短語(yǔ)的詞典學(xué)意義及基于語(yǔ)料庫(kù)的拉丁語(yǔ)短語(yǔ)提取研究*

李德俊 楊曉冬

一、 引言

大多數(shù)情況下，人們查詞典不外乎兩個(gè)目的： 其一是查詢(xún)生字詞的意義，以便理解；其二是查詢(xún)字詞(未必是陌生的字詞)的搭配以便使用。以上兩點(diǎn)關(guān)涉詞典的釋義和配例，是詞典編纂的核心內(nèi)容。借助語(yǔ)料庫(kù)，釋義和配例都走出了內(nèi)省的困境，在方法和手段上都發(fā)生了革命性的變化。語(yǔ)料庫(kù)通過(guò)索引行顯示使用中的語(yǔ)言素材，同時(shí)也提供了語(yǔ)境。但是，基于索引行的詞典編寫(xiě)也有一些明顯的缺陷，例如釋讀索引行仍然需要花費(fèi)大量的時(shí)間，特別是當(dāng)數(shù)據(jù)過(guò)大時(shí)，仔細(xì)閱讀和分析索引行數(shù)據(jù)其實(shí)是不可行的，大量的有價(jià)值信息淹沒(méi)在索引行中而得不到利用。研究表明，通過(guò)統(tǒng)計(jì)方法將索引行數(shù)據(jù)轉(zhuǎn)化為包含關(guān)鍵詞和搭配的短語(yǔ)級(jí)語(yǔ)料，在冗余的信息被過(guò)濾掉之后，有價(jià)值的信息得以凸顯。短語(yǔ)驅(qū)動(dòng)不僅與索引行驅(qū)動(dòng)的效率相當(dāng)，而且還可以節(jié)約大量的時(shí)間。短語(yǔ)驅(qū)動(dòng)是語(yǔ)料驅(qū)動(dòng)的最簡(jiǎn)方案。(李德俊 2016)40

二、 語(yǔ)料庫(kù)語(yǔ)言學(xué)視野下的短語(yǔ)

廣義上的短語(yǔ)指由兩個(gè)及以上詞語(yǔ)組成的語(yǔ)言單位。當(dāng)代語(yǔ)言學(xué)對(duì)短語(yǔ)的興趣一直很濃，因此也產(chǎn)生了若干類(lèi)似的術(shù)語(yǔ)，例如搭配(collocation)、語(yǔ)塊(chunk)、詞簇(cluster)、多詞單位(MWU， multi-word unit)，等等。搭配一直是語(yǔ)料庫(kù)語(yǔ)言學(xué)的重要研究領(lǐng)域，同時(shí)也是詞典學(xué)的主要討論對(duì)象之一。但有趣的是，在語(yǔ)言學(xué)界對(duì)什么是搭配并沒(méi)有形成共識(shí)，下面的不同定義反映了人們對(duì)搭配的理解存在一定差異：

1. 搭配是符合語(yǔ)法的相鄰詞之間的語(yǔ)義兼容關(guān)系。(Hartman & James 2000)

2. 搭配是一些語(yǔ)言學(xué)家，特別是Firth學(xué)派的語(yǔ)言學(xué)家在詞匯學(xué)領(lǐng)域使用的一個(gè)術(shù)語(yǔ)，它指詞匯單位的習(xí)慣性共現(xiàn)。(Crystal 2008)

3. 兩個(gè)或兩個(gè)以上的詞在文本中很短距離內(nèi)的共現(xiàn)。(Sinclair 1991)

4. 搭配是具有統(tǒng)計(jì)意義的詞匯共現(xiàn)。(Hunston 2006)

上述定義給我們呈現(xiàn)了搭配研究對(duì)象相對(duì)混亂的一面，搭配可以?xún)H指固定結(jié)構(gòu)，也可以包括所有具有共現(xiàn)關(guān)系的詞語(yǔ)組合，而不論其組合是否具有獨(dú)立的語(yǔ)義。Siepmann(2005)認(rèn)為搭配不僅包含類(lèi)聯(lián)接(colligation)，也包括短語(yǔ)。此時(shí)，搭配具有了無(wú)所不包的性質(zhì)。

