《说文解字》语料库的XML标注设计.pdfVIP

社会科学论坛匝衄 l学界观察 《说文解字》语料库的XML标注设计 口胡佳佳 (北京航空航天大学虚拟现实技术与系统国家重点实验室，北京100191) 【内容摘要 】《说文解字》含有关于先秦文献语言和文字的多方面的资料。深入 的研究它，是研究汉民族语言文字学史的重要 内容。现有电子版 《说文》大多只 是 《说文》原文文本的电子化，应用价值有限。要想更好地应用计算机研究 《说 文》，就必须对其文本进行详细标注，而标注规范的合理性和可用性，决定了 标注的价值。本文选择XML作为标记语言，在详细分析 《说文》内容结构的基 础上，设计 了符合其特点的XML标注规范(Schema)；并在对 《说文》全文进行 XML标注基础上开发了更加符合用户需求的全文检索工具。 【关 键 词】《说文解字》；语料库标注；XML；标注规范。 【作者简介】胡佳佳，文学博士，北京航空航天大学虚拟现实技术与系统国家重点 实验室博士后，研究方向：计算语言学、中文信息处理、古籍数 字化等方面的研究。 一 语“料库，顾名思义就是存放语言材 、 问题的提出 料的仓库(或数据库)。传统上，语言学家用 “《说文解字》(以下简称 《说文》)这部 语料库这个术语表示可作为语言研究基础 我国语言史上的不朽名著……创立 了汉 的、大量 自然出现的语言数据……近40年 民族风格的语言学。汉民族语言学的一个 以来，语料库这个术语通常指以电子形式 主要学科是 文‘献语言学’，它研究的对象 保存的语言材料，并被广泛用于语言研究 是周秦的书面语言，研究的内容是文字、 和语言工程”。 声音 、训诂，所 以又称为 文‘字声音训诂 从语料库方法的角度来看，将 《说文》 之学’。《说文》就是文献语言学的奠基之 原文输入计算机后直接形成的没有经过 作……它的说解是研究汉语和汉字发展 任何处理的电子文本只能称作 生“语料 史的重要资料……对说文本身的研究形 库”。只有当研究者能够从语料库 中获取 成了一个专门的学科”—— 《说文》学 (又 信息或者知识时，才能说这个语料库有用 214 称 “许学”)。 的。为了从语料库 中抽取有用的信息，必 《说文解字》语料库的XML标注设计 须首先在一个或多个层面上对语料库进 本本身的内容。因此一个文本的标注是元 行分析，并将分析结果植入语料库中，才 语言的。所谓 “元语言”，就是描述语言的语 能给一个语料库带来附加的价值，这就是 言，它通过定义一套描述文档结构与含义 语料库标注。例如，研究者希望利用一个 的语法标记，使人或计算机能够利用这些 儿童文学语料库来建立一部儿童词典，就 标记快速准确地找到并理解文档中包含的 需要首先对这个语料库进行分词，并为每 特定语义信息。 个词标注词性(甚至词义)，才能进行词频 从本质上说，《说文》在对小篆形音义 与词性分布的统计。 进行说解时已经具有了一定 的 “元语言” 语料库标注可以定义为：“一种给 口 思想，它通过固定的表述格式和程式化用 语和(或)书面语语料库增添解释的和语言 语，起到对相应的语言现象给予归类的作 的信息的实践。”也可以把这个实践的最 用。如其 中的部首某一律用 “凡某之属皆 终结果称为语料库标注。一个完整的标注 从某”表示；前四书的形体说解都采用 “象 必须包含两个基本组成部分：语料库 中的