面向信息處理的突發(fā)事件語料庫分類體系研究

楊麗英 雷勇

山西大學(xué)商務(wù)學(xué)院信息學(xué)院 山西 030031

0 引言

隨著互聯(lián)網(wǎng)的高速發(fā)展，Web已經(jīng)成為最重要的新聞媒體之一。通過瀏覽Web新聞，人們能夠在很短的時(shí)間內(nèi)了解來自不同國家和地區(qū)近期所發(fā)生的各類事件。而在眾多新聞當(dāng)中，那些難以準(zhǔn)確預(yù)測(cè)而突然爆發(fā)的，對(duì)國家和社會(huì)產(chǎn)生重大影響的突發(fā)事件新聞是人們普遍關(guān)心的焦點(diǎn)。為了滿足各級(jí)政府和社會(huì)的需求，有必要對(duì)突發(fā)事件新聞做系統(tǒng)的研究分析和信息處理。而這項(xiàng)研究首要任務(wù)是建立突發(fā)事件新聞?wù)Z料庫，并對(duì)其進(jìn)行信息加工，如突發(fā)事件新聞分類和編號(hào)等。

1 突發(fā)事件新聞?wù)Z料庫的建設(shè)

1.1 建設(shè)突發(fā)事件新聞?wù)Z料庫的意義

突發(fā)事件新聞?wù)Z料庫的建立是適應(yīng)信息化建設(shè)的需求。第一，通過該語料庫可以盡早地、準(zhǔn)確地、全面地掌握國內(nèi)外各種突發(fā)事件的發(fā)生情況和發(fā)展趨勢(shì)，為國家和各級(jí)地方政府有關(guān)部門及時(shí)采取應(yīng)急措施和制定防范計(jì)劃等提供科學(xué)決策依據(jù)；第二，對(duì)醫(yī)學(xué)研究疾病及其分布規(guī)律和影響因素提供實(shí)例資源；第三，為語言學(xué)關(guān)于突發(fā)事件新聞的語言研究提供語料資源。

1.2 語料來源

Web新聞是利用萬維網(wǎng)技術(shù)，采用網(wǎng)頁的方式進(jìn)行新聞發(fā)布的網(wǎng)絡(luò)新聞業(yè)務(wù)，是傳統(tǒng)新聞業(yè)務(wù)的一種延伸，但它比傳統(tǒng)的新聞發(fā)布方式有著更強(qiáng)的時(shí)間觀，更能體現(xiàn)出新聞的紀(jì)實(shí)性。突發(fā)事件的突發(fā)性、偶然性和不可預(yù)料性，使得新聞網(wǎng)頁比其他媒體有著更快反應(yīng)的優(yōu)勢(shì)。所以，互聯(lián)網(wǎng)是收集突發(fā)事件新聞的最好來源。

1.3 語料庫的加工

語料庫的加工主要包括四部分：語料的人工分類，文本格式處理，語料編號(hào)，以及分詞與詞性標(biāo)注。本文主要介紹人工分類和語料編號(hào)兩部分。

2 現(xiàn)有的突發(fā)事件分類體系

目前，對(duì)突發(fā)事件的分類主要有以下兩種。

2.1 《國家突發(fā)公共事件總體應(yīng)急預(yù)案》中關(guān)于突發(fā)事件的分類

國務(wù)院頒布預(yù)案的目的是提高政府保障公共安全和處置突發(fā)公共事件的能力。 根據(jù)突發(fā)公共事件的發(fā)生過程、性質(zhì)和機(jī)理，突發(fā)公共事件主要分為以下四類：

(1) 自然災(zāi)害。主要包括水旱災(zāi)害，氣象災(zāi)害，地震災(zāi)害，地質(zhì)災(zāi)害，海洋災(zāi)害，生物災(zāi)害和森林草原火災(zāi)等。

(2) 事故災(zāi)難。主要包括工礦商貿(mào)等企業(yè)的各類安全事故，交通運(yùn)輸事故，公共設(shè)施和設(shè)備事故，環(huán)境污染和生態(tài)破壞事件等。

(3) 公共衛(wèi)生事件。主要包括傳染病疫情，群體性不明原因疾病，食品安全和職業(yè)危害，動(dòng)物疫情，以及其他嚴(yán)重影響公眾健康和生命安全的事件。

(4) 社會(huì)安全事件。主要包括恐怖襲擊事件，經(jīng)濟(jì)安全事件和涉外突發(fā)事件等。

各類突發(fā)公共事件按照其性質(zhì)、嚴(yán)重程度、可控性和影響范圍等因素，一般分為四級(jí)：Ⅰ級(jí)(特別重大)、Ⅱ級(jí)(重大)、Ⅲ級(jí)(較大)和Ⅳ級(jí)(一般)。

