陳優(yōu)陽(yáng)

（北京理工大學(xué)計(jì)算機(jī)學(xué)院 北京 100081）

0 引言

2000年《東京宣言》中提出了信息無(wú)障礙的理念。信息無(wú)障礙[1]是指利用不斷發(fā)展的信息科學(xué)技術(shù)，使得所有人都能無(wú)障礙地獲取信息資源。其核心內(nèi)容是利用科學(xué)技術(shù)手段消除某些生理功能退化或喪失的人群在信息獲取、接受過(guò)程中的障礙。因?yàn)槊と舜嬖谧顕?yán)重的信息獲取問(wèn)題，所以推進(jìn)盲人信息無(wú)障礙尤其最為迫切和重要。

解決盲人信息無(wú)障礙問(wèn)題的一個(gè)重要方法就是利用先進(jìn)的計(jì)算機(jī)應(yīng)用技術(shù)，制造出適合盲人使用的計(jì)算機(jī)硬件設(shè)備和軟件系統(tǒng)。軟件系統(tǒng)中非常重要的一個(gè)系統(tǒng)是漢盲翻譯系統(tǒng)，漢盲翻譯系統(tǒng)將數(shù)字化的中文信息翻譯成數(shù)字化的盲文，然后通過(guò)特殊的顯示或印刷設(shè)備把信息以盲文形式呈現(xiàn)出來(lái)。

本文旨在研究如何設(shè)計(jì)一個(gè)高效，易于擴(kuò)展和維護(hù)的盲文分詞連寫(xiě)實(shí)現(xiàn)方案。首先設(shè)計(jì)了一個(gè)基于SC文法[4]的規(guī)則表示形式，并且根據(jù)盲文分詞連寫(xiě)需要設(shè)計(jì)了一個(gè)連寫(xiě)規(guī)則庫(kù)。然后根據(jù)語(yǔ)料和基于字典樹(shù)的匹配算法設(shè)計(jì)了一個(gè)連寫(xiě)語(yǔ)料統(tǒng)計(jì)庫(kù)，它用來(lái)連寫(xiě)那些無(wú)法表示為規(guī)則的連寫(xiě)知識(shí)。最后，本文提出的方案實(shí)現(xiàn)了快速、準(zhǔn)確的分詞連寫(xiě)需求，并且連寫(xiě)規(guī)則庫(kù)和連寫(xiě)語(yǔ)料統(tǒng)計(jì)庫(kù)是易于擴(kuò)展和維護(hù)的。

1 問(wèn)題描述

我們形式化地定義了分詞連寫(xiě)處理問(wèn)題。提出了基于 SC文法的規(guī)則表示和連寫(xiě)語(yǔ)料統(tǒng)計(jì)庫(kù)的解決方案。其中，連寫(xiě)語(yǔ)料統(tǒng)計(jì)庫(kù)用來(lái)處理需要連寫(xiě)卻無(wú)法用規(guī)則形式化表示的知識(shí)。分詞連寫(xiě)處理模塊的輸入是分詞模塊的輸出結(jié)果，設(shè)為...，其中表示具有詞性ti的詞wi。連寫(xiě)處理模塊的輸出的形式與輸入形式一致，輸出結(jié)果是進(jìn)行了連寫(xiě)處理后的結(jié)果。為了方便描述，我們把稱(chēng)為一個(gè)句塊。該句塊結(jié)構(gòu)體包含4個(gè)成員變量，分別表示語(yǔ)法詞性，詞內(nèi)容，詞對(duì)應(yīng)的拼音，詞的語(yǔ)義屬性。在連寫(xiě)處理模塊中，為了幫助盲人理解，會(huì)把某些相連的多個(gè)句塊合并為一個(gè)句塊。

2 解決方案描述

2.1 形式化規(guī)則庫(kù)的設(shè)計(jì)

針對(duì)可以用形式化規(guī)則表示的連寫(xiě)知識(shí)需求，本文設(shè)計(jì)了一個(gè)基于 SC文法的，可擴(kuò)展性好的，表示效率高的，人性化的規(guī)則表示語(yǔ)言。

