基于元音檢測(cè)的俄語(yǔ)語(yǔ)音音節(jié)端點(diǎn)檢測(cè)

王 彤， 易綿竹

(信息工程大學(xué) 洛陽(yáng)校區(qū) 工程系 河南 洛陽(yáng) 471000)

DOI: 10.13705/j.issn.1671-6841.2017186

基于元音檢測(cè)的俄語(yǔ)語(yǔ)音音節(jié)端點(diǎn)檢測(cè)

王 彤， 易綿竹

(信息工程大學(xué) 洛陽(yáng)校區(qū) 工程系 河南 洛陽(yáng) 471000)

針對(duì)傳統(tǒng)端點(diǎn)檢測(cè)算法因忽視語(yǔ)言特點(diǎn)導(dǎo)致的檢測(cè)精度不足問(wèn)題，結(jié)合元音中心論、響度說(shuō)、合張運(yùn)動(dòng)說(shuō)等俄語(yǔ)音節(jié)理論，提出一種面向俄語(yǔ)語(yǔ)音的音節(jié)端點(diǎn)檢測(cè)算法.算法利用共振峰能量檢測(cè)元音，并根據(jù)元音動(dòng)態(tài)調(diào)整門限，基于短時(shí)過(guò)零率和能熵比提取和切分音節(jié).算法在元音檢測(cè)中查準(zhǔn)率為84.9%，查全率為87%，音節(jié)切分的正確率為78.6%，端點(diǎn)檢測(cè)精度為91.6%，較傳統(tǒng)算法剔除了音節(jié)間的無(wú)話幀，提高了端點(diǎn)檢測(cè)的精度.

元音檢測(cè)； 俄語(yǔ)語(yǔ)音音節(jié)切分； 端點(diǎn)檢測(cè)

DOI: 10.13705/j.issn.1671-6841.2017186

0 引言

語(yǔ)音端點(diǎn)檢測(cè)是語(yǔ)音信號(hào)處理的基礎(chǔ)技術(shù)之一.狹義層面上，端點(diǎn)檢測(cè)是指確定有話段的起止位置，以達(dá)到區(qū)分信號(hào)中有話段和無(wú)話段的目的.廣義層面上，按照檢測(cè)的細(xì)化程度，端點(diǎn)檢測(cè)還包括對(duì)語(yǔ)音句、語(yǔ)段、語(yǔ)音詞、音節(jié)、音素等多種粒度有話段起止位置的判定.語(yǔ)音的音素在組成音節(jié)時(shí)存在連讀現(xiàn)象，音素之間因?yàn)橄嗷ト诤显斐山缦弈：?音節(jié)是語(yǔ)流中相對(duì)獨(dú)立的單元，音節(jié)之間的界限相對(duì)分明.通過(guò)音節(jié)的切分和端點(diǎn)檢測(cè)，能夠準(zhǔn)確提取有效的語(yǔ)音幀序列，排除無(wú)聲段或噪聲段的干擾，為語(yǔ)音識(shí)別、語(yǔ)音檢索等研究奠定基礎(chǔ).目前，學(xué)者采用時(shí)間長(zhǎng)度高斯擬合算法[1]、時(shí)頻二維能量特征算法[2]、元音主導(dǎo)的檢測(cè)法[3-4]、多重分型消除波動(dòng)分析法[5]等方法切分音節(jié).結(jié)合俄語(yǔ)語(yǔ)音的特點(diǎn)，采用模態(tài)分解法[6]、基于梅爾頻率統(tǒng)計(jì)的決策分類法[7]等方法切分俄語(yǔ)音節(jié).國(guó)內(nèi)對(duì)于俄語(yǔ)語(yǔ)音的研究多為面向漢俄語(yǔ)音比較及俄語(yǔ)語(yǔ)音教學(xué)，面向語(yǔ)言工程的研究還處于起步階段.徐來(lái)娣[8]等研究俄語(yǔ)的音節(jié)理論并提出俄語(yǔ)音節(jié)切分方案，趙芳麗[9]等基于praat軟件分析俄語(yǔ)讀音，目前尚未發(fā)現(xiàn)介紹俄語(yǔ)語(yǔ)音音節(jié)切分算法的相關(guān)文獻(xiàn).