2.2 《突發(fā)流行病學(xué)》中對(duì)突發(fā)事件的分類

突發(fā)事件流行病學(xué)是研究突發(fā)事件的原因、發(fā)生、發(fā)展及其后果和應(yīng)對(duì)方法的一門學(xué)科。突發(fā)事件可以有多種分類方法，目前最常用的是按照原因和性質(zhì)分類，將其分成自然災(zāi)害、人為事故和疾病爆發(fā)三大類。

(1) 自然災(zāi)害(natural disaster)。主要包括氣象災(zāi)害，海洋災(zāi)害，洪水災(zāi)害，地質(zhì)災(zāi)害，地震災(zāi)害，農(nóng)業(yè)生物災(zāi)害，森林災(zāi)害，宇宙災(zāi)害。

(2) 人為事故(accident)。 主要包括戰(zhàn)爭(zhēng)和暴力，恐怖活動(dòng)，重大交通事故，嚴(yán)重火災(zāi)，意外爆炸，群體中毒，急性化學(xué)事故，放射事故，其他事故。

(3) 疾病爆發(fā)(outbreak)。 主要包括腸道傳染病，呼吸道傳染病，蟲媒傳染病，自然疫源性疾病，性傳播疾病等。

突發(fā)事件還可按其規(guī)模大小和嚴(yán)重程度分為：一般性突發(fā)事件、重大突發(fā)事件和特大突發(fā)事件。此外，也可以按發(fā)生地點(diǎn)、發(fā)生時(shí)間和事件的后果對(duì)突發(fā)事件進(jìn)行分類。

3 突發(fā)事件新聞?wù)Z料分類體系研究

根據(jù)新聞報(bào)道的特點(diǎn)和突發(fā)事件新聞?wù)Z料庫的基本功能，本文提出以下一些分類原則。

3.1 分類原則

(1) 主題分類與實(shí)際情況相結(jié)合

由于新聞報(bào)道的特點(diǎn)和實(shí)際新聞工作的需要，按主題進(jìn)行分類也能滿足用戶希望在一個(gè)主題或?qū)ｎ}下查全相關(guān)信息的需求。因而，本文二級(jí)類目按照主題或?qū)ｎ}內(nèi)容確定類目，這不僅直觀與實(shí)用，也更能保證這些主要類目在較長時(shí)期內(nèi)的穩(wěn)定性?？紤]到有些突發(fā)事件新聞信息量大，且是人們的關(guān)注熱點(diǎn)，可以對(duì)其類目進(jìn)行提升。

(2) 求大同存小異

分類層次在三級(jí)以上的類目應(yīng)最大程度的統(tǒng)一，這有利于自動(dòng)標(biāo)引的標(biāo)準(zhǔn)化與網(wǎng)絡(luò)分類瀏覽檢索的資源共享。三級(jí)以下類目，特別是專業(yè)性太強(qiáng)的小類，有些確實(shí)是難在最大層面上作到統(tǒng)一的，只要大類得到統(tǒng)一，采用主題詞就可以較好地解決這一問題。這種求大同(1－2級(jí)類目高度統(tǒng)一)存小異的原則，可以保證突發(fā)事件新聞分類法的實(shí)用性與可推廣性。

(3) 用語規(guī)范性與靈活性相結(jié)合

在力求達(dá)到準(zhǔn)確性與通用性的前提下，充分考慮到突發(fā)事件新聞信息的特點(diǎn)。對(duì)一級(jí)和二級(jí)類目的命名，基本上參考了國務(wù)院的類名，力求科學(xué)規(guī)范。但由于新聞報(bào)道的特點(diǎn)是綜合性強(qiáng)、時(shí)效性強(qiáng)，不斷有新事物、新名稱出現(xiàn)，變化性大，所以在類名的命名時(shí)也采取了相應(yīng)的靈活處理原則。例如，三級(jí)及三級(jí)以下關(guān)鍵詞語有些則采用了自然語言或習(xí)慣用語(即新聞?wù)Z言)作為類名，但力求選用能夠被廣泛認(rèn)可和語意明了的詞。

(4) 具有層次性和可擴(kuò)展性

突發(fā)事件的突發(fā)性和偶然性本身就需要我們?cè)诨敬箢惐３植蛔兊那疤嵯?，可?duì)相應(yīng)類目進(jìn)行擴(kuò)充。分類體系擬采用三層結(jié)構(gòu)，其中的二級(jí)類目、三級(jí)類目以及主題詞都具有可擴(kuò)充性。

3.2 突發(fā)事件新聞?wù)Z料分類體系

根據(jù)以上分類原則提出的突發(fā)事件新聞?wù)Z料分類體系包括3個(gè)層次，其中一級(jí)4類，二級(jí)33類，三級(jí)94類。下面給出了一、二級(jí)類別及其編碼，三級(jí)編碼種類多，不列出：