由于對(duì)搭配理解的差異較大，語(yǔ)料庫(kù)語(yǔ)言學(xué)在開(kāi)創(chuàng)短語(yǔ)研究的新領(lǐng)域時(shí)，放棄了搭配這個(gè)術(shù)語(yǔ)，使用了一個(gè)全新的詞匯“phraseology”來(lái)表示短語(yǔ)，并將這個(gè)新的研究領(lǐng)域稱(chēng)為“短語(yǔ)學(xué)”。1998年，第一部全面論述短語(yǔ)學(xué)的著作《短語(yǔ)學(xué)： 理論、分析與應(yīng)用》由牛津大學(xué)出版社出版。此后，短語(yǔ)學(xué)的研究在語(yǔ)料庫(kù)語(yǔ)言學(xué)領(lǐng)域逐漸升溫并逐漸成為核心研究?jī)?nèi)容之一。

目前，短語(yǔ)的定義已經(jīng)基本趨于統(tǒng)一，它可以定義為： 短語(yǔ)是一個(gè)詞匯單位和另一個(gè)或幾個(gè)詞匯單位的共現(xiàn)，該共現(xiàn)組合具有獨(dú)立完整的語(yǔ)義功能(function as one semantic unit)，其共現(xiàn)頻率大于理論頻率。(Gries 2008)6短語(yǔ)不僅是心理上的語(yǔ)義共現(xiàn)關(guān)系，更為重要的是構(gòu)成短語(yǔ)的詞語(yǔ)間共現(xiàn)頻率大于理論頻率。這個(gè)定義克服了對(duì)短語(yǔ)判斷的純主觀性缺陷，是對(duì)短語(yǔ)進(jìn)行統(tǒng)計(jì)識(shí)別的基礎(chǔ)。

Gries的定義較為全面地概括了短語(yǔ)的特征，據(jù)此短語(yǔ)可以是兩個(gè)詞構(gòu)成的詞組，也可以是多個(gè)詞組成的詞簇。短語(yǔ)未必相鄰，也可以是不相鄰的結(jié)構(gòu)模板形式(template)，例如： x(number) hours drive from y(place)。短語(yǔ)可以是固定詞組，也可以是某些自由詞組。固定詞組包括成語(yǔ)、諺語(yǔ)、歇后語(yǔ)、專(zhuān)門(mén)用語(yǔ)、慣用語(yǔ)等；自由詞組指按照語(yǔ)法規(guī)則組成的臨時(shí)結(jié)構(gòu)，如“紅花、綠葉子、詞典的結(jié)構(gòu)、英國(guó)大學(xué)”等?！霸~典的結(jié)構(gòu)；英國(guó)大學(xué)”不是短語(yǔ)，因?yàn)闃?gòu)成這些詞語(yǔ)串的語(yǔ)詞間是偶然的共現(xiàn)關(guān)系，不具有統(tǒng)計(jì)學(xué)意義，它們是完全自由詞組；與之不同的是，構(gòu)成“紅花、綠葉子”等詞語(yǔ)串的語(yǔ)詞具有相互吸引的傾向，共現(xiàn)頻率也具有統(tǒng)計(jì)學(xué)意義，它們是半自由詞組，是短語(yǔ)的一種形式。

短語(yǔ)學(xué)與語(yǔ)料庫(kù)語(yǔ)言學(xué)具有良好的互動(dòng)關(guān)系，2005年10月，來(lái)自世界各地的170位學(xué)者聚集比利時(shí)新魯汶(Louvain-la-Neuve)就短語(yǔ)學(xué)的研究展開(kāi)研討。會(huì)議肯定了語(yǔ)料庫(kù)語(yǔ)言學(xué)對(duì)短語(yǔ)學(xué)的貢獻(xiàn)，會(huì)后出版的3本著作有力推動(dòng)了短語(yǔ)學(xué)研究在世界各地的發(fā)展。

正如Granger & Meunier(2008)所言的那樣，今天，短語(yǔ)學(xué)正日益成為眾多學(xué)科領(lǐng)域的研究中心，不管是傳統(tǒng)的語(yǔ)言教學(xué)，還是前沿的自然語(yǔ)言處理領(lǐng)域都是短語(yǔ)學(xué)的舞臺(tái)。詞典作為指導(dǎo)人們對(duì)語(yǔ)言進(jìn)行解碼或使用語(yǔ)言進(jìn)行編碼的工具書(shū)，短語(yǔ)的價(jià)值何在也需要認(rèn)真思考。

