穆婉青，廖 健，王素格,2

(1.山西大學(xué) 計算機與信息技術(shù)學(xué)院，山西 太原 030006；2.山西大學(xué) 計算智能與中文信息處理教育部重點實驗室，山西 太原 030006)

0　引言

修辭格[1]是通過修飾、調(diào)整語句，運用特定的表達形式以提高語言表達作用的方式和方法。在文學(xué)類文本中恰當?shù)厥褂眯揶o，可使語言表達更加準確、生動，富有感染力。在眾多修辭格中，排比作為一種使用頻率較高的修辭格，受到了語言學(xué)家的廣泛關(guān)注。典型的排比句[2-3]一般由三至五項組成，排比項[4]之間內(nèi)容相關(guān)[5]、結(jié)構(gòu)相似，詞匯之間相互呼應(yīng)，增強了文章的語篇連貫性，使行文豐滿有力[6]，廣泛地應(yīng)用在政論、藝術(shù)[7]等語體中，在近十年的高考語文鑒賞題中也多有考察，以2016年北京市高考語文卷第24題為例：

問題：文章第四段運用了多種手法，表達了作者對老腔的感受。請結(jié)合具體語句加以賞析。

部分參考答案：排比?！斑@是……”、“抑或是……”、“也像是……”等句子使用了排比的手法，多角度表現(xiàn)老腔不同的腔調(diào)，充分表現(xiàn)老腔藝術(shù)魅力和我對老腔的沉迷。

若能自動識別文學(xué)類文本中的排比句，不僅可求解閱讀理解部分的鑒賞類問題，還可以進一步挖掘文本中的隱式情感，為計算機對文本的思想感情、語言風格等方面的自動賞析奠定基礎(chǔ)。

排比句具有特征突出、節(jié)奏感強[5]、增強文章的表達效果的作用，引起不少語言學(xué)家的關(guān)注。高婉瑜[8]對對偶和排比兩種辭格進行了詳細的對比分析，認為二者僅在語法結(jié)構(gòu)和語義上具有相似點，而在平仄相對、字面重復(fù)度等特征上不具有一致性。葉定國等人[9]對中文的對偶、排比辭格與英語的Antithesis、Parallelism辭格進行了分析對比，發(fā)現(xiàn)中文和英文的辭格并非完全對應(yīng)，Antithesis和Parallelism有包孕關(guān)系，而對偶和排比卻相互獨立，具有不同的語用功能。呂敬華[10]以《大堰河——我的保姆》為例，分析了排比在其中的藝術(shù)特色，認為使用排比使文章更有纏綿的韻味。何佳利[11]以《蝸居》的經(jīng)典臺詞為例，研究了排比句在影視作品中的作用，認為使用排比增強了語言氣勢，更好地表達了人物的思想感情。皮晨曦[7]研究了排比辭格在政論和藝術(shù)兩種語體中的差異，認為排比在政論語體中常用來舉例說明，而在藝術(shù)語體中常用來抒發(fā)情感。張璐璐[12]分析了排比句在微博中的使用情況，認為使用排比使語言的表達更有感染力，并根據(jù)排比項的不同，將排比分為成分排比、分句排比、單句排比。張曉[13]從結(jié)構(gòu)、詞語重復(fù)度、排比項的數(shù)量出發(fā)對排比進行了再分類。上述文獻僅僅從語言學(xué)層面對排比句進行了研究分析，而在自動識別方面的研究較少。梁社會等人[14]對《孟子》《論語》中的排比句進行分析，聯(lián)系排比句的結(jié)構(gòu)、詞語重復(fù)等特點設(shè)計了相應(yīng)的排比句自動識別算法。該算法填補了對古漢語排比句自動識別的空白，但由于其只考慮了排比句結(jié)構(gòu)類似和詞語重復(fù)的表層特點，忽略了語義信息，且對語料本身有較高的依賴性，無法應(yīng)用到現(xiàn)代漢語的語料中。