(1) 自然災(zāi)害類N(Natural disaster)：

01 水旱災(zāi)害 02 氣象災(zāi)害

03地震災(zāi)害 04地質(zhì)災(zāi)害

05海洋災(zāi)害 06生物災(zāi)害

07森林草原火災(zāi) 08宇宙災(zāi)害

(2) 事故災(zāi)難類A(Accident)：

01戰(zhàn)爭(zhēng)和暴力

02工礦商貿(mào)安全事故

03交通運(yùn)輸安全事故

04城市生命線事故

05通訊安全事故

06環(huán)境污染和生態(tài)破壞

07嚴(yán)重火災(zāi)

08中毒事件

09急性化學(xué)事故

(3) 公共衛(wèi)生事件P(public health)：

01傳染病疫情

02群體性不明原因疾病

03食品安全和職業(yè)危害

04動(dòng)物疫情

05其他嚴(yán)重影響公眾健康和生命安全的事件

(4) 社會(huì)安全事件S(social safety)：

01恐怖襲擊事件

02重大刑事案件00

03經(jīng)濟(jì)安全事件 00

04涉外突發(fā)事件00

05規(guī)模較大的群體性事件

06民族宗教

07反政府和反社會(huì)主義

3.3 突發(fā)事件新聞?wù)Z料編號(hào)

編碼是對(duì)新聞信息進(jìn)行分類標(biāo)引和檢索的工具，是分類法的表現(xiàn)形式。一般是將同一主題從大類到小類，按照邏輯系統(tǒng)逐級(jí)展開。突發(fā)事件新聞?wù)Z料的編碼從新聞和語料庫兩方面入手，參考了《中文新聞信息分類及代碼》和人民日?qǐng)?bào)語料庫編碼規(guī)則，根據(jù)實(shí)際檢索進(jìn)行了編碼。

(1) 類目代碼

一級(jí)類目代碼用每類事件英文首字母表示。二級(jí)和三級(jí)類目采用十進(jìn)分類法，每一級(jí)類目用兩位阿拉伯?dāng)?shù)字表示(01-99)。無三級(jí)目錄的類目用“00”表示。

(2) 語料編碼

采用突發(fā)事件發(fā)生日期+文檔編號(hào)。日期用8位表示，年用4位，月和日都用2位表示。文檔編號(hào)為3位(000—999)。

一篇新聞的完整編碼為：類目編碼+新聞編碼， 全部代碼共16位，具體如下：

一級(jí)分類號(hào)(1位字母)+二級(jí)分類號(hào)(2位數(shù)字)+三級(jí)分類

號(hào)(2位數(shù)字)+日期編號(hào)(8位數(shù)字)+文檔編號(hào)(3位數(shù)字)。

(3) 實(shí)例說明

例如：編號(hào)為A070120101115000的新聞?wù)Z料的解析如表1所示。它表示事故災(zāi)難類中的第7類嚴(yán)重火災(zāi)中住宅區(qū)火災(zāi)，報(bào)道時(shí)間是2010年11月15日，文檔編號(hào)000表示在此類中對(duì)此事件的第一篇新聞報(bào)道。

表1 語料編碼方案解析示例

4 結(jié)束語

本文在建立突發(fā)事件語料庫的過程中，對(duì)語料進(jìn)行了初級(jí)加工，對(duì)突發(fā)事件新聞分類體系進(jìn)行了詳細(xì)的研究。由于突發(fā)事件本身的不確定性，使得對(duì)突發(fā)事件的分類存在一定的困難，需要根據(jù)實(shí)際情況不斷地?cái)U(kuò)充和完善。

[1] http：//www.gov.cn.

[2] 李立明. 流行病學(xué)(第4版).北京：人民衛(wèi)生出版社.1999.

[3] 周文.基于應(yīng)對(duì)視角的突發(fā)公共事件分類[J].商場(chǎng)現(xiàn)代化.2011.

[4] 張玲玲,李鼎鑫.重大突發(fā)事件新聞報(bào)道的分類及特點(diǎn)[J].華北科技學(xué)院學(xué)報(bào).2009.

[5] http：//news.xinhuanet.com.

[6] 俞士汶,段慧明,朱學(xué)峰等.規(guī)范[J].中文信息學(xué)報(bào).北京大學(xué)現(xiàn)代漢語語料庫基本加工. 2002.

[7] 袁辛奮,胡子林.淺析突發(fā)事件的特征.分類及意義[J].科技與管理.2005.

[8] 孫香勤.國內(nèi)外重大突發(fā)事件管理模式分析[J].交通企業(yè)管理.2005.