TIP－LAS：一個(gè)開(kāi)源的藏文分詞詞性標(biāo)注系統(tǒng)

李亞超，江 靜，加羊吉，于洪志

（甘肅省民族語(yǔ)言智能處理重點(diǎn)實(shí)驗(yàn)室，西北民族大學(xué)，甘肅蘭州730030）

1 引言

藏文是一種拼音文字，有30個(gè)輔音字母和四個(gè)元音字母，由這些字母組成音節(jié)，由音節(jié)構(gòu)成詞，音節(jié)之間用音節(jié)點(diǎn)“”（tsheg）作為分隔符。藏語(yǔ)詞語(yǔ)之間沒(méi)有明顯的分隔符來(lái)進(jìn)行區(qū)分，因此藏語(yǔ)信息處理首先要面對(duì)分詞問(wèn)題。雖然藏語(yǔ)是一種古老的語(yǔ)言，但是對(duì)于詞匯類別的研究較晚，以往大都是針對(duì)藏語(yǔ)構(gòu)詞、形態(tài)變化進(jìn)行的研究［1－2］。從整體上看，藏文分詞、詞性標(biāo)注研究基礎(chǔ)較弱。在藏文分詞、詞性標(biāo)注研究上，沒(méi)有形成一個(gè)公認(rèn)的或者成熟的分詞方法，更沒(méi)有共享的開(kāi)源系統(tǒng)。

藏文分詞研究相對(duì)較早，1999年發(fā)表的“一個(gè)人機(jī)互助的藏文分詞和詞登錄系統(tǒng)的設(shè)計(jì)”可以看作是藏文分詞研究開(kāi)始的標(biāo)志［3］。其后，陳玉忠等［4］提出了一種基于格助詞和連續(xù)特征的書(shū)面藏文自動(dòng)分詞方法，該方案在處理切分歧義，解決未登錄詞問(wèn)題，提高藏文分詞的效果上具有很高的實(shí)用價(jià)值。以上研究是較為典型的基于規(guī)則的藏文分詞方法。基于統(tǒng)計(jì)的藏文分詞方法是最近幾年興起的研究，劉匯丹［5］等采用格助詞分塊并識(shí)別臨界詞，然后采用最大匹配方法分詞，進(jìn)行緊縮詞識(shí)別，并形成了較為有效的分詞系統(tǒng)。孫萌［6］提出了一種基于判別式感知機(jī)模型的藏文分詞方法，重點(diǎn)研究最小構(gòu)詞粒度和分詞結(jié)果重排序?qū)Σ匚姆衷~的影響，該方法在基于音節(jié)的分詞系統(tǒng)上加入基于詞圖的重排序模塊，在感知機(jī)模型上融合了詞典信息。李亞超［7］研究了基于條件隨機(jī)場(chǎng)的分詞方法，重點(diǎn)解決了緊縮詞識(shí)別問(wèn)題。基于條件隨機(jī)場(chǎng)模型，基于判別式感知機(jī)模型，以及基于HMM模型的分詞方法是藏文分詞研究的主要方法。這些分詞方法大都以統(tǒng)計(jì)模型為基礎(chǔ)，融合詞典或者是藏語(yǔ)語(yǔ)言特征。以上藏文分詞研究的源代碼和實(shí)驗(yàn)語(yǔ)料都沒(méi)有公開(kāi)，加上實(shí)驗(yàn)語(yǔ)料規(guī)模大都較小，并且融合了較多的語(yǔ)言規(guī)則，實(shí)驗(yàn)結(jié)果難以進(jìn)行有效的對(duì)比。

