基于统计方法教育术语特征分析研究.docVIP

基于统计方法教育术语特征分析研究 　　摘 要：领域术语特征研究是领域术语自动抽取的基础。研究抽取词典词条和领域高频术语集构建教育术语库，使用中科院分词软件和统计方法对教育术语的特征进行分析。分析结果表明教育术语字长为2-11，词长为1-6词，单词术语占教育术语库28%。对比教育、科技和法律的术语特征发现其具有显著区别，对领域术语自动抽取及信息处理相关研究具有重要理论意义。 　　关键词：教育术语；术语自动抽取；教育术语特征 　　中图分类号：G434 　　术语自动抽取是自然语言处理的基础性研究。目前术语研究主要针对科技名词术语展开，社会科学领域的术语研究并未得到重视，严重制约了领域术语规范化工作。除共性外，各学科领域术语又具有其各自的特征。不同领域术语特征研究将为各领域术语自动抽取提供必须的语言学基础。 　　领域术语特征研究对术语语言特征展开，语言特征指术语具有完整的语言含义和稳定的组成结构。目前面向术语特征的研究大都是术语的构词特征和长度特征。何燕[1]研究针对计算机领域术语语言特征构成双词模板，有效的抽取领域术语；李嵩[2]对语言学领域单词型和词组型术语词长和构词特征进行系统分析，从语言学视角形成了语言学术语集；季培培[3]从领域术语外部关联和内部构成，分别阐述术语的语言特征。 　　在构建教育术语库基础上，借鉴科技术语特征研究的统计方法，对教育术语字长特征、词长特征和构词特征进行系统分析，比较教育、科技和法律领域术语特征，最终形成教育术语的语言规则。 　　1 教育领域术语特征分析 　　语料来源：一是1998年《教育大辞典》；二是2002-2013年《民族双语教育》期刊2077篇。 　　1.1 构建领域术语库 　　针对两类文本语料特征采用不同方法实现术语抽取。 　　词典类文本，词条有清晰的边界特征。词条边界分别用标签和分割。基于边界特征设计了术语抽取器自动获取术语。 　　教育期刊，以题目和关键词为语料，借助停用词表和词频过滤候选术语，最终得到领域术语3395条。《教育大辞典》最新修订距今已16年，教育新词汇不断涌现，合并新术语并剔除重复项，确保术语库术语的实时性。借助百度百科进行校对，剔除模糊术语。校对中发现了大量人名、地名和机构名等，考虑其蕴含的领域内涵，予以保留。最终术语库共含术语22110条。 　　1.2 术语长度特征分析 　　一是术语含字长度，术语所含汉字字数；二是术语含词长度，术语含字或词的个数。 　　1.2.1 术语含字长度 　　以统计学方法为理论基础，建立领域术语特征统计平台。教育术语字长分析结果如下： 　　教育术语字长为1-38，集中在2-11（大于1%），占术语库97.31%。4字术语最多有6527条，占27.82%。此外，2字、3字和6字术语也较多，与4字术语共占68.40%。结果与周浪[4]等人的研究相符，但教育术语2-6字术语仅占78.46%，显然无法涵盖领域大部分术语。 　　1.2.2 术语含词长度 　　术语预处理借助中科院分词系统，但缺乏领域词典的现状，使分词结果存在漏分和误分。为保证语料正确性，对分词结果进行人工校对。最终得到术语含词长度结果（见图1）。 　　教育术语词长主要为1-20词，1-6词术语最多，占98.88%。单词2词和3词术语分别为28.03%、37.83%和20.88%。研究结果与张榕等人科技术语研究基本一致。共同点是术语词长集中在2-6词，但教育术语中单词术语含量更高。 　　总结教育术语长度特征有以下几点： 　　（1）术语字长为1-38字，2-17字术语占97.31%。 　　（2）术语词长集中在1-6词，最长达到20词，术语含字长度与词频成反比。 　　（3）与科技术语类似，教育领域词组型术语占主要地位。 　　1.3 教育领域术语的构词规则分析 　　术语可分为：单词型术语和词组型术语。根据词频分布词组型术语可分为：2-4词和4词长以上术语。单词术语占28.69%，2-4词术语占63.41%，4词以上术语占5.32%。现有研究忽视低频术语，确保抽取正确率，但牺牲了召回率。 　　1.3.1 单词术语构词规则 　　单词术语词性以名词为主，占77.86%。但教育单词术语中含大量专业名词、动词、成语、机构名及人名等。这与以简单名词为主的科技单词术语构成存在差异。 　　1.3.2 词组型术语构词规则 　　2词术语共7804条，有74种构词规则。词频300次以上的构词规则有7种，覆盖率达到82.65%。 　　3词术语有4488条，构词规则299种，词频100次以上构词规则有10种，覆盖率为54.75%。 　　4词术语为1727条，4词术语构词规则有439个，词频超过40次的构词规则有7种，覆盖率为30.40%。 　　4词以上术语有