中文信息处理与汉语研究 —— 现状和发展 詹卫东 北京大学中文系 北京大学汉语语言学研究中心 北京，100871

Presentation on theme: "中文信息处理与汉语研究 —— 现状和发展 詹卫东 北京大学中文系 北京大学汉语语言学研究中心 北京，100871"— Presentation transcript:

1 中文信息处理与汉语研究 —— 现状和发展 詹卫东 北京大学中文系 北京大学汉语语言学研究中心 北京，100871
全国语言文字信息化工作会议 · 湖南 · 长沙 · 中文信息处理与汉语研究 —— 现状和发展 詹卫东 北京大学中文系 北京大学汉语语言学研究中心 北京，100871

2 提 纲 中文信息处理研究的格局 中文信息处理的现状和发展趋势 语言知识资源的建设 面向中文信息处理的汉语研究

3 一 中文信息处理研究的格局 信息的两个层次： 符号层 —— 中文 / 汉语 / 汉字 内容层 —— 符号所承载的意义
一 中文信息处理研究的格局 信息的两个层次： 符号层 —— 中文 / 汉语 / 汉字 内容层 —— 符号所承载的意义 中文信息处理的两个层次： 字符处理（输入、存储、输出等） 内容处理（词语切分，词性标注，结构分析，意义理解，推理，翻译……等等） （信号 vs. 信息）

4 符号层的信息处理 拼音文字：小字符集 —— 比较容易 非拼音文字：大字符集 —— 难度很大 拉丁字母只有26个符号 汉字是一个大字符集
斯拉夫字母只有33个符号 阿尔明尼亚字母只有38个符号 泰米尔字母只有36个符号 缅甸字母只有52个符号 泰文字母只有44个符号 老挝字母只有27个符号 藏文字母只有35个符号 韩文字母只有24个符号 日文假名只有48个符号 汉字是一个大字符集 《说文解字》（东汉）：9353字 《玉篇》（南朝）收录16,917字 《广韵》（宋代）收字26,194字 《字汇》（明朝）收录33,197字 《康熙字典》（清朝）收录47,043字 《汉语大字典》（1992年）5.6万 《中华字海》（ 1994年） 8.6万

5 符号层的信息处理 4 1 8 5 2 9 6 3 7 汉字输入 自动输入 键盘输入 字形识别 声音识别 整字键盘 通用键盘 手写体识别
主辅式 形码 8 5 在线手写 感应式 音码 2 9 6 脱机手写 形音结合码 3 印刷体识别 7

6 内容层的信息处理 汉语 英语 老师都来了 All professors came here. 张老师都来了
形态丰富的语言（inflecting language）：处理难 形态不丰富的语言（analytic language）：处理更难 汉语 英语 老师都来了 All professors came here. 张老师都来了 Even Professor Zhang came here. 编辑工作很难 Editing is very difficult. 如何当好编辑 How to become a good editor

7 内容层的信息处理 机器翻译全过程 原文 译文 1 2 3 4 5 6 7 8 9 10 11 12 需要语言知识 ！！！ 原文输入 译前编辑
词法分析 句法分析 语义分析 语境分析 内部表示转换 译词选择 译后编辑 译文输出 词形变化 句子生成 译文 1 2 3 4 5 6 7 8 9 10 11 12 需要语言知识 ！！！ 机器翻译全过程

8 内容层处理对符号层处理的反作用 拼音串（无声调） xue xi dian nao ji shu 候选字串 雪 系 点 脑 机 树
雪 系 点 脑 机 树 共有14×98×41×15×167×68＝95.8亿种可能性 学 洗 电 闹 给 述 学 西 颠 挠 记 书 …… 候选词串 学习 电脑 级数 共有2×1×7＝14种可能性 血洗 电脑 奇数 血洗 电脑 基数 正确文字串 学习电脑技术

9 内容层处理对符号层处理的反作用 拼音串（无声调） xue xi dian nao ji shu 候选字串 雪 系 点 脑 机 树
雪 系 点 脑 机 树 共有14×98×41×15×167×68＝95.8亿种可能性 学 洗 电 闹 给 述 学 西 颠 挠 记 书 …… 候选词串 学习 电脑 级数 共有2×1×7＝14种可能性 血洗 电脑 奇数 血洗 电脑 基数 正确文字串 学习电脑技术

10 内容层处理对符号层处理的反作用 拼音串（无声调） xue xi dian nao ji shu 候选字串 雪 系 点 脑 机 树
雪 系 点 脑 机 树 共有14×98×41×15×167×68＝95.8亿种可能性 学 洗 电 闹 给 述 学 西 颠 挠 记 书 …… 候选词串 学习 电脑 级数 共有2×1×7＝14种可能性 血洗 电脑 奇数 血洗 电脑 基数 正确文字串 学习电脑技术