本文結(jié)合俄語(yǔ)音節(jié)理論，設(shè)計(jì)了基于元音檢測(cè)的俄語(yǔ)語(yǔ)音音節(jié)端點(diǎn)檢測(cè)算法，以期為俄語(yǔ)語(yǔ)音處理的相關(guān)工作提供支持.

1 俄語(yǔ)音節(jié)切分理論

俄語(yǔ)共含有33個(gè)字母，所有字母共表示42種音位，其中6個(gè)是元音，36個(gè)是輔音.俄語(yǔ)音節(jié)的構(gòu)成遵循元音中心說(shuō)，即每個(gè)音節(jié)中有且只有一個(gè)元音，沒(méi)有復(fù)合元音；每個(gè)音節(jié)可以包含0～8個(gè)輔音，普遍存在輔音連綴現(xiàn)象，容易形成輔音群.俄語(yǔ)音節(jié)切分是一種純粹的語(yǔ)音行為，音節(jié)的切分不會(huì)造成詞義的變化，音節(jié)切分方式一般沒(méi)有語(yǔ)義要素可以作為參考[8].

根據(jù)元音中心學(xué)說(shuō)，輔音和輔音群不能單獨(dú)構(gòu)成音節(jié)，俄語(yǔ)詞的首尾位置若為輔音或輔音群，則其應(yīng)該屬于與之最鄰近元音所在的音節(jié).關(guān)于俄語(yǔ)元音之間的輔音或輔音群的音節(jié)歸屬問(wèn)題，不同學(xué)說(shuō)各執(zhí)一詞，難成定論，代表學(xué)說(shuō)包括呼氣說(shuō)、響度說(shuō)、肌肉緊張說(shuō)、合張運(yùn)動(dòng)說(shuō)等.其中，具有工程實(shí)踐指導(dǎo)意義的是合張運(yùn)動(dòng)說(shuō)和響度說(shuō).

合張運(yùn)動(dòng)說(shuō)從發(fā)音角度出發(fā)，將發(fā)音時(shí)發(fā)音器官活動(dòng)的相互作用程度作為判定元音、輔音的結(jié)合緊密程度的依據(jù).其主要觀點(diǎn)為：俄語(yǔ)發(fā)輔音時(shí)發(fā)音器官閉合，發(fā)元音時(shí)發(fā)音器官?gòu)堥_(kāi)，音節(jié)為先輔音后元音的一次合張運(yùn)動(dòng)，認(rèn)為俄語(yǔ)可以看作開(kāi)音節(jié)組成的序列.此外，運(yùn)用實(shí)驗(yàn)語(yǔ)音學(xué)方法，得出元音發(fā)音主要受前方輔音影響，輔音及輔音群的發(fā)音變化主要受后方元音影響，將元音間的輔音劃歸為后方元音所在的音節(jié).

響度說(shuō)從聽(tīng)覺(jué)角度出發(fā)，以語(yǔ)音流各音節(jié)之間和音節(jié)內(nèi)部的響度變化為切入點(diǎn)，歸納出非首音節(jié)內(nèi)部具有響度由弱至強(qiáng)的遞增規(guī)律.其主要觀點(diǎn)為：俄語(yǔ)的音素可以按照響度漸強(qiáng)分為3級(jí)，清輔音(噪輔音)為第1級(jí)，濁輔音(響輔音)為第2級(jí)，元音為第3級(jí)，不同響度的音素組成音節(jié).音節(jié)作為單詞中相對(duì)獨(dú)立的單元，其產(chǎn)生是一個(gè)響度漸強(qiáng)的過(guò)程，據(jù)此，將單詞中響度遞增前的最低點(diǎn)作為音節(jié)間的界限.

合張運(yùn)動(dòng)說(shuō)和響度說(shuō)分別從產(chǎn)生端和接收端研究俄語(yǔ)音節(jié)的本質(zhì)，并制定具有可供語(yǔ)音學(xué)實(shí)踐的音節(jié)切分方案.文獻(xiàn)[8]發(fā)現(xiàn)二者均具有一定局限性.合張運(yùn)動(dòng)說(shuō)忽視了俄語(yǔ)中存在閉音節(jié)，即存在元音間的輔音與前方元音結(jié)合更緊密的客觀現(xiàn)象，如антитерроризм中元音a和元音и之間的輔音н同前方元音a結(jié)合形成鼻音.響度說(shuō)無(wú)法實(shí)現(xiàn)詞中兩個(gè)連續(xù)元音的切分，如аудитория中的相連的元音a和元音y會(huì)被錯(cuò)誤劃歸為同一音節(jié).有時(shí)會(huì)因響輔音造成某些詞的切分錯(cuò)誤，如всегда，僅有兩個(gè)音節(jié)，但受噪輔音в影響，出現(xiàn)兩個(gè)響度最低點(diǎn)с和е，被切分為3個(gè)音節(jié).