第一部分是規(guī)則句塊部分。我們使用“Si{}”（i=1，2，3……）表示規(guī)則中的句塊，Si表示句塊的索引，即該句塊處于規(guī)則中的位置。{}表示句塊的屬性字典，它使得規(guī)則表示系統(tǒng)易于理解和擴(kuò)展。其中，屬性字典由多個(gè)屬性與屬性值組成，屬性可取值為詞性，內(nèi)容和字?jǐn)?shù)。一個(gè)屬性可以對(duì)應(yīng)多個(gè)屬性值，這樣我們可以在一條規(guī)則里面表示多個(gè)連寫(xiě)要求，多個(gè)屬性值用“/”分割，分詞后的句塊只要滿(mǎn)足該屬性中的一個(gè)屬性值，就匹配成功，這樣使得我們的規(guī)則表示效率高，也容易擴(kuò)展。

第二部分是條件部分。其中條件部分是由條件名字和條件句塊組成。有些分詞利用規(guī)則進(jìn)行連寫(xiě)需要設(shè)定一定的條件，最常見(jiàn)的條件是規(guī)則中某兩句塊的內(nèi)容必須相同。如果一個(gè)規(guī)則的條件部分不為空，分詞的結(jié)果除了必須匹配上規(guī)則的句塊之外，還需要滿(mǎn)足條件部分中定義的條件才可以進(jìn)行連寫(xiě)，條件部分使得我們的規(guī)則表示靈活多變，能適應(yīng)各種需求。

第三部分是連寫(xiě)模式部分。因?yàn)橛械囊?guī)則涉及到多個(gè)句塊，但是最后連寫(xiě)的時(shí)候并不是把所有的句塊都連寫(xiě)，所以需要連寫(xiě)模式部分來(lái)指定需要連寫(xiě)的句塊，使用規(guī)則句塊部分中的句塊索引”Si”即可表示需要連寫(xiě)的句塊。例如規(guī)則“名詞后接兩個(gè)方位詞，則兩個(gè)方位詞連寫(xiě)”。我們用S1表示名詞，S2和S3表示兩個(gè)方位詞，則連寫(xiě)模式就是”S2，S3”，表示只需將S2，S3連寫(xiě)。這種設(shè)計(jì)方式可滿(mǎn)足規(guī)則連寫(xiě)的普適性。

規(guī)則的三個(gè)部分用”|”分隔，下面給出一個(gè)具體的規(guī)則表示的例子。在本文的第二部分提到的連寫(xiě)規(guī)則“單音節(jié)動(dòng)詞重疊式連寫(xiě)”，其對(duì)應(yīng)的規(guī)則表示內(nèi)容如下“S1{label：verb，length：1} S2{label：verb，length：1}|prefix_content_equal（S1，S2）|S1，S2”。

2.2 連寫(xiě)語(yǔ)料統(tǒng)計(jì)庫(kù)的設(shè)計(jì)

分詞連寫(xiě)規(guī)則可以解決大部分分詞連寫(xiě)的需求，然而有一部分詞需要連寫(xiě)卻無(wú)法用形式化的規(guī)則進(jìn)行表示。為了解決這個(gè)問(wèn)題，本文設(shè)計(jì)了一個(gè)基于高效的字符查找數(shù)據(jù)結(jié)構(gòu)Trie的連寫(xiě)語(yǔ)料統(tǒng)計(jì)庫(kù)。連寫(xiě)語(yǔ)料統(tǒng)計(jì)庫(kù)中的每一條記錄為需要連寫(xiě)的字詞，出現(xiàn)在連寫(xiě)統(tǒng)計(jì)庫(kù)中的詞如果被分詞器分開(kāi)，我們要能識(shí)別出各種切開(kāi)的情況并且還原那個(gè)詞。以“愛(ài)鳥(niǎo)周”為例，分詞器的分詞結(jié)果有可能為”愛(ài) 鳥(niǎo)周”、“愛(ài)鳥(niǎo) 周”“愛(ài) 鳥(niǎo) 周”，“愛(ài)鳥(niǎo)周”，當(dāng)分詞結(jié)果為前面3種情況時(shí)，都需要將分詞結(jié)果重新連寫(xiě)為“愛(ài)鳥(niǎo)周”。由此可見(jiàn)，隨著詞的長(zhǎng)度增加，需要考慮的的情況呈指數(shù)型增長(zhǎng)，因此我們需要一個(gè)高效的句塊查找數(shù)據(jù)結(jié)構(gòu)，Trie是一個(gè)非常合適的選擇。