近年來，文本表示和句子分類方面的研究工作一直開展得如火如荼。相比之前經(jīng)典的布爾模型和向量空間模型等文本表示模型，Word2Vec[15-17]可以利用上下文語義信息對詞語進行分布式表示，基本思想是通過Skip-gram和Continuous Bag of Words(CBOW)模型將每個詞映射成n維特征向量，通過詞向量之間的距離獲取詞語之間的語義相似度，將其應(yīng)用到文本的聚類、分類等自然語言處理領(lǐng)域的研究工作中。卷積神經(jīng)網(wǎng)絡(luò)[18-19](convolutional neural network，CNN)是一種前饋神經(jīng)網(wǎng)絡(luò)，由輸入層、卷積層、池化層、全連接層、輸出層組成，由于其良好的自學(xué)習能力和泛化能力，在短文本的表示和句子分類上也取得了一系列進展。Kim等人[20]在預(yù)訓(xùn)練好的詞向量的基礎(chǔ)上，構(gòu)造了一個雙通道的CNN模型解決句子級別的分類問題，并取得了較好的效果。Kalchbrenner等人[21]提出了一種使用動態(tài)pooling方法的dynamic convolutional neural network(DCNN)模型對句子語義進行建模，該模型在一定程度上保留了詞序信息。Hu等人[22]也在CNN的基礎(chǔ)上提出了一種解決句子建模的網(wǎng)絡(luò)結(jié)構(gòu)，主要用于解決句子匹配的問題。

本文依據(jù)排比句的定義[2-5]，概括了排比句的三個特點：(1)至少由三條相互銜接的排比項組成；(2)各排比項之間具有語義相關(guān)性；(3)各排比項之間具有結(jié)構(gòu)相似性。例如，下面的兩個排比句：

例1：燭光柔，月光靜，電光更靜，正如做事迅速的人，來去無聲。

例2：一粒種子，可以無聲無息地在泥土里腐爛掉，也可以長成參天的大樹；一塊鈾塊，可以平庸無奇地在石頭里沉睡下去，也可以產(chǎn)生驚天動地的力量；一個人，可以碌碌無為地在世上廝混日子，也可以讓生命發(fā)出耀眼的光芒。

為了識別具有上述三個特點的排比句，本文結(jié)合文本的內(nèi)容和結(jié)構(gòu)，設(shè)計了基于CNN和結(jié)構(gòu)相似度計算融合的排比識別方法，該方法不僅可以用于識別排比修辭，還可以為其他修辭格的自動識別、衡量文本的相似度、解答鑒賞類等問題提供參考。

1　排比句自動識別方法

對于排比句的自動識別，首先對一個句子進行結(jié)構(gòu)化表示，然后對其是否為排比句進行判斷。根據(jù)排比句中的排比項具有內(nèi)容相關(guān)、結(jié)構(gòu)相似的特點，本文以文本的詞性、詞語作為基本特征，同時考慮文本內(nèi)部的語義相關(guān)性和結(jié)構(gòu)相似性，設(shè)計了基于CNN和結(jié)構(gòu)相似度計算的排比句融合識別方法。設(shè)P1、P2分別為利用CNN模型和結(jié)構(gòu)相似度計算得到的該句子為排比句的概率，PY是由P1和P2共同作用決定的排比句的最終概率，模型的框架如圖1所示。

圖1　融合CNN和結(jié)構(gòu)相似度計算的排比句識別框架圖

圖1中對文本進行分詞等預(yù)處理操作后，以詞語、詞性為特征對文本內(nèi)容進行分布式[23-25]表示，在此基礎(chǔ)上，利用CNN對文本進行分類求得P1，利用LCS算法計算結(jié)構(gòu)相似度求得P2，最終對P1、P2進行加權(quán)求和得到PY?；贑NN排比句識別和基于結(jié)構(gòu)相似度計算排比句識別的詳細介紹見第1.1節(jié)和1.2節(jié)。

1.1　基于CNN的排比句識別

(1) 融合詞語信息和詞性信息的句子表示

由于文檔中的句子是非結(jié)構(gòu)化數(shù)據(jù)，需要將其轉(zhuǎn)換成計算機可識別的結(jié)構(gòu)化數(shù)據(jù)。Word2Vec是利用詞語的上下文信息映射到K維向量空間上的一種方法，它可使詞語的語義表示信息更加豐富。本文利用Word2Vec對大規(guī)模的數(shù)據(jù)進行訓(xùn)練獲得詞的分布式表示，在此基礎(chǔ)上，加入句子的詞性信息對句子進行表示。