2 算法的描述

2.1 算法的設(shè)計(jì)思想

根據(jù)元音中心說(shuō)，輔音和輔音群不能單獨(dú)構(gòu)成音節(jié)，語(yǔ)音段中的元音個(gè)數(shù)即為音節(jié)個(gè)數(shù).因此，算法通過(guò)檢測(cè)元音段確定音節(jié)個(gè)數(shù)，并以元音為中心確定各音節(jié)的位置邊界.根據(jù)響度說(shuō)，同一音節(jié)中的元音和輔音結(jié)合緊密，響度的變化表現(xiàn)為平緩的過(guò)程，不會(huì)出現(xiàn)局部突變.因此，以元音段為中心確定其所在音節(jié)中輔音段的參數(shù)變化范圍，并動(dòng)態(tài)設(shè)定閾值.根據(jù)合張運(yùn)動(dòng)說(shuō)，輔音與后方的元音結(jié)合更緊密，因此采用優(yōu)先以元音段為中心的前向搜索算法，以提取開(kāi)音節(jié)所包含的輔音段；根據(jù)響度說(shuō)，采用以元音段為中心的向后搜索算法，以提取閉音節(jié)所包含的輔音段.

2.2 算法的工作流程

首先對(duì)俄語(yǔ)語(yǔ)音進(jìn)行預(yù)處理，包括加窗、分幀、中值平滑；然后采用基于共振峰能量的單參數(shù)雙門限檢測(cè)法提取元音段；之后以元音段為中心動(dòng)態(tài)設(shè)定閾值，采用基于能熵比和短時(shí)過(guò)零率的雙參數(shù)雙門限檢測(cè)法切分并提取音節(jié)段；最后將音節(jié)段組合成完整的有效語(yǔ)音段，實(shí)現(xiàn)較為精確的俄語(yǔ)語(yǔ)音端點(diǎn)檢測(cè).上述算法的工作流程如圖1所示.

圖1 基于元音檢測(cè)的俄語(yǔ)語(yǔ)音音節(jié)端點(diǎn)檢測(cè)流程圖Fig.1 The flow chart of Russian syllable endpoint detection based on vowel segmentation

2.3 面向端點(diǎn)檢測(cè)的雙門限法分析

雙門限法[10-11]根據(jù)所設(shè)置的參數(shù)和閾值逐級(jí)判決，由粗至精，循序完成端點(diǎn)檢測(cè).單參數(shù)檢測(cè)法設(shè)有一個(gè)參數(shù)parm1，兩個(gè)閾值thre1和thre2，其中thre1lt;thre2.首先，根據(jù)thre2進(jìn)行粗判，若信號(hào)幀的pram1值高于thre2，則該幀肯定為語(yǔ)音幀；然后，取thre2與parm1的兩個(gè)交匯點(diǎn)向兩端擴(kuò)展搜索，取thre1與parm1的交匯點(diǎn)作為最終判別結(jié)果.雙參數(shù)檢測(cè)法將單參數(shù)檢測(cè)的起止位置作為第一級(jí)判決結(jié)果，并根據(jù)pram2進(jìn)一步做第二級(jí)判決.檢測(cè)過(guò)程如圖2所示.

圖2 雙參數(shù)雙門限檢測(cè)法示意圖Fig.2 Schematic diagram of double parameter and double threshold detection method

3 算法的實(shí)現(xiàn)

3.1 基于共振峰能量的元音檢測(cè)

聲音在通過(guò)共振腔時(shí)，不同頻率的能量受腔體濾波作用，或強(qiáng)化或衰減，得以重新分配，共振峰是聲音頻率中能量相對(duì)集中的區(qū)域.濁音具有明顯的共振峰，清音不具有明顯的共振峰.俄語(yǔ)的元音都是濁音，輔音多為清音，且濁輔音與元音的共振峰具有明顯差異.根據(jù)文獻(xiàn)[12]，選取學(xué)者Матусевич在1976年的專著《Современный русский язык.Фонетика》中的數(shù)據(jù)，如表1所示.