三、 短語(yǔ)的詞典學(xué)意義

在語(yǔ)料庫(kù)語(yǔ)言學(xué)、二語(yǔ)習(xí)得、自然語(yǔ)言處理等領(lǐng)域，短語(yǔ)的價(jià)值受到了普遍的關(guān)注，但是在詞典學(xué)領(lǐng)域，只有少數(shù)學(xué)者注意到了短語(yǔ)及短語(yǔ)學(xué)的價(jià)值。(徐海 2013；李德俊 2014)除了傳統(tǒng)的熟語(yǔ)、固定搭配等之外，非典型的短語(yǔ)并沒(méi)有得到重視。例如漢語(yǔ)里的“謹(jǐn)慎樂(lè)觀”“互利共贏”“小心臺(tái)階”等非典型短語(yǔ)，在翻譯成英語(yǔ)時(shí)很可能會(huì)給譯者帶來(lái)挑戰(zhàn)，“謹(jǐn)慎”有careful， prudent， cautious等譯法，它們是不是都可以和“樂(lè)觀”的英文optimistic組成地道的英語(yǔ)表達(dá)？這是編碼詞典需要思考的問(wèn)題。對(duì)于解碼詞典來(lái)說(shuō)，短語(yǔ)的價(jià)值也是不言而喻的，例如英語(yǔ)里的confidence man也是非典型的短語(yǔ)，其詞義并不能從字面推出，詞典如果不收錄，就會(huì)降低詞典的交際價(jià)值。以下從語(yǔ)言交際和詞典研編兩個(gè)方面來(lái)具體談?wù)劧陶Z(yǔ)的詞典學(xué)意義。

(一) 短語(yǔ)在言語(yǔ)交際中的意義

1.基本表義單位

如果對(duì)表義單位進(jìn)行排列，從小到大的順序是義素、詞、短語(yǔ)、小句、語(yǔ)篇。那么哪個(gè)該是表義的基本單位？這里說(shuō)的表義基本單位指的是使用語(yǔ)言組織思想時(shí)我們的語(yǔ)言官能習(xí)慣使用的語(yǔ)言單位?；颈砹x單位需要具有模塊化、使用頻率高和無(wú)歧義等基本特征。很顯然，只有詞和短語(yǔ)才是基本表義單位的選項(xiàng)。詞是可以獨(dú)立使用的最小意義單位，但是在表義的時(shí)候，詞有一個(gè)天然的缺陷，很多詞的意思通常都是不明確的，例如漢語(yǔ)的“打”，英語(yǔ)的“foot”。除了詞義相對(duì)比較固定的技術(shù)類(lèi)詞匯之外，多數(shù)詞匯，我們不僅不能明確它們的意思，有時(shí)甚至連詞性都無(wú)法確定。

短語(yǔ)是比詞高一級(jí)的表義單位。Firth(1957)說(shuō)的“由詞之伴而知其義”充分肯定了短語(yǔ)在詞義顯化中的重要作用。Sinclair也一再?gòu)?qiáng)調(diào)詞匯不是孤立的，它們相互作用、搭配是詞義形成的關(guān)鍵。(Moon 2008)短語(yǔ)還原的是“使用中語(yǔ)言”的最小語(yǔ)境，詞義在該語(yǔ)境中得以顯化。研究表明，詞匯的兩種最重要意義，概念義和情感義，大多可以通過(guò)該詞語(yǔ)所處的短語(yǔ)語(yǔ)境而得以明晰。(李德俊 2016)34-35

Sinclair(2004)36-37的習(xí)語(yǔ)原則(idiom or phraseological principle)認(rèn)為語(yǔ)言使用者在理解和造句時(shí)遵循的是一套短語(yǔ)規(guī)則。有大量的半加工、預(yù)處理過(guò)的短語(yǔ)如同成品的建筑構(gòu)件被儲(chǔ)存在使用者的頭腦中，它們?cè)谡Z(yǔ)言的編碼和解碼中發(fā)揮著比詞更為重要的作用。我們使用語(yǔ)言很大程度上就是對(duì)短語(yǔ)的調(diào)用。

通過(guò)對(duì)語(yǔ)料的統(tǒng)計(jì)，研究者發(fā)現(xiàn)短語(yǔ)在語(yǔ)言的編碼和解碼中所占比例遠(yuǎn)遠(yuǎn)超過(guò)詞的比例，語(yǔ)料庫(kù)語(yǔ)言學(xué)家Altenberg(1991)對(duì)LLC(London-Lund Corpus)語(yǔ)料庫(kù)的抽樣研究表明在總形符中(token)，短語(yǔ)所占的比例高達(dá)70%。

因?yàn)槎陶Z(yǔ)同時(shí)具有模塊化、使用頻率高和無(wú)歧義3個(gè)特征，我們認(rèn)為短語(yǔ)是基本的表義單位。它在言語(yǔ)交際中發(fā)揮主要的作用。