針對(duì)信息處理用藏文詞性標(biāo)記研究起始于2005年，才藏太［8］在班智達(dá)漢藏公文翻譯系統(tǒng)中對(duì)提出了藏文詞性標(biāo)記問(wèn)題。蘇俊峰［9］研究了基于HMM的藏文詞性標(biāo)記方法。扎西加［10］基于藏文中虛詞發(fā)揮的功能，結(jié)合標(biāo)注語(yǔ)料庫(kù)實(shí)現(xiàn)了藏文自動(dòng)分詞和詞性標(biāo)記一體化處理模型。史曉東等［11］采用HMM方法將漢語(yǔ)分詞系統(tǒng)Segtag移植到藏語(yǔ)分詞中，其中分詞準(zhǔn)確度為93%，詞性標(biāo)注準(zhǔn)確度為83.17%，該系統(tǒng)是較早的實(shí)用的藏文分詞詞性標(biāo)注系統(tǒng)。華卻才讓［12］研究了基于感知機(jī)訓(xùn)練模型的判別式藏文詞性標(biāo)注方法，并且實(shí)現(xiàn)了相應(yīng)的詞性標(biāo)注系統(tǒng)“TiPosTag”。于洪志等［13］以最大熵模型為基本框架，根據(jù)藏文的構(gòu)詞特征研究了融合語(yǔ)言特征的最大熵藏文詞性標(biāo)注模型。以上研究都是針對(duì)藏文某種語(yǔ)言學(xué)特征，采用統(tǒng)計(jì)模型進(jìn)行建模，最后實(shí)現(xiàn)相應(yīng)的詞性標(biāo)記方法。以上的研究方法，實(shí)驗(yàn)條件和實(shí)驗(yàn)語(yǔ)料不統(tǒng)一，實(shí)驗(yàn)結(jié)果相差較大。

論文的其余部分安排如下：第二部分闡述TIPLAS藏文分詞詞性標(biāo)注系統(tǒng)的基本思路和系統(tǒng)特點(diǎn)；第三部分介紹基于條件隨機(jī)場(chǎng)的藏文分詞方法；第四部分介紹基于最大熵的藏文詞性標(biāo)注方法；第五部分給出實(shí)驗(yàn)數(shù)據(jù)，并進(jìn)行結(jié)果分析；最后第六部分為全文總結(jié)和展望。

2 本系統(tǒng)的特點(diǎn)

由于藏文分詞、詞性標(biāo)注語(yǔ)料難以獲得，更沒(méi)有形成規(guī)模的共享語(yǔ)料可以使用，已有的研究都是在私有語(yǔ)料上取得的實(shí)驗(yàn)結(jié)果，實(shí)驗(yàn)語(yǔ)料規(guī)模大都較小，實(shí)驗(yàn)結(jié)果相差很大，難以進(jìn)行有效的對(duì)比。本系統(tǒng)希望解決限制成熟的自然語(yǔ)言處理方法在藏文上應(yīng)用的關(guān)鍵問(wèn)題，盡量減少對(duì)藏語(yǔ)語(yǔ)言知識(shí)庫(kù)的依賴，盡可能提高藏文分詞、詞性標(biāo)注方法的可移植性。為此，延續(xù)了前期關(guān)于藏文分詞、詞性標(biāo)注的研究成果，開(kāi)發(fā)了較為成熟的，以可實(shí)用為目的藏文分詞、詞性標(biāo)注系統(tǒng)，命名為“TIP－LAS”，并在規(guī)模較大的語(yǔ)料上進(jìn)行了實(shí)驗(yàn)。分詞、詞性標(biāo)注系統(tǒng)源代碼可以從以下地址獲得①https：／／github.com／liyc7711／tip－las。

TIP－LAS集成藏文分詞、詞性標(biāo)注功能，該系統(tǒng)由C＋＋實(shí)現(xiàn)，提供跨Linux，Windows平臺(tái)功能，分為藏文分詞系統(tǒng)，詞性標(biāo)注系統(tǒng)兩大模塊。藏文分詞系統(tǒng)基于條件隨機(jī)場(chǎng)模型，實(shí)現(xiàn)了基于音節(jié)標(biāo)注的藏文分詞方法，藏文詞性標(biāo)注系統(tǒng)基于最大熵模型，并融合了音節(jié)特征。該系統(tǒng)的準(zhǔn)確度和速度已經(jīng)基本滿足實(shí)際應(yīng)用要求。

3 基于條件隨機(jī)場(chǎng)的藏文分詞方法

3.1 條件隨機(jī)場(chǎng)模型

條件隨機(jī)場(chǎng)（Conditional Random Field，CRF）是Lafferty等提出的一種統(tǒng)計(jì)的序列標(biāo)記模型［14］。在本文分詞系統(tǒng)中，把藏文分詞看成是序列標(biāo)記問(wèn)題。在序列標(biāo)記問(wèn)題中生成一個(gè)基于無(wú)向圖（undirected graph）G＝（V，E）的一階線性鏈?zhǔn)紺RF（linear－chain CRF）。V是隨機(jī)變量Y的集合Y＝｛Yi｜1≤i≤n｝，對(duì)于輸入一個(gè)句子的n個(gè)需要標(biāo)記單元，E＝｛（Yi－1，Yi）｜1≤i≤n｝是n－1個(gè)邊構(gòu)成的線性鏈。對(duì)于每個(gè)句子x，定義兩個(gè)非負(fù)因子：