11 内容层处理对符号层处理的反作用 拼音串（无声调） xue xi dian nao ji shu 候选字串 雪 系 点 脑 机 树
雪 系 点 脑 机 树 共有14×98×41×15×167×68＝95.8亿种可能性 学 洗 电 闹 给 述 学 西 颠 挠 记 书 …… 候选词串 学习 电脑 级数 共有2×1×7＝14种可能性 血洗 电脑 奇数 血洗 电脑 基数 正确文字串 学习电脑技术

12 二 中文信息处理的现状和发展趋势 现状 符号层的处理成果已经得到广泛应用； 中文输入/字库/字处理软件/排版/…… 内容层的处理目前在词语识别和词性标注方面已经取得重要进展，句子结构分析和语义分析方面仍有待探索

13 系统演示 北京大学现代汉语分词/词性标注/句法分析系统（孙斌、刘群、常宝宝、詹卫东等）
（北大计算语言所网上分词、标注、注音系统）

14 中文信息处理的发展趋势 发展趋势 信息产品的多样化 网络的迅速发展 积累更多基础资源， 开发更多应用系统。 内容层的处理将受到越来越多的重视
发展趋势 信息产品的多样化 网络的迅速发展 积累更多基础资源， 开发更多应用系统。 内容层的处理将受到越来越多的重视 信息家电，内容计算，……

15 三 语言知识资源的建设 现代汉语语法信息词典 基于配价理论的现代汉语语义词典 现代汉语短语结构信息库
2700万字现代汉语分词与词性标注语料库 句子对齐的汉英双语语料库 现代汉语树库 现代汉语短语结构规则库

16 资源演示 现代汉语语义词典（詹卫东、王惠等） http://ccl.pku.edu.cn 汉英平行语料库（常宝宝、柏晓静等）
现代汉语树库（詹卫东、常宝宝等）

17 四 面向中文信息处理的语言学研究 充分重视各个层次上的语言歧义研究 拓展语言现象的研究面
强调研究结果的可操作性，推动语言知识的形式化、系统化和规模化 加强语言知识库的工程建设，为中文信息处理（内容层的处理）积累更多基础资源

18 歧义示例 张店区 大学生 不 看 重大 城市 户口 张 店 区 大 学 生 不 看 重 大 城 市 户 口
张店区 大学生 不 看 重大 城市 户口 张 店 区 大 学 生 不 看 重 大 城 市 户 口 张店区 大学生 不 看重 大 城市 户口

19 歧义示例（续） 有 三 百 多 种 树 有 三 百 多 种 树 v m m m q/v n 有 三 百 多 种 树 v mcp q n mp
有 三 百 多 种 树 有 三 百 多 种 树 v mcp q n mp np vp 有 三 百 多 种 树 v mcp n vp np 有 三 百 多 种 树 v m m m q/v n

20 歧义示例（续） 请转告李宇明司长 下午三点出发 请 转告 李宇明 司长 下午 三点 出发 v v n n t t v
请转告李宇明 司长下午三点出发 请转告李宇明司长 下午三点出发 请 转告 李宇明 司长 下午 三点 出发 v v n n t t v

21 结 语 要让计算机“理解”一个句子，实际上要解决下面两个核心问题： （1）一个句子的结构和意义是什么？ （2）如何得到一个句子的结构和意义？
结 语 要让计算机“理解”一个句子，实际上要解决下面两个核心问题： （1）一个句子的结构和意义是什么？ （2）如何得到一个句子的结构和意义？ 第一个问题是“What”的问题，这是理论语言学关心的问题； 第二个问题是“How”的问题，这是计算语言学关心的问题， 也就是面向中文信息处理的语言研究需要关心的问题。

22 参考文献 慈林林 鲁元魁，1999，《中文信息处理新技术展望》，《计算机世界》1999年第44期“产品与技术”版“专题报道”。
刘梦松，1998，《中文信息处理软件概述》，《计算机世界》1998年第26期“技术专题”版。 许嘉璐，2002，《现状和设想 —— 试论中文信息处理与现代汉语研究》，《中国语文》2000年第6期。 俞士汶，朱学锋，2002，《关于汉语信息处理的认识及其研究方略》，《语言文字应用》2002年第3期。 俞士汶，朱学锋，王惠，2001，《<现代汉语语法信息词典>的新进展》，《中文信息学报》2001年第1期。 詹卫东，常宝宝，俞士汶，2002,《机器翻译与语言研究》，《语言科学》2002年第1期（创刊号）。 詹卫东，2000，《 80年代以来汉语信息处理研究述评》，《当代语言学》 2000年第2期。 张华平，2003，《中文信息处理技术发展简史》，

23 国内外重要的语言知识资源举例 WordNet，http://www.cogsci.princeton.edu/~wn/
FrameNet， HowNet， 台湾中研院词库、现代汉语平衡语料库

24 谢 谢 请大家批评指正 欢迎访问