Trie[4]，又稱(chēng)前綴樹(shù)或字典樹(shù)，我們結(jié)合統(tǒng)計(jì)庫(kù)中句塊匹配給出一個(gè)小型Trie樹(shù)實(shí)例，如圖一。圖中的空心節(jié)點(diǎn)是字典樹(shù)的根節(jié)點(diǎn)。邊上的字表示句塊的內(nèi)容，白色節(jié)點(diǎn)表示樹(shù)中的內(nèi)部節(jié)點(diǎn)，藍(lán)色實(shí)心節(jié)點(diǎn)表示統(tǒng)計(jì)庫(kù)中的詞。由于其復(fù)雜度與詞表的個(gè)數(shù)無(wú)關(guān)，所以能極大的加快查找速度，即使增加了許多統(tǒng)計(jì)庫(kù)后也是如此。引入字典樹(shù)提高了整個(gè)系統(tǒng)的可擴(kuò)展性，是本論文的一大亮點(diǎn)。

圖1 字典樹(shù)在統(tǒng)計(jì)庫(kù)上的應(yīng)用實(shí)例

3 實(shí)驗(yàn)和結(jié)果分析

根據(jù)《中國(guó)盲文》[5]對(duì)盲文分詞連寫(xiě)的要求，我們?cè)O(shè)計(jì)了130條連寫(xiě)規(guī)則。根據(jù)中國(guó)盲文出版社的專(zhuān)家知識(shí)和實(shí)際語(yǔ)料，設(shè)計(jì)了一個(gè)連寫(xiě)統(tǒng)計(jì)庫(kù)。我們對(duì)2000條句子進(jìn)行了連寫(xiě)處理，連寫(xiě)處理的結(jié)果由中國(guó)盲文出版社的專(zhuān)家進(jìn)行鑒定。根據(jù)實(shí)驗(yàn)結(jié)果，我們的解決方案連寫(xiě)處理的準(zhǔn)確率達(dá)到91%。連寫(xiě)錯(cuò)誤是由于分詞及詞性標(biāo)注的錯(cuò)誤引起的。影響準(zhǔn)確率的根本因素是中文分詞和詞性標(biāo)注這個(gè)模塊。首先中文分詞的準(zhǔn)確率沒(méi)有達(dá)到百分百的精度，所以它肯定會(huì)對(duì)連寫(xiě)算法造成負(fù)面影響。其次，對(duì)一個(gè)詞進(jìn)行詞性標(biāo)注時(shí)會(huì)有歧義，因?yàn)闈h語(yǔ)詞的兼類(lèi)現(xiàn)象比較頻繁。

4 結(jié)論和未來(lái)工作

根據(jù)我們?cè)O(shè)計(jì)的分詞連寫(xiě)規(guī)則庫(kù)和連寫(xiě)語(yǔ)料統(tǒng)計(jì)庫(kù)，很好的解決了漢盲翻譯轉(zhuǎn)換中存在的分詞連寫(xiě)問(wèn)題，實(shí)現(xiàn)了漢盲翻譯高效和準(zhǔn)確地轉(zhuǎn)換。由于所設(shè)計(jì)的連寫(xiě)規(guī)則庫(kù)和語(yǔ)料統(tǒng)計(jì)庫(kù)是可擴(kuò)充的，那么接下來(lái)，我們可以更深入的了解盲人對(duì)于分詞連寫(xiě)的需求，然后設(shè)計(jì)更多的連寫(xiě)規(guī)則添加到連寫(xiě)規(guī)則庫(kù)中，更好的讓盲人理解和得到信息。

[1]何川，國(guó)內(nèi)信息無(wú)障礙的現(xiàn)狀及展望.現(xiàn)代電信科技，2007.37（3）：p.4-8.

[2]黃河燕，陳肇雄，黃靜，基于多知識(shí)分析的漢盲轉(zhuǎn)換算法，in 語(yǔ)言計(jì)算與基于內(nèi)容的文本處理.2003：哈爾濱.p.607-613.

[3]陳肇雄，高慶獅，SC 文法功能體系.計(jì)算機(jī)學(xué)報(bào)，1992.11：p.801-808.

[4]Knuth，D.E.，The art of computer programming，volume 3：sorting and searching.1973，Addison-Wesley Reading，Mass.

[5]滕偉民等.中國(guó)盲文.1996：華廈出版社.