設(shè)一個句子S=(word1,word2,…,wordn)，由n個詞構(gòu)成，其中第i個詞wordi的詞性為posi。利用Word2Vec模型對大規(guī)模的散文數(shù)據(jù)進行訓(xùn)練后，wordi可以生成kw維的向量xwi?？紤]到排比句具有結(jié)構(gòu)相似的特點，本文視詞性信息為淺層結(jié)構(gòu)信息的刻畫，將詞語信息與詞性信息共同作用對句子進行表示。假設(shè)現(xiàn)有的詞類集為C，對|C|中每一個詞類posi(i=1,2,…,|C|)進行編碼，隨機產(chǎn)生互不相同的維度為kp的向量xpi。對于每個詞語與詞性對(i=1,2,…,n)的聯(lián)合表示，采用拼接技術(shù)生成一個k維的特征向量Xi(i=1,2,…,n)，這樣融合了詞語和詞性兩類信息特征的的表示見式(1)。

(1)

這里Xi為句子S中生成的特征向量，向量維度k=kw+kp，其中，kw為詞向量維度，kp為詞性向量維度。對于未出現(xiàn)在Word2Vec詞表中的詞語，其向量xwi中的分量均以小于正整數(shù)θ的隨機數(shù)進行填充。

設(shè)句子S表示的向量矩陣為Senkn，融合語義信息和詞序信息的句子S可由n個Xi(i=1,2,…,n)進行拼接，其表示形式見式(2)。

(2)

(2) 基于多個卷積核的CNN的排比句識別

CNN是一種前饋式神經(jīng)網(wǎng)絡(luò)，它利用反向傳播算法對網(wǎng)絡(luò)結(jié)構(gòu)進行優(yōu)化，對網(wǎng)絡(luò)中的未知參數(shù)進行估計，常用于處理圖像和時間序列等二維網(wǎng)格結(jié)構(gòu)數(shù)據(jù)，容錯能力強，運行速度快，具有較強的自適應(yīng)能力，近期在句子表示和句子分類方面也獲得不錯的結(jié)果。本文利用大小不同的卷積窗口進行卷積操作，對獲取的特征集合利用最大池化方法進行池化，為了防止訓(xùn)練樣本過少造成的過擬合問題，在全連接層部分使用了Dropout技術(shù)，即以一定的概率暫時丟棄網(wǎng)絡(luò)中的部分參數(shù)，將池化后獲得的向量經(jīng)過全連接層后，連接到Softmax層，最終獲得該句子為排比句的概率。

基于CNN排比句識別算法：

輸入：句子S的表示Senkn；

Step2利用t(1≤t≤n)個卷積核分別對Senkn進行卷積操作，可獲得t個特征集合Fc1,Fc2,…,Fct。

Step5將FW最終連接到Softmax分類器，輸出S為排比句的概率P1；

Step6當P1>Φ1時，則句子S為排比句。

1.2　基于結(jié)構(gòu)相似度計算的排比句識別

最長公共子序列(longest common subsequence,LCS)[26]算法可計算出兩個或多個序列中最長的公共子序列，該子序列中的元素在原序列中不一定是連續(xù)的，但是前后順序不發(fā)生改變，廣泛地用于計算圖形、文字之間的相似度。本文依據(jù)LCS算法的特性，在句子詞性串的基礎(chǔ)上，利用該算法對句子的結(jié)構(gòu)相似度進行度量。

由于排比句各排比項之間具有結(jié)構(gòu)相似性的特點，本文以逗號和分號作為分隔符對句子進行分句，以連續(xù)的三個分句為一個分句單元，對各分句分詞后生成詞性串。在此基礎(chǔ)上，利用LCS算法計算出兩兩分句之間的最長公共子序列；再利用相似度計算公式計算分句單元內(nèi)的兩兩分句間結(jié)構(gòu)相似度，并對其求平均值。最終將所有分句單元中句子間相似度平均值最高的認為是排比句。

設(shè)一個句子S=(s1,s2,…,st)由t(t>2)個分句組成，第i(i∈{1,…,t})個分句si的詞性串序列為pi，len(pi)為pi的詞性串長度，分句si和分句sj(j∈{1,…,t})的公共詞性串為pij、結(jié)構(gòu)相似度值為ssij，sim(si,sj)為相似度函數(shù)。假設(shè)連續(xù)的三個分句為一個分句單元，則第k(k∈{1,…,t-2})個分句單元SCK內(nèi)為ak，所有分句單元中句子間相似度平均值最大為amax、SCK={sk,sk+1,sk+2}。

基于結(jié)構(gòu)相似度計算的排比句識別算法(SSC)：

輸入：句子S中的分句單元SC1,SC2,…,SCt-2;