表1 俄語(yǔ)元音的共振峰頻率表

俄語(yǔ)元音的第一、第二共振峰頻率集中在250～2 000 Hz，據(jù)此，俄語(yǔ)元音共振峰能量FE(formant energy)的計(jì)算過(guò)程為：首先，令語(yǔ)音信號(hào)通過(guò)頻率范圍為250～2 000 Hz的FIR帶通濾波器；然后，對(duì)濾波后的信號(hào)加窗分幀，求得各幀的短時(shí)能量即為共振峰能量.設(shè)窗長(zhǎng)為N，x為濾波后的信號(hào)，w為窗函數(shù)，則在n時(shí)刻語(yǔ)音的FE值為

元音段提取的過(guò)程為：首先根據(jù)較低的閾值T1以及有話段最小連續(xù)幀長(zhǎng)粗略提取有話段，對(duì)每個(gè)有話段，采取基于共振峰能量的單參數(shù)雙門限法提取元音段.閾值分別為該語(yǔ)音段的FE中值，以及FE最大值與比例系數(shù)R的乘積.數(shù)字0～9的俄語(yǔ)語(yǔ)音的元音檢測(cè)結(jié)果如圖3所示.

圖3 元音檢測(cè)效果示意圖Fig.3 Figure of vowel detection results

3.2 基于元音檢測(cè)的音節(jié)段提取

短時(shí)平均過(guò)零率可以在一定程度上反映信號(hào)的頻率信息[13]，清音的短時(shí)平均過(guò)零率高于濁音，且清音和濁音的短時(shí)平均過(guò)零率遠(yuǎn)高于背景噪聲.輔音(尤其是清輔音)與背景噪音的短時(shí)平均過(guò)零率差別顯著，因此，選擇短時(shí)過(guò)零率作為檢測(cè)參數(shù).n時(shí)刻的短時(shí)平均過(guò)零率為

頻率譜線能量密度表達(dá)各頻率譜線的能量在信號(hào)中所占的比例.設(shè)M為信號(hào)幀頻域變換后的譜線條數(shù)，P為各譜線的能量，則第k條譜線的概率密度為

譜熵(spectral entropy)用于反映各頻率譜線的能量分布均勻程度，能熵比定義為能量E與譜熵H的比值[14]，譜熵與能熵比的計(jì)算公式分別為:

噪聲的能量較小，且分散在各頻率譜線中，譜熵值較大.語(yǔ)音信號(hào)能量較大，且相對(duì)集中在幾個(gè)共振峰頻率上，譜熵值較小.能熵比加大了語(yǔ)音和噪聲參數(shù)的數(shù)值差距，對(duì)不同信噪比的環(huán)境適應(yīng)性更強(qiáng).音節(jié)切分的流程如圖4所示.

圖4 音節(jié)切分的流程圖Fig.4 Flow chart of syllable segmentation

本文算法與基于能量和過(guò)零率的雙門限法對(duì)俄語(yǔ)數(shù)字0～9的音節(jié)切分結(jié)果如圖5所示.

圖5 音節(jié)切分效果對(duì)比圖Fig.5 Comparison of two syllable segmentation results

4 實(shí)驗(yàn)及結(jié)果分析

實(shí)驗(yàn)數(shù)據(jù)為俄語(yǔ)母語(yǔ)者的廣播語(yǔ)音，包括單元音詞10個(gè)、雙元音詞20個(gè)、多元音詞20個(gè).將手工標(biāo)注結(jié)果作為檢測(cè)標(biāo)準(zhǔn)，基于查準(zhǔn)率和查全率評(píng)價(jià)元音檢測(cè)的結(jié)果，基于正確率評(píng)價(jià)音節(jié)切分的結(jié)果，基于調(diào)和參數(shù)為1的F值(F-measure)評(píng)價(jià)端點(diǎn)檢測(cè)結(jié)果，并對(duì)比本文算法與基于能量和過(guò)零率的雙門限算法的檢測(cè)精度.元音檢測(cè)中，端點(diǎn)誤差不大于3幀視為正確，檢測(cè)誤差過(guò)大或錯(cuò)誤檢出輔音視為誤檢，元音未被檢出視為漏檢；音節(jié)檢測(cè)中，端點(diǎn)誤差不大于5幀視為正確.

