大型词典编纂的计算机辅助开发与管理系统.docVIP

大型词典编纂的计算机辅助开发与管理系统( 王 惠 摘 要：词典编纂是一项需要投入大量人力、物力、财力的大型语言工程。由于词典包含的信息量巨大，开发周期长，编纂人员多，工程项目所要求的进度与词典的质量保证都是非常关键的问题。为此，我们设计并实现了一个词典编纂的计算机辅助开发与管理系统。该系统已经在北京大学“现代汉语语义词典”的开发过程中发挥了重要作用，它有效地提高了词典编纂的效率和质量；同时，该项研究也是对汉语计算词典学理论的一种有益探索。 关键词：词典编纂 词典管理 知识挖掘 自动翻译 计算词典学 1.前言 随着自然语言处理技术的迅速发展，词义分析的重要性与迫切性也为越来越突出。为了给计算机自动分析提供更全面、深入的语义信息，北京大学计算语言学研究所与中科院计算所自1994年联合开发“汉英机器翻译模型系统”开始，就着手研制面向汉英机器翻译的“现代汉语语义词典”。1996年至1998年，受到国家863高科技项目“通用机器翻译开发平台和汉英机器翻译系统”的支持，语义词典进入到大规模开发阶段，并取得重要的阶段性成果，完成了4.9万汉语词语的语义分类和搭配信息描述[1]。四年多来，北京大学计算语言学研究所在积极应用、推广该词典的同时，仍不断地投入力量进行词典本身的发展。从2001年11月开始，“现代汉语语义词典”的二期开发工作受到了国家973重点基础研究项目（G1998030507-4G1998030507-1）6.6万，采用Access数据库实现。其中包含全部词语的总库1个，每类词语各建一库，计11个。每个库文件都详细刻画了词语及其语义属性的二维关系。比如，总库中包括词语、拼音、同形、义项、语义类、词类、子类、兼类8个属性字段。名词库设15个属性字段，动词库设16个属性字段。所有的库都可以通过“词语、词类、同形、义项”这4个关键字段进行链接[2]。现在，它正在一个汉英机器翻译系统中发挥着重要的作用。 在语义词典的编纂修订过程中，为了保证词典内容准确可靠，有效地管理编纂人员，同时兼顾工程进度，我们开发了一个计算机辅助词典开发和管理系统，用于词典编辑、校订、检索、排序、检测、自动翻译、版本比较、任务管理等。本系统在Windows 2000的操作系统下使用Visual C++ 6.0编写、运行，采用Access 2000数据库存储词典数据库。系统的构成主要包括以下4个子系统：词典编辑、自动检测、自动翻译、项目管理。 2. 词典编辑（Dict_Edit） 本子系统的主要任务是对数据库格式的词典文件进行编辑（图1）。首先，选中“编辑”菜单中的“排序”，可采用多种方式对词典进行排序和浏览。 图1 语义词典的形容词 在“查看”菜单中点击“查询”按钮，即可根据首字、尾字、词类、语义类、义项、配价数等多种条件进行检索，包括组合检索、模糊检索等。比如，选取条件“词语=悲*”，以“悲”字开头的形容词及属性就都会显示出来（图2）： 图2 首字为“悲”形容词 这时，用鼠标左键双击一个词条，比如“悲愁”，即出现图3的编辑界面，在此可填写或修改词语的各种属性值，也可在词库中添加、插入、删除词条。 图3 词典编辑工具 为了提高工作效率和一致性，机器能做到的事情我们尽量让机器去做。比如，形容词“配价数”的取值范围仅限于“1”或“2”，因此，该字段就采用下拉菜单方式加以选择，这样可以有效地防止填入任何非法的值。 语义类划分是一件非常重要而繁琐的工作。该系统把语义分类树集中显示在窗口的左侧，编辑人员填写“悲愁”的语义类时，仅需选中“形容词语义树”中“人性值”下的“境况”类，双击鼠标左键即可自动填入。与此类似，“主体”字段的取值主要是名词的语义类，因此，点击“名词语义树”中相应节点就能完成。这大大减轻了人的记忆负担，同时也最大限度地减少了可能有的手工录入错误，为高质量地完成语义词典提高了可靠的技术保障。 3. 自动检测（Dict_Check） 在词典编纂中，多角度地检查是非常必要的，它直接关系到词典质量。以前，这些工作主要依靠审校人员完成，花费大量的人力和时间不说，漏查、错查、标准不一等现象也时有发生，词典质量难以保证。但利用计算机来处理这些任务，则有无可比拟的优越性[3]。本系统采用以下两种辅助检测手段，在效地保证了语义词典属性填写的正确性与一致性。具体检测步骤如下： 3.1 对词典属性值的有效性进行自动检测 编纂人员填写各项栏目时，计算机将会自动对所填入的内容加以检查，如果发现某项属性漏填，或者超出规定的取值范围，计算机将会立即弹出错误警告，提醒编辑人员及时核对、修改。 根据字段属性值定义及其相互之间的相互制约关系，自动查错。 按照语义词典要求，形容词“配价数”字段的取值范围仅限于数字“1、2”。如果 “2”，则“