2.詞匯和結(jié)構(gòu)共選

對(duì)意義的形成起作用的不僅是詞匯，結(jié)構(gòu)也是重要因素。對(duì)結(jié)構(gòu)義的關(guān)注可以追溯到Fries(1952)，在《英語(yǔ)結(jié)構(gòu)》(StructureofEnglish)中，他區(qū)分了詞匯義和結(jié)構(gòu)義兩種意義，并指出習(xí)得語(yǔ)言就是習(xí)得由詞匯組成的結(jié)構(gòu)。Harris(1982)認(rèn)為形和義(或者說(shuō)語(yǔ)法結(jié)構(gòu)和語(yǔ)義)是不可分割的，他的理論“算符語(yǔ)法”(Operator Grammar)通過(guò)形式推演證明了自然語(yǔ)言是個(gè)“自組織系統(tǒng)”(self-organizing system)，在這個(gè)系統(tǒng)中，詞匯的結(jié)構(gòu)和語(yǔ)義屬性通過(guò)與其他詞匯的聯(lián)系而得到明確。Harris(1991)還認(rèn)為，我們對(duì)結(jié)構(gòu)的習(xí)得是通過(guò)語(yǔ)言接觸來(lái)完成的。

對(duì)“結(jié)構(gòu)”和“句型”的研究催生了若干語(yǔ)言理論，例如“構(gòu)式語(yǔ)法”(Construction Grammar)、“型式語(yǔ)法”(Pattern Grammar)和“短語(yǔ)學(xué)”(Phraseology)。構(gòu)式體現(xiàn)的是形和義的配對(duì)，它是語(yǔ)言社團(tuán)習(xí)慣使用的，并固化在頭腦中的具有符號(hào)象征特性的語(yǔ)言單位(symbolic units of language)。構(gòu)式將形態(tài)、詞匯和句法形式與語(yǔ)義、語(yǔ)用和語(yǔ)篇功能相連接。(Goldberg 1995， 2006)型式語(yǔ)法由Hunston等人倡導(dǎo)，基于在COBUILD語(yǔ)料庫(kù)建庫(kù)和研究時(shí)所接觸的大量語(yǔ)言實(shí)例和積累的豐富經(jīng)驗(yàn)，他們發(fā)現(xiàn)每個(gè)詞都有屬于自己的型式，在此型式下，該詞匯使用的典型語(yǔ)境得以復(fù)現(xiàn)。(Hunston & Francis 2000)短語(yǔ)學(xué)由語(yǔ)料庫(kù)語(yǔ)言學(xué)家提出，它是語(yǔ)料庫(kù)語(yǔ)言學(xué)所研究的主要內(nèi)容之一，它不僅強(qiáng)調(diào)短語(yǔ)的可計(jì)算性，而且更加重視詞匯和結(jié)構(gòu)、型式與意義的共選(coselection)。當(dāng)我們選擇短語(yǔ)從事言語(yǔ)實(shí)踐時(shí)，同時(shí)就選擇了詞匯、語(yǔ)法和語(yǔ)用關(guān)系。(Partingtonetal. 2013)正是由于短語(yǔ)集詞匯和語(yǔ)法結(jié)構(gòu)于一身的特征，短語(yǔ)才具有了消除歧義、語(yǔ)義自足的優(yōu)點(diǎn)。從簡(jiǎn)單搭配foot the bill，到成語(yǔ)take a French leave，再到由固定詞匯和自由選項(xiàng)組成的“模板”(template)“{see} + [out of/from] the corner of [possessive] eye”(Sinclair 2004)171，短語(yǔ)都體現(xiàn)了詞匯和結(jié)構(gòu)共選、型式與意義共選的特征。因此，學(xué)會(huì)一個(gè)短語(yǔ)就同時(shí)掌握了該短語(yǔ)的語(yǔ)義，以及它所包含的詞匯搭配關(guān)系和語(yǔ)法結(jié)構(gòu)。短語(yǔ)融詞法和語(yǔ)法于一身。

(二) 短語(yǔ)在詞典研編中的意義

正因?yàn)槎陶Z(yǔ)在言語(yǔ)交際中的重要作用，所以對(duì)于指導(dǎo)言語(yǔ)交際的詞典來(lái)說(shuō)，短語(yǔ)的價(jià)值是不言而喻的。

