朱婷婷，鄭德俊

（1.寧波職業(yè)技術(shù)學(xué)院圖書館；2.南京農(nóng)業(yè)大學(xué)信息管理系）

1 引言

移動圖書館研究如火如荼，已有研究主要關(guān)注服務(wù)模式、平臺建設(shè)推廣、用戶體驗、用戶需求等方面，尤其重視對用戶的研究，近年來，移動圖書館用戶評論挖掘也成為研究熱點。［1］對于移動圖書館用戶評論挖掘，評論數(shù)據(jù)的預(yù)處理工作尤為重要，預(yù)處理將影響到后續(xù)的評論數(shù)據(jù)處理效果，其中，中文分詞是最關(guān)鍵的一步。分詞詞典是機械分詞的基礎(chǔ)，通用的分詞詞典主要收集的是日常用語及中華大辭海的詞匯。但是通用詞典不能滿足特定領(lǐng)域語料的分詞要求，且通用詞典中生僻字?jǐn)?shù)量龐大，影響了分詞的準(zhǔn)確性、合理性和時間性能。

對移動圖書館用戶評論進行預(yù)處理需要用到分詞詞典，但目前國內(nèi)還沒有一部完善的大規(guī)模移動圖書館詞典。移動圖書館詞典是進行移動圖書館用戶評論預(yù)處理的前提，如何多渠道獲取移動圖書館相關(guān)詞條，構(gòu)建移動圖書館詞典，并將其應(yīng)用到分詞中來，已成為移動圖書館研究亟需解決的問題。

2 國內(nèi)外研究現(xiàn)狀

目前，有三種構(gòu)造分詞詞典的方法：① 人工輸入詞條信息為主、機器操作為輔的方式；② 從印刷版的詞典里獲取詞條并手動錄入的方式；③ 對大規(guī)模文本采用簡單的語言模型和概率統(tǒng)計，并分析有關(guān)詞匯信息的方式。前兩種方法主要是從印刷版文本中獲取信息，利用人工參與的方式去描述詞條信息，已有的很多語言信息庫、語義詞庫和詞典都是利用前兩種方法實現(xiàn)的。但前兩種方法存在明顯缺點：費時、費力、成本高，相較而言，第三種方法更為實用。［2］

在為構(gòu)建詞典收集詞條時，可以采用基于現(xiàn)有詞庫資源的方法、基于語料庫的方法、兩者結(jié)合的方法。［3］①基于現(xiàn)有詞庫資源的方法主要利用現(xiàn)有詞庫資源（如，英文的WordNet、GI，中文的HowNet、同義詞詞林）來進行詞條擴展。Hu 和Liu 選取了一些褒義和貶義的形容詞作為種子集，利用WordNet 的同義詞和反義詞聯(lián)系對種子集進行擴展，建立情感詞典；［4］路斌等利用同義詞詞林中的同義詞詞群，根據(jù)褒貶義種子詞進行擴展，建立情感詞典；［5］張啟宇等利用網(wǎng)絡(luò)詞庫設(shè)置了農(nóng)業(yè)詞匯的詞性編碼，以 MySQL 數(shù)據(jù)庫為例設(shè)計了農(nóng)業(yè)領(lǐng)域?qū)Ｓ玫姆衷~詞典。［6］②基于語料庫的方法是指通過對相關(guān)語料庫進行抽詞獲得詞條信息，從而構(gòu)建詞典。Huang 等使用句法分析和主觀線索字典抽取情感詞，根據(jù)PMI 建立情感詞之間的聯(lián)系圖，并以語言學(xué)規(guī)則以及語料中的并列、轉(zhuǎn)折關(guān)系作為限制條件；［7］孫霞等對領(lǐng)域生語料進行分詞處理，提出了基于切分單元的最大匹配算法得到候選詞串集，并最終生成領(lǐng)域詞典。［8］

經(jīng)過文獻調(diào)研，筆者發(fā)現(xiàn)，面向移動圖書館領(lǐng)域的詞典研究幾乎空白。移動圖書館服務(wù)既包含傳統(tǒng)圖書館服務(wù)的數(shù)字化、信息化，又包含信息化、電子化時代用戶新需求所帶來的新型的圖書館服務(wù)，不斷更新、不斷拓展是移動圖書館服務(wù)的一大特點。移動圖書館用戶在評論語言的表達上具有一定的隨意性，口語化程度高，單一的收集詞條的方法難以保證收詞的全面性與可靠性。因此，本文提出一種移動圖書館詞典構(gòu)建的收詞方法，并構(gòu)建了一部移動圖書館詞典，為后續(xù)移動圖書館用戶評論的分詞研究提供便利。