Step1對每一個單元SCK，執(zhí)行Step1.1-Step1.3

Step1.1計算兩分句si、sj之間共同的詞性串pij=h(si,sj)=lcs(pi,pj)；

Step1.2計算分句si、sj結(jié)構(gòu)相似度值[26]

ssij=sim(si,sj)=(2×len(pij))/(len(pi)+len(pj))；

Step3當amax>Φ2時，則句子S為排比句。

1.3　基于CNN和結(jié)構(gòu)相似度計算的融合

排比句具有語義相關(guān)性、結(jié)構(gòu)相似性的特點。由于CNN考慮了文本的語義信息，而SSC算法考慮了文本的結(jié)構(gòu)信息，因此，將兩者的結(jié)果進行融合，用于判別一個句子是否為排比句。為了融合結(jié)構(gòu)信息，將第1.2節(jié)中獲得的分句單元中最大平均相似度值amax視作該句子為排比句的概率P2=amax。設(shè)α為權(quán)重，利用1.1節(jié)求得的概率P1，判斷句子S是否為排比句的最終概率為PY=αP1+(1-α)P2，這里的α是依據(jù)排比句的標簽信息確定的最優(yōu)值，當PY>Φ3時，則句子S為排比句。

2　實驗及分析

2.1　數(shù)據(jù)集及評價指標

實驗數(shù)據(jù)來源于高中語文課文、全國歷年語文高考題的散文文本、查字典網(wǎng)(https：//www.chazidian.com/)和散文吧網(wǎng)站(https：//www.sanwen8.cn/)，經(jīng)過人工標注的排比句2 000條，非排比句2 000條，共計4 000條，其中非排比句來源于排比句的上下文。為了訓(xùn)練Word2Vec模型，采用1946—2006年近3.5GB的《人民日報》語料、散文吧網(wǎng)站上獲取的散文71 460篇、全國歷年語文高考題的散文文本184篇。所有的實驗數(shù)據(jù)均經(jīng)過去噪、去重、分詞等預(yù)處理操作。

實驗結(jié)果采用的評價指標為精確率(precision)、召回率(recall)、F1值和正確率(accuracy)。

2.2　參數(shù)設(shè)置

使用第1.1節(jié)CNN模型對排比句識別時，訓(xùn)練過程中參數(shù)的更新采用隨機梯度下降方法。通過多次實驗，選取性能最優(yōu)參數(shù)如下：kw=200，kp=200，t=3，C1、C2、C3的卷積窗口大小分別為300×3、300×4、300×5，學(xué)習率為0.01，dropout的概率為0.5，Φ1=0.5，Φ2=0.65，Φ3=0.6，α=0.3。

實驗結(jié)果均采用五折交叉驗證，即每次取全部數(shù)據(jù)的80%為訓(xùn)練集，其余20%為測試集，各評價指標均重復(fù)五次實驗取平均值。

2.3　實驗結(jié)果及分析

實驗1不同權(quán)重α下融合CNN和SSC的排比句識別結(jié)果

為了分析權(quán)重α對第1.3節(jié)提出的融合CNN和SSC方法判別排比句的影響，本實驗選取α∈{0.1,0.2,…,0.8,0.9}，進行了九組對比實驗，實驗結(jié)果如圖2所示，其中，橫坐標為權(quán)重α的取值，縱坐標為實驗結(jié)果。

由圖2可看出：隨著α的變化，各評價指標均有所波動，說明內(nèi)容和結(jié)構(gòu)對于排比句識別均有一定的影響。當α值為0.3時，F(xiàn)1值和accuracy取得了最優(yōu)結(jié)果，說明結(jié)構(gòu)相似度(SSC方法)在排比句識別中起著重要的作用。在后續(xù)實驗中均選取α=0.3。

實驗2不同特征、分類方法進行排比句識別比較

為了驗證本文提出方法的有效性，我們設(shè)置了如下對比實驗：

SVM[w]：以wordi為特征的基于SVM分類器的排比句識別；

SVM[pos]：以posi為特征的基于SVM分類器的排比句識別；

SVM[w+pos]：以wordi和posi為特征的基于SVM分類器的排比句識別；

CNN[w]：僅以wordi為輸入特征，利用1.1節(jié)提出的基于CNN的排比句識別方法；

CNN[pos]：僅以posi為輸入特征，利用1.1節(jié)提出的基于CNN的排比句識別方法；

CNN[w+pos]：利用1.1節(jié)提出的基于CNN的排比句識別方法；

圖2　不同權(quán)重α下融合CNN和SSC的排比句識別結(jié)果

SSC[w]：利用1.2節(jié)基于SSC的排比句識別方法，僅以wordi為輸入特征，且令sim(si,sj)為cosine相似度simcos(si,sj)，計算內(nèi)容相似度；

