[发明专利]一种汉语兼语结构获取方法

权利要求书

1.一种汉语兼语结构获取方法，其特征在于：包括以下步骤：

第一步：对原始训练语料库Corpus进行分词，形成分词语料库TCorpus；

采用一个开源的ICTCLAS系统对Corpus中的每篇输入文本D进行分词，并且将每篇文本按照句子的自然分割进行分拆，形成不含有句子标点符号的简单句；因此，TCorpus每个句子的形式为S_i＝“W₁/pos₁W₂/pos₂…W_i/pos_i…W_n/pos_n”，其中每个W_i是一个汉语词、汉字、标点符号、阿拉伯数字、英文单词或字母，pos_i是其对应的词性；

在分词算法中，词性的标记已经在计算机界通行；通常的词性有a表示形容词、b表示区别词、c表示连词、d表示副词、h表示前缀词、j表示简称词、k表示后缀词、m表示数词、n表示名词、p表示介词、q表示量词、r表示代词、u表示助词、z表示状态词；

第二步：识别分词语料库TCorpus中的每条语句S_i中的动词或动词词组；

当出现“W₁/v W₂/v”，则按照“W₁W₂/v”进行合并处理，即将两个或两个以上的动词，合并为一个动词，称此过程为动词合并处理；在上述处理后，对修饰动词的副词进行消除处理，即将动词前的所有修饰副词全部删除；将处理后的语句仍放入TCorpus中；

第三步：应用兼语模式对TCorpus中的语句进行分析，对满足兼语模式的语句形成候选兼语结构，并且置入待验证的兼语结构库SOBase中；

所述应用兼语模式对TCorpus中的语句进行分析，是指采用5种兼语模式，将TCorpus中的符合兼语模式之一的语句挑选出来，置入待验证的兼语结构库SOBase中；

对TCorpus中任一语句SO_i，当它含有超过2的动词，或者仅含有1个动词，则放弃该句；否则，设SO_i的形式为“N_i，1 V_i，1 N_i，2 V_i，2 N_i，3”，这里，下标i代表第i个语句意思；下面的主要任务是检查N_i，2是否满足5种兼语模式之一；如果满足5种兼语模式之一，则将二元对<“V_i，1…V_i，2”，“N_i，1 V_i，1 N_i，2 V_i，2 N_i，3”>放入SOBase中；否则，放弃SO_i；

所述的5种兼语模式：设兼语句的一般形式为“N₁ V₁ N₂ V₂ N₃”，其中N₂即为兼语；在获取兼语结构时，仅考虑兼语N₂满足以下模式的兼语语句，也就是，当语料库足够大时，兼语是其它形式的兼语句的兼语结构也能从兼语满足以下5种模式的兼语句中获得：

模式1：数词+名词；

模式2：数词+量词+名词；

模式3：{这，这场，这次，这个，这位，这种，这些，那，那场，那次，那个，那位，那种，那些，它，它们}，该集合中的元素为常见代词，通常用于指代非生命的物体或者动物，其中的任何一个元素本身都是一个模式；

模式4：{这，这场，这次，这个，这位，这种，这些，那，那场，那次，那个，那位，那种，那些}+名词，这是一个由代词与名称构成的兼语模式；

模式5：{他，他们，我，我们，她，她们}，该集合中的元素为常见代词，通常用于指代人物，其中的任何一个元素本身都是一个模式；

第四步：验证候选兼语结构库SOBase，并输出最终结果SOBaseResult；

对候选兼语结构库SOBase中的每条记录<“V_i，1…V_i，2”，“N_i，1 V_i，1 N_i，2 V_i，2 N_i，3”>，采用两种验证技术：兼语搭配常见性验证、兼语搭配多样性，它们都是确保兼语结构正确的必要条件；

所述兼语搭配常见性验证，是指当SO_i＝“N_i，1 V_i，1 N_i，2 V_i，2 N_i，3”是一个正确的兼语句，则兼语结构“V_i，1…V_i，2”在TCorpus中的其他语句中出现，而不是仅仅出现在兼语句SO_i中；

所述兼语搭配多样性验证，是指如果SO_i＝“N_i，1 V_i，1 N_i，2 V_i，2 N_i，3”是一个正确的兼语句，那么形如SO′_i＝“N′_i，1 V_i，1 N′_i，2 V_i，2 N′_i，3”、SO″_i＝“N″_i，1 V_i，1 N″_i，2 V_i，2 N″_i，3”的兼语句在TCorpus也应该多次出现；

所述第四步的具体实施步骤为：

首先引入两个非负的阈值a和b，其中a∈(0，1]，b∈(0，1]

步骤D1：设置SOBaseResult为空，用以保存验证过的、正确的兼语结构的结果；

步骤D2：如果SOBase空，则转步骤D6；

步骤D3：对SOBase中的任一一个记录＜“V_i，1…V_i，2”，“N_i，1 V_i，1 N_i，2 V_i，2 N_i，3”>，将<“V_i，1…V_i，2”，“N_i，1 V_i，1 N_i，2 V_i，2 N_i，3”>从SOBase中取出；

步骤D4：如果cof(“V_i，1…V_i，2”)>a，那么将“V_i，1…V_i，2”放入集合SOBaseResult中，转步骤D2；

所述cof(“V_i，1…V_i，2”)反映了兼语结构“V_i，1…V_i，2”的常见性，它的计算如下：cof(“V_i，1…V_i，2”)＝TCorpus含有“V_i，1…V_i，2”结构语句条数/TCorpus中的语句数；当cof(V_i，1…V_i，2)>a时，将“V_i，1…V_i，2”视为一个正确的兼语结构；

步骤D5：如果muf(“V_i，1…V_i，2”)>b，那么将“V_i，1…V_i，2”放入集合SOBaseResult中；所述muf(“V_i，1…V_i，2”)是一个刻画兼语搭配多样性的数学方法，它的计算子步骤如下：开始时，设置V_*，1和V_*，2为空集合；

步骤D51：在SOBase中，如果存在<“V_x…V_i，2”，“N_i，1 V_x N_i，2 V_i，2 N_i，3”>，那么将V_x放入集合V_*，1中；

步骤D52：在SOBase中，如果存在<“V_i，1…V_y”，“N_i，1 V_i，1 N_i，2 V_y N_i，3”>，那么将V_y放入集合V_*，2中；

步骤D53：计算muf(“V_i，1…V_i，2”)：计算公式如下：

步骤D6：输出最终兼语结构结果SOBaseResult。