3 詞典構(gòu)建思路與方法

本研究以機器操作為主、人工判別為輔的方式構(gòu)建移動圖書館詞典，旨在為移動圖書館用戶評論分析提供依據(jù)和基礎(chǔ)。移動圖書館詞典構(gòu)建的詞條收集框架見圖1：①對移動圖書館用戶評論進行切分、詞頻統(tǒng)計，構(gòu)造基礎(chǔ)詞典；②應(yīng)用CiteSpace 分析中國知網(wǎng)期刊數(shù)據(jù)庫中與“移動圖書館”相關(guān)的文章的摘要與關(guān)鍵詞，并將其添加到基礎(chǔ)詞典中；③ 借鑒圖情領(lǐng)域相關(guān)詞典擴展詞條；④ 考慮到用戶評論語言口語化特點，融合輸入法詞庫；⑤基于《同義詞詞林》進行同義詞擴展，保證移動圖書館詞典全面而實用。

圖1 詞條收集框架圖

3.1 基于評論語料的基礎(chǔ)詞庫的構(gòu)建

筆者將結(jié)巴分詞包導(dǎo)入Python 2.7 平臺，并對移動圖書館用戶評論進行分詞及詞頻統(tǒng)計。詞頻分析法利用關(guān)鍵詞或主題詞在領(lǐng)域文獻中出現(xiàn)的頻次來確定該領(lǐng)域的研究熱點和發(fā)展動向，其依據(jù)的基本理論為齊普夫定律（Zip’s law）。［9］依據(jù)關(guān)鍵詞頻次的高低排序，筆者去除專指度低、無法反映出具體研究內(nèi)容的詞（如價值、越來越好等），最終得到符合集中分散“二八定律”的1,431 個關(guān)鍵詞，其中頻次top30 的關(guān)鍵詞樣例見表1。

表1 詞頻統(tǒng)計結(jié)果樣例

3.2 基于“中國知網(wǎng)”語料的詞匯擴展

本文選擇中國知網(wǎng)的中國學(xué)術(shù)期刊網(wǎng)絡(luò)出版總庫為數(shù)據(jù)源，檢索時間截至2018 年12 月31 日。為了保證檢索質(zhì)量，筆者對檢索工作做了要求：① 以“移動圖書館”為中心詞，檢索篇名包括“移動圖書館”“數(shù)字圖書館”“移動信息服務(wù)”“手機圖書館”“掌上圖書館”的文獻；②選擇核心期刊和CSSCI 來源刊里的文獻作研究，其余的不作考慮；③ 將會議通知、簡訊、稿約、征文通知、編者序等不相關(guān)的文獻排除在外。筆者在Note-Express 里建立了題錄，題錄包括年份、標(biāo)題、作者、刊名、關(guān)鍵詞、摘要等字段，題錄里共收錄了4,987 篇相關(guān)文獻。

以CiteSpace Ⅱ為分析工具，將文獻數(shù)據(jù)導(dǎo)入CiteSpaceII 中進行分析，設(shè)置相關(guān)參數(shù)：時間為1998-2018 年；主題詞來源選擇為標(biāo)題（Title）、摘要（Abstract） 和關(guān)鍵詞（Author Keywords），最終得到13,409 個主題詞，其中top20 見表2。

表2 詞頻統(tǒng)計樣例表（部分）

3.3 基于圖情領(lǐng)域已有詞庫的借鑒

國家圖書館的圖書情報紙本詞典收藏全面，可通過各館館藏目錄或聯(lián)合目錄進行檢索。20 世紀(jì)90 年代以來，隨著網(wǎng)絡(luò)和信息技術(shù)的發(fā)展，基于互聯(lián)網(wǎng)開發(fā)的數(shù)字化參考源及其檢索系統(tǒng)有了迅速發(fā)展，圖書情報詞典也如其他參考工具書一樣有了新的發(fā)展平臺，出現(xiàn)了網(wǎng)絡(luò)版，如《圖書情報詞典》（1990 年）、《英漢-漢英文獻信息詞典》（1996 年）、《英漢圖書館學(xué)情報學(xué)詞匯》（2006 年）等。［10］本文借鑒已有的圖書情報相關(guān)詞典和圖書館詞典，在人工大致判別后將其加入基礎(chǔ)詞庫，共收集到18,416 個關(guān)鍵詞。

3.4 網(wǎng)絡(luò)詞語擴展

移動圖書館的用戶評論屬于在線評論，用戶輸入多采用拼音輸入法?？紤]到詞條收集的完整性與全面性，筆者借助網(wǎng)絡(luò)上的詞庫進行詞條擴展。輸入法提供的詞庫都有其固定格式，筆者下載搜狗拼音輸入法、百度輸入法、紫光輸入法等相關(guān)詞庫，并利用深藍詞庫轉(zhuǎn)換工具將其轉(zhuǎn)換成無拼音格式的txt 文件。通過借鑒各輸入法的相關(guān)詞庫，整理合并得到7,152個關(guān)鍵詞，將其加入基礎(chǔ)詞庫。