SSC [pos]：利用1.2節(jié)基于結(jié)構(gòu)相似度計算的排比句識別方法；

SSC [w+pos]：利用1.2節(jié)基于結(jié)構(gòu)相似度計算的排比句識別方法，以wordi和posi為輸入特征，且令sim(si,sj)=βsimlcs(si,sj)+(1-β)simcos(si,sj)，計算內(nèi)容相似度和結(jié)構(gòu)相似度，其中β取最優(yōu)值為0.6。

CNN[w+pos]+ SSC [pos]：利用本文第1.3節(jié)提出的排比句識別方法。

各分類方法的實驗結(jié)果如表1所示。

表1　各類排比句識別方法的實驗結(jié)果比較

由表1可以看出：

(1) 從分類器的角度，在三種不同的特征表示下，三種分類方法識別排比句的結(jié)果分別為SVM[w]

(2) 對于CNN算法，在precision、F1和accuracy 三種評價指標下，CNN[pos]

(3) 對于SSC算法，在precision、recall、F1和accuracy四種評價指標下，SSC[w]

(4) 從綜合詞語與詞性作為特征的角度，SVM[w+pos]

(5) 從方法融合的角度，CNN[w+pos]+SSC[pos]在所有方法中識別排比句的效果最好，說明融合后的方法充分地考慮了句子的內(nèi)容相關(guān)性和結(jié)構(gòu)相似信息。

對于引言中例1和例2，CNN[w+pos]、SSC[pos]、CNN[w+pos]+SSC[pos]的概率如表2所示。

表2　方法融合前后的概率值對比

由表2可知，例1中使用SSC[pos] 得到排比句的概率值為0.53，判斷為非排比句。例2中使用CNN[w+pos]得到的概率值為0.34，也判斷為非排比句。然而，兩個例子若使用融合后的方法，其概率值分別為0.63和0.69，均可正確地判斷為排比句。由此，對于排比句來說，有些句子側(cè)重結(jié)構(gòu)上的相似，有些句子側(cè)重語義上的相關(guān)，將兩個方法融合是必要的。

實驗3CNN[w+pos]+SSC[pos]在高考鑒賞題中的應(yīng)用實驗

將本文所提的方法應(yīng)用在高考題解答中，選取2017、2016和2007年北京高考題中文學(xué)類閱讀材料進行排比句識別，獲得排比句識別的概率如表3所示。

表3　文學(xué)類文本中排比句識別的概率值

由表3可看出，三個例句的概率值均大于Φ3，說明對排比句識別均正確，由此可知本文提出的方法可以有效地對排比句進行識別，進而為高考閱讀理解部分的鑒賞題解答和文本的自動賞析服務(wù)。

3　總結(jié)

本文針對文學(xué)類文本中的排比句，依據(jù)其內(nèi)容相關(guān)、結(jié)構(gòu)相似的特點，設(shè)計了融合CNN和結(jié)構(gòu)相似度計算的排比句識別方法，并與其他方法做了比較實驗。針對高考題內(nèi)的文學(xué)類閱讀理解的問題，將本文所提方法應(yīng)用到閱讀材料中的排比句識別中，取得了不錯的效果，從而進一步證明了本文所提出的方法和特征選擇的有效性。但本文仍有不足，例如數(shù)據(jù)量較小，沒有在政論、新聞等其他語體上進行對比實驗。今后的工作可以考慮如何更好地將文本的結(jié)構(gòu)相似性信息嵌入到CNN的輸入層中，并將其應(yīng)用到更為廣泛的語體語料之中。

備注：為了便于更多的研究者開展排比句識別方面的研究，我們將本文所用的數(shù)據(jù)共享到山西大學(xué)文本情感分析技術(shù)資源開放與服務(wù)平臺(http：//115.24.12.5/)。

[1]張宗正.修辭格位、修辭格變體和修辭格作品——關(guān)于修辭格本質(zhì)即同一性的再思考[J].修辭學(xué)習,2003,(2)：24-25.

[2]李勝梅.排比的篇章特點[J].南昌大學(xué)學(xué)報(人文社會科學(xué)版),2005,36(5)：127-133.