參數(shù)設(shè)置如下：信號(hào)采樣頻率為8 kHz，加漢明窗，窗長(zhǎng)為256，移動(dòng)窗長(zhǎng)為80，加窗后做幅值歸一化以及五點(diǎn)中值平滑處理.元音檢測(cè)實(shí)驗(yàn)中，選取切比雪夫二型帶通濾波器，通帶頻率為250 Hz和2 000 Hz，阻帶頻率為200 Hz和2 100 Hz，通帶波紋和阻帶衰減為1和10.T1為0.25，有話段的最小連續(xù)幀長(zhǎng)為15，共振峰閾值的比例系數(shù)R為0.65，元音的最短幀長(zhǎng)為10.音節(jié)切分實(shí)驗(yàn)中，能熵比的門限比例系數(shù)r1為0.7，r2為0.85，短時(shí)過(guò)零率的閾值thre3為元音段的平均值，thre4缺省.

元音檢測(cè)、音節(jié)切分及端點(diǎn)檢測(cè)的實(shí)驗(yàn)結(jié)果如表2所示.

表2 元音檢測(cè)及音節(jié)切分的結(jié)果統(tǒng)計(jì)表

實(shí)驗(yàn)數(shù)據(jù)顯示：算法在俄語(yǔ)語(yǔ)音數(shù)據(jù)的元音段檢測(cè)中，查準(zhǔn)率達(dá)到84.9%，查全率達(dá)到87%，基于元音段檢測(cè)的音節(jié)切分準(zhǔn)確率達(dá)到78.6%.算法端點(diǎn)檢測(cè)的精確度達(dá)到91.6%，高于雙門限算法的87.6%.分析實(shí)驗(yàn)結(jié)果發(fā)現(xiàn)，算法主要通過(guò)降低音節(jié)間無(wú)聲幀的誤檢，提高端點(diǎn)檢測(cè)的精度.此外，連續(xù)語(yǔ)音中的非重讀元音弱化，以及重度音節(jié)中的濁輔音與元音界限模糊導(dǎo)致的錯(cuò)誤占全部錯(cuò)誤的比例超過(guò)90%.后續(xù)工作將加入對(duì)重音變化等超音位音段的研究，以進(jìn)一步優(yōu)化算法.

5 結(jié)論

本文以元音中心說(shuō)、合張運(yùn)動(dòng)說(shuō)、響度說(shuō)等俄語(yǔ)音節(jié)學(xué)說(shuō)為理論基礎(chǔ)，提出了一種基于元音的俄語(yǔ)語(yǔ)音音節(jié)端點(diǎn)檢測(cè)算法.算法細(xì)分為元音提取和音節(jié)切分兩個(gè)部分，元音提取部分緊扣單元音是形成俄語(yǔ)音節(jié)的充要條件這一命題，通過(guò)分析聲學(xué)特征,找出元音區(qū)別于輔音的共振峰特性，進(jìn)而計(jì)算共振峰能量，提取信號(hào)中的元音段.音節(jié)切分部分引入端點(diǎn)檢測(cè)中的雙門限算法，綜合元音、輔音與無(wú)話段的區(qū)別,選取能熵比和短時(shí)過(guò)零率作為門限法的參數(shù)；根據(jù)元音與其前后輔音群結(jié)合的緊密程度確定檢測(cè)范圍和檢測(cè)順序；此外，考慮到語(yǔ)流中的音強(qiáng)、語(yǔ)速、環(huán)境等變化對(duì)檢測(cè)的影響，根據(jù)提取的元音段動(dòng)態(tài)設(shè)定門限閾值，提高了算法的自適應(yīng)能力.最后，在俄語(yǔ)母語(yǔ)者的語(yǔ)音數(shù)據(jù)上驗(yàn)證了算法的有效性.本文算法面向俄語(yǔ)語(yǔ)音，實(shí)現(xiàn)了較為準(zhǔn)確的元音檢測(cè)和音節(jié)切分，較傳統(tǒng)算法剔除了音節(jié)間短暫停頓所在的無(wú)用幀，提高了俄語(yǔ)語(yǔ)音端點(diǎn)檢測(cè)的精度.

[1] 張揚(yáng),趙曉群,王締罡. 基于音節(jié)時(shí)間長(zhǎng)度高斯擬合的漢語(yǔ)音節(jié)切分方法[J]. 計(jì)算機(jī)應(yīng)用,2016,36(5):1410-1414.