對(duì)于每個(gè)邊：

對(duì)于每個(gè)節(jié)點(diǎn)：

其中fk是一個(gè)二值特征函數(shù)，K和K′是定義在每個(gè)邊和相應(yīng)節(jié)點(diǎn)的特征數(shù)量。

給定一個(gè)需要標(biāo)記的序列x，其對(duì)應(yīng)的標(biāo)記序列y的條件概率為式（3）。

其中Z（x）是歸一化函數(shù)。給定訓(xùn)練集D，訓(xùn)練模型的參數(shù)是用來(lái)最大化條件似然值。當(dāng)給定了要標(biāo)記的序列x，其對(duì)應(yīng)的標(biāo)記序列y由參數(shù)Argmaxy′P（y′｜x）給出。

本系統(tǒng)使用CRF模型來(lái)實(shí)現(xiàn)藏文音節(jié)標(biāo)注任務(wù)。

3.2 分詞特征選擇

在分詞特征選取上選取音節(jié)類別和音節(jié)上下文特征信息，音節(jié)上下文特征模板如表1所示。音節(jié)類別，在本文中分為藏語(yǔ)音節(jié)、藏語(yǔ)標(biāo)點(diǎn)符號(hào)、漢語(yǔ)標(biāo)點(diǎn)符號(hào)、英文字母等。

表1 分詞特征模板

3.3 基于CRF的藏語(yǔ)分詞

基于字標(biāo)注的分詞方法中，需要對(duì)每一個(gè)字在詞中的位置信息進(jìn)行標(biāo)注，根據(jù)前期研究結(jié)果，在系統(tǒng)中選用“BMES”標(biāo)記集，根據(jù)每個(gè)藏文音節(jié)在詞中出現(xiàn)的位置，給予不同的標(biāo)簽，B代表詞的左邊界，E代表詞的右邊界，M代表詞的中間部分，S代表單音節(jié)詞，標(biāo)記示例如表2所示，超過(guò)三音節(jié)的詞中間部分都標(biāo)記為M。在分詞中，把輸入的原始藏文文本切分成音節(jié)序列，音節(jié)序列包含藏文音節(jié)，英文，漢語(yǔ)標(biāo)點(diǎn)符號(hào)等，采用CRF模型對(duì)音節(jié)進(jìn)行位置標(biāo)注，根據(jù)標(biāo)注結(jié)果還原出分詞結(jié)果。

表2 音節(jié)標(biāo)記示例

4 基于最大熵的藏文詞性標(biāo)注方法

4.1 最大熵模型

最大熵模型能夠融合復(fù)雜的特征，在英語(yǔ)、漢語(yǔ)等語(yǔ)言詞性標(biāo)注研究中取得了較好的效果。該模型最初由E T Jaynes在1950年提出，Della Pietra等［15］將其應(yīng)用于自然語(yǔ)言處理中。最大熵原理的基本思想是，首先利用給定的訓(xùn)練樣本，選擇一個(gè)與訓(xùn)練樣本一致的概率分布，它必須要滿足所有已知的事實(shí)。在沒(méi)有更多的約束和假設(shè)的情況下，對(duì)于那些不確定的部分，則會(huì)賦予均勻的概率分布。熵是用來(lái)表示隨機(jī)變量的不確定性，不確定性越大，熵越大，分布越均勻。最大熵模型為式（4）。

H （P ）是模型P的熵，C是滿足條件約束的模型集合，下面需要尋求P＊，P＊的形式如式（5）所示。

Z（x）是歸一化常數(shù)，表示形式如式（6）所示。

其中，λi為特征的權(quán)重參數(shù)。

綜合考慮藏文詞性標(biāo)注速度與準(zhǔn)確度，本系統(tǒng)選用最大熵模型作為序列標(biāo)注工具。

4.2 特征選擇

4.2.1 上下文特征

一個(gè)詞的詞性很大程度上由其上下文的環(huán)境決定，因此當(dāng)前詞的前后n個(gè)詞可以作為判斷當(dāng)前詞詞性的依據(jù)。特征模板如表3所示。