首先，短語(yǔ)是詞典交際力的主要體現(xiàn)。詞典是語(yǔ)內(nèi)或跨語(yǔ)交際的工具書(shū)，由于單個(gè)詞語(yǔ)的交際功能弱，不能體現(xiàn)“使用中語(yǔ)言”的特征。特別是對(duì)于積極型雙語(yǔ)詞典來(lái)說(shuō)，對(duì)詞語(yǔ)的單純釋義并不能對(duì)語(yǔ)言的編碼具有可靠的指導(dǎo)作用。以前文的“打”為例，暫且不考慮一詞多義，在“用手或器具撞擊物體”的意義之下，“打”的英文釋義為“strike; hit; knock; smash”。(《新時(shí)代漢英詞典》)如果不提供短語(yǔ)作為例證，單憑這些釋義詞很難為諸如“打翻；打更；打鼓；打屁股”等短語(yǔ)的翻譯提供幫助。對(duì)于雙語(yǔ)詞典來(lái)說(shuō)，短語(yǔ)收錄的多寡與詞典編碼交際力休戚相關(guān)。再看一個(gè)詞典指導(dǎo)語(yǔ)言解碼的例子?！犊铝炙笴OBUILD高級(jí)英漢雙解詞典》(2009)對(duì)英文單詞call用了4個(gè)版塊來(lái)處理，前3個(gè)為call的義項(xiàng)大類(lèi)，最后列出的是短語(yǔ)動(dòng)詞。該詞典共列出與call相關(guān)的短語(yǔ)10多個(gè)，有些短語(yǔ)的意義很難從字面推理得出，例如call off。短語(yǔ)收錄的質(zhì)量不僅影響詞典的編碼能力，也與詞典解碼交際力成正相關(guān)。對(duì)于意義不能自明的短語(yǔ)來(lái)說(shuō)，如果漏收錄，將會(huì)對(duì)詞典交際力產(chǎn)生很大影響。例如：

Meanwhile the defence ministry， which calls the shots on such vital questions as procurement and promotions， is staffed with career bureaucrats and political appointees.

在這句話(huà)中，對(duì)理解起關(guān)鍵作用的是短語(yǔ)“call the shots”，只有知道其義為“做決斷、做主”，才能理解這個(gè)英文句子的意思。《柯林斯COBUILD高級(jí)英漢雙解詞典》并沒(méi)有列出這個(gè)短語(yǔ)，不能不說(shuō)是一種遺憾。

作為基本表義單位，短語(yǔ)也是基本的認(rèn)知單位；在跨語(yǔ)交際時(shí)，它又是基本的翻譯單位。因此，不論是對(duì)于服務(wù)于母語(yǔ)學(xué)習(xí)者的普通語(yǔ)文詞典，還是學(xué)習(xí)詞典或者翻譯詞典，短語(yǔ)的收錄與詞典的交際力都息息相關(guān)。

其次，短語(yǔ)是語(yǔ)料驅(qū)動(dòng)釋義的抓手，使用短語(yǔ)驅(qū)動(dòng)可以獲得最佳收益。短語(yǔ)的釋義功能還體現(xiàn)在一詞多義的分辨上，由于短語(yǔ)提供了分辨詞義的最小語(yǔ)境，義項(xiàng)的分析也可以在短語(yǔ)語(yǔ)料的基礎(chǔ)上來(lái)進(jìn)行?；谒饕械尼屃x和義項(xiàng)分辨固然可行，但因?yàn)樗饕械墓逃腥毕?，?duì)索引行的分析需要花費(fèi)大量的時(shí)間。當(dāng)索引行被進(jìn)一步濃縮為短語(yǔ)后，冗余信息被過(guò)濾，關(guān)鍵信息得以凸顯。短語(yǔ)驅(qū)動(dòng)是釋義和義項(xiàng)分辨經(jīng)濟(jì)且高效的選項(xiàng)。

再次，短語(yǔ)收錄與詞典的經(jīng)濟(jì)性也有密切關(guān)系。由于釋義并不能指導(dǎo)語(yǔ)言使用，需要發(fā)揮例證的輔助釋義功能。短語(yǔ)比句子具有更好的經(jīng)濟(jì)性，在短語(yǔ)能滿(mǎn)足指導(dǎo)語(yǔ)言使用的前提下，不需要收錄完整的句子。