3.5 基于《同義詞詞林》的詞匯擴展

漢語言博大精深，一詞多義、一義多詞，把名稱不同但表達意思相同的詞條叫做同義詞。哈爾濱工業(yè)大學(xué)信息檢索研究中心同義詞詞林?jǐn)U展版［HIT-CIR Tongyici Cilin（Extended）］ 是一部比較完善的同義詞的參考詞典，共收錄了77,343 條詞語，不僅包括同義詞，還包括同類詞，即廣義的相關(guān)詞。《同義詞詞林》為了明顯區(qū)分每個詞的分類，在每行詞的前邊用編碼標(biāo)記（見圖3）。編碼的第八位有3 種不同的表示符號，分別是：“=”“#”“@”，其中，“=”代表相等且同義，“#”代表不等但同類，“@”代表自我獨立、封閉（該類詞在詞典中既沒有同義詞也沒有相關(guān)詞）。

圖3 《同義詞詞林》樣例

本文中用到的只有同義詞，因此要先對《同義詞詞林》進行篩選整理。從《同義詞詞林》的編碼規(guī)則可以判斷出，只有末尾是“=”組詞是同義詞。

Step1：把整個《同義詞詞林》讀入list，循環(huán)對每個編碼的第八位進行識別，選出第八位為“=”的編碼組放在list_U 中，即list_U 中存放的就是同義詞；

Step2：按空格對list_U 中每個元素進行分詞，存入s_Word［］中，再比對s_Word［］中的詞匯與詞典中已有的詞匯；

Step3：把 Step2 中找到的情感詞與詞典進行比對，除了詞典中已經(jīng)有的詞之外的所有的詞按照：“詞” “屬性” “值”的形式寫入到詞典中。

通過以上流程，筆者篩選出《同義詞詞林（擴展版）》中符合條件的擴展詞匯17,632 個。

最終，在對基礎(chǔ)詞典中的關(guān)鍵詞進行去重處理后，共得到51,930 個關(guān)鍵詞。至此，已完成了移動圖書館詞典的構(gòu)建工作。

4 自定義詞典分詞測評

目前，國內(nèi)移動圖書館主要有兩種形式，一是購買商業(yè)公司的移動圖書館App 服務(wù)，二是自建移動圖書館服務(wù)平臺。受限于圖書館自有的技術(shù)團隊和后期維護水平，國內(nèi)絕大多數(shù)圖書館的移動圖書館服務(wù)以購買為主，因此，用戶評論數(shù)據(jù)也在商業(yè)公司服務(wù)器上，一般很難被公開查詢。2017 年以來，在國內(nèi)某著名商業(yè)公司移動圖書館服務(wù)平臺的支持下，本研究獲取了26,976 條數(shù)據(jù)，筆者隨機抽取1,850 條有效評論作為實驗數(shù)據(jù)進行分詞，分詞結(jié)果的部分樣例見表3。

表3 分詞結(jié)果樣例（部分）

評判分詞效果的指標(biāo)主要包括分詞的正確率和分詞速度。［11,12］移動圖書館詞典和結(jié)巴自帶詞典的分詞效果對比見表4。本文以P 為分詞正確率，N 為參與實驗的用戶評論數(shù)，n 為分詞錯誤的評論數(shù)，定義P=（N-n）/N；人工判別分詞結(jié)果，發(fā)現(xiàn)有17 條用戶評論分詞錯誤，分詞準(zhǔn)確率為P=94.08%。在時間性能上，使用結(jié)巴自帶詞典耗時6 秒01，使用自定義專屬詞典耗時1 秒77，顯然使用自定義專屬詞典更高效。

表4 分詞效果對比

在分詞合理性上，使用自定義專屬詞典明顯優(yōu)于結(jié)巴自帶詞典。由表5 可以看出，結(jié)巴自帶詞典分詞對于很多雙字詞識別不了，如“連接”“平臺”“及時”“字體”“改進”等，所以只能拆分成單字詞，而使用自定義專屬詞典則可大大減少此類分詞錯誤。

表5 分詞合理性對比（部分）

自定義詞典并不能實現(xiàn)100%的正確率。人工判別分詞結(jié)果時，發(fā)現(xiàn)有一些詞結(jié)巴自帶詞典和自定義詞典均不能識別，一共有17 條用戶評論出現(xiàn)錯誤（見表6），如“學(xué)號”“予人方便”“觸控系統(tǒng)”“越辦越好”“音量鍵”等?？梢姡远x詞典還有很大的改進完善空間。

表6 分詞錯誤樣例（部分）

綜上，將自定義的移動圖書館詞典運用到移動圖書館用戶評論分詞中，其準(zhǔn)確率、合理性和時間性能得到了明顯提升，可見本文一系列收集詞條的方法構(gòu)建出的移動圖書館詞典具有較高的可靠性與有效性。