现代汉语语法信息词典的收词原则.pdfVIP

现代汉语语法信息词典的收词

原则

LT

1.规范原则

（1）.符合国家标准《信息处理用现代汉语分

词规范》的词语，都属于电子词典的收词范围。

根据该《信息处理用现代汉语分词规范》中

对“分词单位”的定义：“汉语信息处理使用的、

具有确定的语义或语法功能的基本单位。它包括

本规范的规则限定的词和词组”。语言学中所定

义的词：“最小的能自由运用的语言单位，首先

是电子词典的收录对象。在目前已收录的五万余

条词语中,词占95%以上,包括了全部的18个

基本类。对于其中的9个封闭类：方位词、量词、

代词、副词、介词、连词、助词、语气词、叹

词等,电子词典尽可能全部收录。而另外9个开

放类,名词、时间词、处所词、动词、形容词、

状态词、区别词、数词、象声词等,由于其数目

众多,电子词典不可能都收录,而是还要进一步

参照下面将要介绍的其它几个收词原则(如高频

原则、稳定原则、词部件原则等)进行取舍。

除了18类基本词以外,符合《信息处理用

现代汉语分词规范》的成语、习用语、缩略语3

类比词大的语言成分也属于电子词典的收录范

围。这些固定短语大多数是由语素和词组合而成,

其构成成分和格式都是在汉语的长期发展中形

成的,不可随意切割,而且其意义也带有整体

性。在句子中所起的作用与词相当,是汉语词汇

体系的重要成员。如:

成语:胸有成竹、走马

观花、子虚乌有

固定短语习用语:跑龙套、卖关

子、总而言之

简称略语:三好、人大

由于这3类固定短语数量也非常可观,电子词典

对其处理策略与处理开放类的策略相同,只选收

其中一部分使用频率高、稳定性强的。

（2）.不符合分词规范的词语,原则上将不予收

录。

这主要包括以下几种情况:

1).不是分词单位的词

实际文本中的数词千变万化,如:“一、十一、

一亿八千万、第六、五分之二、一千多、三十几、

数万……”等等。但根据分词规范,可以作分词

单位的只有:

a.系数词“一、十、两、几”等

b.位数词“十、百、千、万、亿、

兆”等

c.助数词“第、初、零、分之、多、

数、约”等

d.数量词“若干、许多、不少、大

量、少许”等

那么,除了这4组,其它数词都不是分词单位,

因而也不属于电子词典的收录范围之内。

2).不是分词单位的短语成分,如:

a.(一)般说(出其)不意热胀

(冷缩)超低(空)(三)年来

之首最关并以

应按

b.在讲话中写论文学不

好科技发展时间就是生命

听说读写早来桌子

上

c.联合国教科文组织国家标

准局北京大学中国少年先锋队

其中a组可能在词频统计时这些字的组合出现

频度较高,但它们不在合理的层次上,既不成词

也不成短语,b组是自由短语,c组是组织、机构、

单位的名称。

2.高频原则

现代汉语词语非常丰富,即使是严格符合

《信息处理用现代汉语分词规范》的分词单位,

也数不胜数。因而,电子词典不可能见词就收。

为了做到收词量一定而词的覆盖面最大或词的

覆盖