四、 基于統(tǒng)計(jì)值的拉丁語(yǔ)短語(yǔ)識(shí)別

短語(yǔ)的識(shí)別有兩個(gè)基本方法： 人工識(shí)別和自動(dòng)識(shí)別。從目前的技術(shù)條件來(lái)看，自動(dòng)識(shí)別的精度低于人工識(shí)別。但是，人工識(shí)別只適合于小規(guī)模的文本，針對(duì)大型語(yǔ)料庫(kù)的短語(yǔ)識(shí)別必須采用自動(dòng)識(shí)別的方式。短語(yǔ)自動(dòng)識(shí)別也是語(yǔ)料庫(kù)工具軟件必須具備的功能。

(一) 短語(yǔ)自動(dòng)識(shí)別的基本方法

短語(yǔ)的自動(dòng)識(shí)別主要基于統(tǒng)計(jì)值，最簡(jiǎn)單的判斷短語(yǔ)的方法就是依據(jù)節(jié)點(diǎn)詞和搭配詞在一定跨距內(nèi)的共現(xiàn)次數(shù)。Wordsmith將次數(shù)門(mén)檻(threshold)設(shè)為5，即在設(shè)定跨距內(nèi)如果某個(gè)詞與節(jié)點(diǎn)詞的共現(xiàn)次數(shù)達(dá)到5次或以上即為短語(yǔ)。圖1是Wordsmith(Version 7.0)識(shí)別的與節(jié)點(diǎn)詞NATURA相關(guān)的、頻率最高的10個(gè)搭配詞(語(yǔ)料由西塞羅作品組成，共計(jì)137932個(gè)形符)：

圖1 與NATURA共現(xiàn)頻率最高的10個(gè)搭配詞

從圖1可知，10個(gè)頻率最高的搭配詞基本都是介詞、連接詞等功能詞，它們與節(jié)點(diǎn)詞的共現(xiàn)既沒(méi)有詞典學(xué)意義，也沒(méi)有統(tǒng)計(jì)學(xué)意義。它們并不是詞典編纂所需要的短語(yǔ)，突出的共現(xiàn)頻數(shù)只是由于et，a，est，ut等詞匯在語(yǔ)料庫(kù)文本中的超高頻使用所致。為了克服簡(jiǎn)單頻數(shù)這一缺點(diǎn)，語(yǔ)言學(xué)家設(shè)計(jì)出了一些實(shí)用的計(jì)算短語(yǔ)的統(tǒng)計(jì)學(xué)方法。

Evert(2004)提出過(guò)30多種統(tǒng)計(jì)算法。Wordsmith(Version 7.0)工具識(shí)別短語(yǔ)使用了7種方法，其中Z值測(cè)量法、T值測(cè)量法和MI(Mutual Information)值(互信息值；互信息熵；MI值)測(cè)量法最為常用。此外，Dice系數(shù)也是甄別短語(yǔ)的重要方法。Dice系數(shù)介于0至1之間，數(shù)值越大表示搭配力越強(qiáng)。

使用上述統(tǒng)計(jì)方法，大于門(mén)檻值(具有統(tǒng)計(jì)意義)的共現(xiàn)得以凸顯，大多數(shù)簡(jiǎn)單頻率高的搭配詞會(huì)被過(guò)濾。例如使用Z值，以O(shè)RATIO為節(jié)點(diǎn)詞，從當(dāng)前語(yǔ)料庫(kù)中可以識(shí)別出NUMEROSA ORATIO，OMNIS ORATIO，VIDETUR ORATIO等短語(yǔ)，隨著語(yǔ)料庫(kù)容量的增大，識(shí)別的短語(yǔ)會(huì)越來(lái)越多。從理論上說(shuō)，只要語(yǔ)料庫(kù)達(dá)到一定規(guī)模，與節(jié)點(diǎn)詞(例如ORATIO)相關(guān)的搭配詞都蘊(yùn)藏在其中，提取短語(yǔ)就是一個(gè)數(shù)據(jù)挖掘的過(guò)程。

表1是以O(shè)RATIO，NATURA和SOLUM三個(gè)拉丁詞為節(jié)點(diǎn)詞，通過(guò)不同統(tǒng)計(jì)值識(shí)別所得的短語(yǔ)數(shù)量。

表1 四種統(tǒng)計(jì)方法所得的顯性共現(xiàn)詞語(yǔ)數(shù)量[1]

從表1可知，使用MI值時(shí)，所獲得的共現(xiàn)詞語(yǔ)對(duì)數(shù)量最多，T值最接近平均數(shù)，基于Dice系數(shù)的共現(xiàn)詞語(yǔ)對(duì)數(shù)據(jù)最為穩(wěn)定。