表3 上下文特征模板

4.2.2 詞內(nèi)部特征

藏文屬于拼音文字，是形態(tài)較為豐富的語(yǔ)言，動(dòng)詞的現(xiàn)在、將來(lái)、過(guò)去時(shí)和命令式是通過(guò)詞綴及附加詞綴來(lái)表現(xiàn)的。一般來(lái)說(shuō)藏文動(dòng)詞的屈折形態(tài)可以分為同根類型和異根類型兩種。對(duì)于詞內(nèi)部特征函數(shù)定義為式（7）。

詞匯詞尾音節(jié)特征函數(shù)定義為式（8）。

詞內(nèi)部信息特征模板如表4所示。

表4 詞內(nèi)部特征模板

將當(dāng)前詞的詞首音節(jié)、詞尾音節(jié)，前、后詞，前驅(qū)詞的詞尾音節(jié)、后繼詞的詞首音節(jié)等特征結(jié)合在一起，定義音節(jié)特征見(jiàn)表5所示。

表5 音節(jié)特征模板

5 實(shí)驗(yàn)設(shè)置與系統(tǒng)對(duì)比

5.1 實(shí)驗(yàn)準(zhǔn)備

分詞系統(tǒng)采用的語(yǔ)料為“第七屆全國(guó)機(jī)器翻譯研討會(huì)（CWMT2011）”藏漢報(bào)刊政論文獻(xiàn)平行語(yǔ)料中的藏語(yǔ)語(yǔ)料部分，共128萬(wàn)詞。把整體語(yǔ)料按照3∶7的比例分為測(cè)試語(yǔ)料和訓(xùn)練語(yǔ)料。

詞性標(biāo)注系統(tǒng)采用的語(yǔ)料從主流的藏語(yǔ)新聞網(wǎng)站抓取網(wǎng)頁(yè)正文，語(yǔ)料主要來(lái)源是中國(guó)西藏網(wǎng)、青海藏語(yǔ)廣播網(wǎng)、人民網(wǎng)藏語(yǔ)版等，選取政治、經(jīng)濟(jì)、新聞、社會(huì)、法律等領(lǐng)域的文本。對(duì)獲取的藏文生語(yǔ)料，經(jīng)過(guò)分詞、詞性標(biāo)注工具處理后，再由人工校對(duì)獲得詞性標(biāo)注語(yǔ)料，語(yǔ)料統(tǒng)計(jì)如表6所示。訓(xùn)練語(yǔ)料來(lái)源于中國(guó)西藏網(wǎng)、青海藏語(yǔ)廣播網(wǎng)，共212萬(wàn)詞，測(cè)試語(yǔ)料來(lái)源于人民網(wǎng)藏語(yǔ)版，共46萬(wàn)詞。

表6 語(yǔ)料統(tǒng)計(jì)

5.2 系統(tǒng)性能

本文分詞系統(tǒng)在測(cè)試語(yǔ)料上的F值達(dá)到95.33%，詞性標(biāo)注準(zhǔn)確度達(dá)到93.90%，詞性標(biāo)注系統(tǒng)由于輸入的是分好詞的序列，所以只計(jì)算準(zhǔn)確度。

表7 實(shí)驗(yàn)結(jié)果

5.3 系統(tǒng)對(duì)比

表8 分詞標(biāo)注系統(tǒng)對(duì)比

已有公開(kāi)的藏文分詞、詞性標(biāo)注系統(tǒng)采用的方法、語(yǔ)料、詞典各異，進(jìn)行嚴(yán)格的對(duì)比較為困難，以下列出主要的幾個(gè)公開(kāi)發(fā)表的系統(tǒng)實(shí)現(xiàn)，希望可以進(jìn)行近似的結(jié)果比較。以下對(duì)語(yǔ)料規(guī)模的表述依據(jù)原文的數(shù)據(jù)表述方式。