[2] 張揚(yáng),趙曉群,王締罡. 基于時(shí)頻二維能量特征的漢語(yǔ)音節(jié)切分方法[J]. 計(jì)算機(jī)應(yīng)用,2016,36(11):3222-3228.

[3] 張利平,馮宏偉,王艷. 基于元音檢測(cè)的漢語(yǔ)連續(xù)語(yǔ)音端點(diǎn)檢測(cè)方法[J]. 計(jì)算機(jī)工程與應(yīng)用,2010,46(27):114-116.

[4] YOO I C，YOOK D. Robust voice activity detection using the spectral peaks of vowel sounds[J]. ETRI Journal,2009,31(4)：451-453.

[5] HE S F, ZHAO H. Automatic syllable segmentation algorithm of Chinese speech based on MF-DFA[J]. Speech communication, 2017,92:42-51.

[6] АЛИМУРАДОВ А К, КВИТКА Ю С, ЗАРЕЦКИЙ А П, et al. Помехоустойчивая обработка речевых сигналов на основе комплементарной множественной декомпозиции на эмпирические моды[J]. ТРУДЫ, 2016, 8(3): 43-53.

[7] SALISHEV S, BARABANOV A, KOCHAROV D, et al. Voice activity detector (VAD) based on long-term mel frequency band features[C]//19th International Conference on Text, Speech, and Dialogue. Czechoslovakia:Brno, 2016: 352-358.

[8] 徐來(lái)娣. 俄語(yǔ)音節(jié)理論研究與俄語(yǔ)音節(jié)切分優(yōu)化方案[J]. 中國(guó)俄語(yǔ)教學(xué),2009,28(4):69-72.

[9] 趙芳麗. 基于praat軟件的俄語(yǔ)讀音分析[J]. 計(jì)算機(jī)工程與應(yīng)用,2012,48(11):133-136.

[10] 王炳錫,屈丹,彭煊,等.實(shí)用語(yǔ)音識(shí)別基礎(chǔ)[M].北京:國(guó)防工業(yè)出版社,2005.

[11] ORTIZ P D,VILLA L F, SALAZAR C, et al. A simple but efficient voice activity detection algorithm through Hilbert transform and dynamic threshold for speech pathologies[J].Journal of physics:conference series, 2016, 705(1): 012037.

[12] 陳君華. 俄漢元音對(duì)比的新嘗試[J]. 中國(guó)俄語(yǔ)教學(xué),1997，16(1):55-57.

[13] 張雪英. 數(shù)字語(yǔ)音處理及matlab仿真[M]. 北京：電子工業(yè)出版社，2010.

[14] 宋知用. matlab在語(yǔ)音信號(hào)分析與合成中的應(yīng)用[M]. 北京：北京航空航天大學(xué)出版社，2013.

(責(zé)任編輯：王海科)

SyllableEndpointDetectioninRussianSpeechBasedonVowelSegmentation

WANG Tong, YI Mianzhu

(DepartmentofEngineering,LuoyangBranchofInformationEngineeringUniversity,Luoyang471000,China)

Aiming to solve the problem that the traditional endpoint detection algorithm lacked accuracy due to ignoring the language features, an algorithm of syllable endpoint detection was presented based on Russian syllable theories, such as the vowel center theory, the loudness theory, the motion theory and so on. The formant energy was used to detect vowels, then the thresholds were adjusted according to vowel. Extracts and segments syllables were carried out based on short-time zero crossing rate and energy entropy ratio. The results showed that, the precision was 87%, and the recall rate was 84.9% in vowel detection of Russian speech, and the precision was 78.6% in syllable segmentation. In addition, the algorithm could improve the accuracy of endpoint detection by eliminating the invalid frames between the syllables.

vowel detection; Russian syllable segmentation; endpoint detection

2017-06-22

國(guó)家自然科學(xué)基金項(xiàng)目(11590771)

王彤(1993—)，女,黑龍江齊齊哈爾人,主要從事計(jì)算機(jī)與應(yīng)用語(yǔ)言研究，E-mail：463906155@qq.com；通信作者：易綿竹(1963—)，男,四川營(yíng)山人，教授,主要從事計(jì)算語(yǔ)言學(xué)研究，E-mail：1197751829@qq.com.

TP391

A

1671-6841(2017)04-0034-06