以O(shè)RATIO為例，從ORATIO的共現(xiàn)詞匯來(lái)看，在通過(guò)4種不同方法得到的排序最前的40個(gè)詞匯中，有11個(gè)是相同的，分別為： omnis (general)， nostra (our)， numerosa (numerous)， videtur (it seems good)， habetur (deemed)， tua (your)， philosophorum (philosophers)， fit (is)， ratione (reason)， autem (however)， debet (should)。4種方式識(shí)別的一致性比率為27.5%。

在針對(duì)ORATIO的短語(yǔ)識(shí)別中，T檢驗(yàn)方法將部分功能詞和關(guān)聯(lián)詞判斷為具有共現(xiàn)關(guān)系，例如et (with)，si (if)，quod (and)，aut (or)和verum (but)等，其他3種短語(yǔ)識(shí)別方式都沒(méi)有此種情況。使用T檢驗(yàn)法，MOLLIS (FLEXIBLE)與ORATIO (SPEECH)的共現(xiàn)T值為1.41，不具有統(tǒng)計(jì)意義，而另外3種統(tǒng)計(jì)方法都將其識(shí)別為最常用的20個(gè)共現(xiàn)詞語(yǔ)。這表明T檢驗(yàn)的識(shí)別精度相對(duì)較差。Z值和Dice系數(shù)(設(shè)系數(shù)為0.03時(shí))識(shí)別的數(shù)量相當(dāng)，MI值識(shí)別的數(shù)量最多。

再以NATURA為節(jié)點(diǎn)詞，基于本研究所使用的西塞羅作品語(yǔ)料庫(kù)，通過(guò)上述4種短語(yǔ)識(shí)別方法獲取的基本數(shù)據(jù)如下：

1. 識(shí)別的短語(yǔ)數(shù)量依次為： MI值>T值>Z值>DICE系數(shù)。

2. T值和DICE系數(shù)識(shí)別的前50個(gè)共現(xiàn)詞語(yǔ)大多數(shù)為功能詞，與NATURA的共現(xiàn)沒(méi)有詞典學(xué)意義。Z值和MI值識(shí)別的前50個(gè)詞以實(shí)義詞為多，其中多數(shù)具有詞典學(xué)意義。

3. 在前20個(gè)被識(shí)別的詞語(yǔ)中(見(jiàn)表2)，Z值和MI值識(shí)別的一致率達(dá)到80%，其中多數(shù)具有詞典學(xué)意義或?yàn)閷?shí)義詞，例如DEPRAVATA， ABHORRERE， ADHIBENTEM， PARABILES， CERTOS， CONIUNCTOS， REPUGNANTE等。

表2 MI值與Z值算法識(shí)別的前20個(gè)共現(xiàn)詞語(yǔ)

SOLUM的情況與ORATIO和NATURA類(lèi)似，也表現(xiàn)為MI值識(shí)別數(shù)量最多，T值較大的(排序靠前的)多為功能詞等特征。根據(jù)以上3個(gè)節(jié)點(diǎn)詞短語(yǔ)識(shí)別的數(shù)據(jù)，我們對(duì)常用識(shí)別方法總結(jié)如下： 不同識(shí)別算法在識(shí)別精度和效率方面有一定差異，T值較差，可以在實(shí)際短語(yǔ)識(shí)別和提取中放棄該算法；Dice系數(shù)在識(shí)別具有詞典學(xué)意義的短語(yǔ)時(shí)，效果也不穩(wěn)定，排序靠前的識(shí)別結(jié)果也有較大噪音；MI值和Z值短語(yǔ)識(shí)別的效度較好，可以將它們作為短語(yǔ)識(shí)別的首選方法。MI值和Z值最大的區(qū)別在于短語(yǔ)識(shí)別的數(shù)量不同，為了取得最佳效果，可以將兩者綜合起來(lái)使用，以取舍短取長(zhǎng)之效。

(二) 短語(yǔ)統(tǒng)計(jì)識(shí)別的缺陷

基于統(tǒng)計(jì)的短語(yǔ)識(shí)別是目前短語(yǔ)自動(dòng)識(shí)別最為有效的方法，但該方法也存在下列幾個(gè)不足：

1. 算法本身的缺陷。各種算法都有過(guò)度匹配的問(wèn)題，其中以互信息值算法最為嚴(yán)重。例如： HABEAMUS，VI，A，F(xiàn)INIS，SIVE等與NATURA的共現(xiàn)關(guān)系。