SegT分詞系統(tǒng)采用3 000句訓(xùn)練語(yǔ)料，1 000句測(cè)試語(yǔ)料。該系統(tǒng)使用格助詞分塊和最大匹配方法進(jìn)行分詞，采用雙向切分檢測(cè)分詞歧義并使用預(yù)先統(tǒng)計(jì)的詞頻信息進(jìn)行消歧。最大匹配分詞方法對(duì)詞典的依賴性非常大，需要高質(zhì)量的分詞詞典才能實(shí)現(xiàn)。該系統(tǒng)為規(guī)則和統(tǒng)計(jì)相結(jié)合的藏文分詞系統(tǒng)。

孫萌的系統(tǒng)采用12 942句語(yǔ)料，共110K詞語(yǔ)，從中隨機(jī)選擇500句作為測(cè)試集，剩余的作為訓(xùn)練集。該系統(tǒng)采用感知機(jī)模型，在基于音節(jié)的分詞系統(tǒng)上加入基于詞圖的重排序模塊，采用了分詞切分語(yǔ)料和詞典等語(yǔ)料資源。

華卻才讓的系統(tǒng)采用2.2萬(wàn)多句詞性標(biāo)注句子為感知機(jī)模型訓(xùn)練語(yǔ)料，測(cè)試語(yǔ)料573句，詞性詞典是從訓(xùn)練語(yǔ)料、班智達(dá)詞性詞典中獲得的9.3萬(wàn)多條詞語(yǔ)，1.9千條地名詞語(yǔ)，1.6萬(wàn)條人名詞典以及計(jì)算機(jī)等專用詞典中抽取，總共抽取到12.36萬(wàn)余條藏語(yǔ)詞條。系統(tǒng)在人工建立的573句藏語(yǔ)詞性標(biāo)注測(cè)試集上，分別做了標(biāo)準(zhǔn)測(cè)試和分詞標(biāo)注一體化測(cè)試。采用了分詞切分語(yǔ)料和詞典等語(yǔ)料資源。

央金藏文分詞系統(tǒng)移植于基于HMM的漢語(yǔ)分詞系統(tǒng)Segtag，采用2.7M訓(xùn)練語(yǔ)料（UTF16編碼），以及詞典，測(cè)試語(yǔ)料25K。分詞、詞性標(biāo)注系統(tǒng)加入了20多萬(wàn)條的藏漢人名對(duì)照詞典，通過(guò)構(gòu)造詞圖來(lái)提高基線系統(tǒng)的效果。

康才畯［16］的分詞系統(tǒng)訓(xùn)練語(yǔ)料約100萬(wàn)字，測(cè)試語(yǔ)料約兩萬(wàn)字。在詞性標(biāo)注系統(tǒng)中，訓(xùn)練語(yǔ)料20萬(wàn)詞，測(cè)試語(yǔ)料320個(gè)句子，采用的標(biāo)記集有20個(gè)一級(jí)類，52個(gè)二級(jí)類。分詞系統(tǒng)采用基于條件隨機(jī)場(chǎng)模型方法，詞性標(biāo)注系統(tǒng)采用最大熵模型。實(shí)驗(yàn)中沒(méi)有加入規(guī)則和詞典等額外信息。

TIP－LAS系統(tǒng)在分詞、詞性標(biāo)注任務(wù)上相對(duì)來(lái)說(shuō)效果較好，在分詞任務(wù)上低于前三個(gè)系統(tǒng)，在詞性標(biāo)注上低于第三個(gè)系統(tǒng)。但是，本文系統(tǒng)沒(méi)有采用詞頻，語(yǔ)言規(guī)則、詞性詞典、人名詞典等輔助資源。本文系統(tǒng)實(shí)驗(yàn)結(jié)果全部采用訓(xùn)練語(yǔ)料所包含的特征，目的是為分詞、詞性標(biāo)注提供一個(gè)可以比較的實(shí)驗(yàn)平臺(tái)。

6 總結(jié)與展望

本文延續(xù)了前期關(guān)于藏文分詞、詞性標(biāo)注的研究，并對(duì)前期研究進(jìn)行整合，實(shí)現(xiàn)相應(yīng)的軟件平臺(tái)，本系統(tǒng)與已有的系統(tǒng)相比，在分詞、詞性標(biāo)注上取得了較好的效果，并在本單位的機(jī)器翻譯、語(yǔ)音翻譯等系統(tǒng)中得到實(shí)際應(yīng)用。