[3]陳永敬.排比的構(gòu)成特征及排比項數(shù)限制的心理機制[D].武漢：華中師范大學(xué),2008.

[4]夏麗芳.排比的語篇銜接功能[J].牡丹江教育學(xué)院學(xué)報,2008(1)：51-52，85.

[5]范俊.排比的語用修辭研究[D].重慶：四川外國語大學(xué),2013.

[6]聶仁海.排比辭格：語言本質(zhì)的典型體現(xiàn)[J].現(xiàn)代企業(yè)教育,2006(9)：160-161.

[7]皮晨曦.政論語體與藝術(shù)語體排比差異研究[D].廣州：暨南大學(xué),2011.

[8]高婉瑜.談對偶與排比[J].修辭學(xué)習,2008(5)：58-60.

[9]葉定國.Parallelism與對偶、排比[J].外語與外語教學(xué),1999(2)：53-55.

[10]呂敬華.排比和反復(fù)的妙用[J].長沙電力學(xué)院學(xué)報(社會科學(xué)版),2000,15(2)：96-98.

[11]何佳利.《蝸居》比喻和排比辭格探析[J].大眾文藝,2011(4)：125-126.

[12]張璐璐.淺析微博語言中的排比修辭格[J].青春歲月,2012(24)：120-121.

[13]張曉.排比的再探討[J].昭烏達蒙族師專學(xué)報(漢文哲學(xué)社會科學(xué)版),2004,25(8)：17-18，11.

[14]梁社會,陳小荷,劉瀏.先秦漢語排比句自動識別研究：以《孟子》《論語》中的排比句自動識別為例[J].計算機工程與應(yīng)用,2013,49(19)：222-226.

[15]Mikolov T,Sutskever I,Chen K,et al.Distributed representations of words and phrases and their compositionality[C]// Proceedings of the International Conference on Neural Information Processing Systems.USA：Curran Associates Inc,2013：3111-3119.

[16]Mikolov T,Chen K,Corrado G,et al.Efficient estimation of word representations in vector space[J].arXiv preprint arXiv：1301.3781,2014.

[17]Le Q V,Mikolov T.Distributed representations of sentences and documents[J].arXiv preprint arXiv：1405.4053，2014.

[18]周飛燕,金林鵬,董軍.卷積神經(jīng)網(wǎng)絡(luò)研究綜述[J].計算機學(xué)報,2017,6(40)：1-23.

[19]李彥冬,郝宗波,雷航.卷積神經(jīng)網(wǎng)絡(luò)研究綜述[J].計算機應(yīng)用,2016,39(09)：2508-2515,2565.

[20]Kim Y.Convolutional neural networks for sentence classification[J].arXiv preprint arXiv：1408.5882,2014.

[21]Kalchbrenner N,Grefenstette E,Blunsom P.A convolutional neural network for modelling sentences[J].arXiv preprint arXiv：1404.2188,2014.

[22]Hu B,Lu Z,Li H,et al.Convolutional neural network architectures for matching natural language sentences[C]// Proceedings of Advances in Neural Information Processing Systems.USA：MIT Press，2014：2042-2050.

[23]Bengio Y,Schwenk H,Senécal J,et al.Neural probabilistic language models[J].Journal of Machine Learning Research,2003,3(6)：1137-1155.

[24]Collobert R,Weston J,Bottou L,et al.Natural language processing(almost)from scratch[J].Journal of Machine Learning Research,2011,12(1)：2493-2537.

[25]Kiros R,Zhu Y,Salakhutdinov R,et al.Skip-thought vectors[C]// Proceedings of International Conference on Neural Information Processing Systems.USA：MIT Press,2015：3294-3302.

[26]Lin C Y,Och F J.Automatic evaluation of machine translation quality using longest common subsequence and skip-bigram statistics[C]// Proceedings of the 42nd Annual Meeting on Association for Computational Linguistics,USA：Stroudsburg ,2004.

穆婉青(1993—)，碩士研究生，主要研究領(lǐng)域為自然語言處理。E-mail：948611255@qq.com

廖健(1990—)，博士研究生，主要研究領(lǐng)域為文本情感分析。E-mail：liaojian_iter@163.com

王素格(1964—)，通信作者，博士，教授，主要研究領(lǐng)域為自然語言處理，文本情感分析。E-mail：wsg@sxu.edu.cn