與過(guò)度匹配相反的是數(shù)據(jù)稀疏帶來(lái)的關(guān)鍵短語(yǔ)統(tǒng)計(jì)值不具有顯著意義和漏識(shí)別的問(wèn)題，例如上文提到的MOLLIS和ORATIO的T值問(wèn)題。同樣使用T值，以NATURA為節(jié)點(diǎn)詞，也有很多具有詞典學(xué)意義的短語(yǔ)被排除在外，如HUMANI(T值為1.38)，COMMUNIA(T值為1.37)，PERSPICUUM(T值為1.37)等。

以上問(wèn)題是統(tǒng)計(jì)識(shí)別的共性問(wèn)題，增加語(yǔ)料可以解決數(shù)據(jù)稀疏的不足，但過(guò)度匹配暫時(shí)難以解決。

2. 跨距設(shè)定的悖論。目前普遍認(rèn)為跨距為4或者5比較合適，Wordsmith默認(rèn)值為5。從語(yǔ)言的實(shí)際情況看，短語(yǔ)共現(xiàn)的跨距是不固定的，跨距小會(huì)過(guò)濾掉大量短語(yǔ)，跨距大則會(huì)導(dǎo)致短語(yǔ)的過(guò)度識(shí)別。

3. 語(yǔ)料庫(kù)工具在詞形還原方面的缺陷?；诮y(tǒng)計(jì)的搭配識(shí)別需要獲得節(jié)點(diǎn)詞、搭配詞的頻數(shù)及它們的共現(xiàn)次數(shù)等數(shù)值，目前這些數(shù)值都依靠相關(guān)軟件獲得。以Wordsmith為例，它所生成的數(shù)值有時(shí)并不可靠。例如NATURA，NATURAM，NATURAE是同一個(gè)詞形(lemma)，但是Wordsmith將它們作為不同的詞形列出，當(dāng)數(shù)據(jù)差異較大時(shí)，短語(yǔ)識(shí)別的結(jié)果不可避免會(huì)產(chǎn)生誤差。在詞形還原(lemmatization)問(wèn)題得以解決之前，此缺陷難以避免。

五、 結(jié)語(yǔ)

對(duì)短語(yǔ)的記錄任務(wù)通常由詞典(紙質(zhì)詞典或機(jī)器詞典)來(lái)承擔(dān)，但是在詞典學(xué)領(lǐng)域，詞典理論家和編纂者長(zhǎng)期以來(lái)主要關(guān)注相對(duì)較為固化的表達(dá)。(Gries 2008)3因此，詞典對(duì)短語(yǔ)的記錄任務(wù)還遠(yuǎn)遠(yuǎn)沒(méi)有完成，大量的短語(yǔ)被有意或無(wú)意地排斥在詞典收錄范圍之外。由于短語(yǔ)在語(yǔ)言交際中的重要地位，積極型的編碼詞典和面向語(yǔ)言理解或智能翻譯的機(jī)器詞典都應(yīng)該多收錄短語(yǔ)。

基于語(yǔ)料庫(kù)的短語(yǔ)識(shí)別主要是自動(dòng)識(shí)別，人工識(shí)別處于輔助地位，只有在對(duì)結(jié)果進(jìn)行梳理時(shí)，人的判斷才真正有價(jià)值。雖然自動(dòng)識(shí)別目前還有一些不足，但總的來(lái)說(shuō)，短語(yǔ)自動(dòng)識(shí)別的結(jié)果還是可靠的。短語(yǔ)的漏識(shí)別是對(duì)自動(dòng)識(shí)別的嚴(yán)峻挑戰(zhàn)，但隨著語(yǔ)料容量的增加，數(shù)據(jù)稀疏問(wèn)題會(huì)得以解決。過(guò)度匹配并不是嚴(yán)重的問(wèn)題，人工梳理階段可以剔除沒(méi)有詞典學(xué)意義的短語(yǔ)。

本文的研究主要針對(duì)拉丁語(yǔ)，但由于西語(yǔ)多以拉丁字母為基礎(chǔ)，有屈折變化，詞語(yǔ)間不需要分詞處理等共性，因此，該研究的結(jié)論有普遍性意義，同樣適合其他以拉丁字母編碼的語(yǔ)言。

附注

[1] 本文所言的“顯性共現(xiàn)”值指具有統(tǒng)計(jì)意義的T值、Z值和MI值，分別為T(mén)值大于等于1.645(p值為0.05)，Z值大于2，MI值大于3。本研究中，Dice系數(shù)大于0.03被認(rèn)定為顯性共現(xiàn)。