開(kāi)源和共享是自然語(yǔ)言處理研究的發(fā)展趨勢(shì)，英文的開(kāi)源系統(tǒng)較為豐富，漢語(yǔ)成熟的開(kāi)源系統(tǒng)有哈爾濱工業(yè)大學(xué)的LTP，東北大學(xué)的Niutrans，復(fù)旦大學(xué)的FudanNLP等，這些都是優(yōu)秀的中文信息處理平臺(tái)，對(duì)推動(dòng)中文信息處理進(jìn)步起著不可替代的作用。藏語(yǔ)信息處理研究基礎(chǔ)較弱，沒(méi)有開(kāi)源軟件可以使用，共享語(yǔ)料也很少。本文把最新的研究成果形成實(shí)用的軟件系統(tǒng)，把藏文分詞、詞性標(biāo)注集成到一個(gè)平臺(tái)里，并公開(kāi)源代碼。希望該研究得到更多人的加入，形成共享的開(kāi)源平臺(tái)，推動(dòng)TIPLAS的不斷完善，促進(jìn)藏文信息處理的發(fā)展。

［1］ 宋金蘭.漢藏語(yǔ)形態(tài)變體的分化.民族語(yǔ)文，2002，1：29－33.

［2］ 龍從軍.藏語(yǔ)形容詞性語(yǔ)素研究［J］.Journal of Chinese Language and Computing.2006，15（4）：193－201.

［3］ 扎西次仁.一個(gè)人機(jī)互助的藏文分詞和詞登錄系統(tǒng)的設(shè)計(jì)［C］／／中國(guó)少數(shù)民族語(yǔ)言文字現(xiàn)代化文集，北京：民族出版社，1999：322－327.

［4］ 陳玉忠，俞士汶.藏文信息處理技術(shù)的研究現(xiàn)狀與展望［J］.中國(guó)藏學(xué)，2003，04：97－107.

［5］ 劉匯丹，諾明花，趙維納等.SegT：一個(gè)實(shí)用的藏文分詞系統(tǒng)［J］.中文信息學(xué)報(bào)，2009，23（1）：97－103.

［6］ 孫萌，華卻才讓，才智杰等.基于判別式分類和重排序技術(shù)的藏文分詞［J］.中文信息學(xué)報(bào)，2014，28（2）：61－65.

［7］ 李亞超，加羊吉，宗成慶等.基于條件隨機(jī)場(chǎng)的藏語(yǔ)自動(dòng)分詞方法研究與實(shí)現(xiàn)［J］.中文信息學(xué)報(bào)，2013，27（4）：52－58.

［8］ 才藏太，華關(guān)加.班智達(dá)漢藏公文翻譯系統(tǒng)中基于二分法的句法分析方法研究中［J］.中文信息學(xué)報(bào)，2005，19（6）：7－12.

［9］ 蘇俊峰.基于HMM的藏語(yǔ)語(yǔ)料庫(kù)詞性自動(dòng)標(biāo)注研究［D］.西北民族大學(xué)，碩士學(xué)位論文，2010.

［10］ 扎西加，高定國(guó).藏文文本分詞賦碼一體化研究［J］.西藏大學(xué)學(xué)報(bào)（自然科學(xué)版）2012，27（1）：57－61.

［11］ 史曉東，盧亞軍.央金藏文分詞系統(tǒng)［J］.中文信息學(xué)報(bào)，2011，25（4）：54－56.

［12］ 華卻才讓，劉群，趙海興.判別式藏語(yǔ)文本詞性標(biāo)注研究［J］.中文信息學(xué)報(bào)，2014，28（2）：56－60.

［13］ 于洪志，李亞超，汪昆，等.融合音節(jié)特征的最大熵藏文詞性標(biāo)注研究［J］.中文信息學(xué)報(bào)，2013，27（5）：160－165.

［14］ J Lafferty，A McCallum，F(xiàn) Pereira.Conditional Random Fields：Probabilistic Models for Segmenting and Labeling Sequence Data［C］／／Proceedings of ICML－2001，2001：282－289.

［15］ Adam L Berger，Stephen A Della Pietra，Vincent J Della Pietra.A Maximum Entropy Approach to Natural Language Processing［J］.Computational Linguistics，1996，1（22）：39－71.

［16］ 康才畯.藏語(yǔ)分詞與詞性標(biāo)注研究［D］.上海師范大學(xué)博士學(xué)位論文，2014.