢語語料庫加工規范[J].中文信息學報，2002，(5).

[6]北京大學中文系現代漢語教研室.現代漢語專題教程[M].北京:北京大學出版社，2003.

(萬紅雅 劉丙麗 牛雅嫻 董藝 北京 中國傳媒大學應用語言學研究所 100024)