基于組合神經網(wǎng)絡的語義省略“的”字結構識別

侍冰清 戴茹冰 曲維光,,,? 顧彥慧 周俊生 李斌 徐戈 史勝旺

1.南京師范大學計算機科學與技術學院, 南京 210023; 2.南京師范大學文學院, 南京 210097; 3.閩江學院福建省信息處理與智能控制重點實驗室, 福州 350121; ? 通信作者, E-mail： wgqu_nj@163.com

作為現(xiàn)代漢語使用頻率最高的虛詞之一, “的”字用法靈活。在其用法中, 存在部分具有語義省略的“的”字結構, 如“開車的”、“我們應該做的”等,這些不依附任何成分而獨立充當名詞性成分的“的”字結構通常在語義上伴有省略的成分。省略的“的”字結構是名詞性偏正結構的語境變體[1], 實質上是定中關系的偏正短語中心詞隱去后的短語。其特征為詞語后附著一個“的”字。然而, 并不是所有具有定中關系的偏正短語中心詞都可以隱去, 從而形成“的”字結構。對于中心詞可省的限制條件, 黃國營[2]和呂叔湘[3]從語法角度分析了形如“X+的”結構中X 與中心詞的句法關系, 即當中心詞為 X 的主賓語時, 中心詞可省?？琢钸_[4]從意義的角度區(qū)分了 X與中心詞的語義類別關系, 并針對 X 是否具有區(qū)別性, 總結了一套形式化的鑒別方式。石毓智[5]從語言認知角度闡釋了“的”字結構的形成機制。語義省略“的”字結構中隱含的成分對整體語義的理解有至關重要的作用, 正確識別具有語義省略的“的”字結構, 能夠有效地減少因省略造成的語義自動理解障礙, 為補充句子完整的語義打下基礎。

近幾年, 人們開始關注面向機器的“的”字結構研究。張坤麗等[6]構建了現(xiàn)代漢語廣義虛詞用法知識庫(Chinese function word usage knowledge base,CFKB), 其中包含助詞“的”的虛詞用法詞典、規(guī)則庫以及用法標注語料庫。韓英杰等[7]在現(xiàn)代漢語詞典、規(guī)則庫、語料庫“三位一體”的助詞知識庫基礎上, 采用基于規(guī)則的方法, 研究“的”字用法的自動識別。劉秋慧等[8]在“三位一體”虛詞用法知識庫的基礎上, 分別采用基于規(guī)則、基于條件隨機場和神經網(wǎng)絡模型門循環(huán)單元, 對助詞“的”的用法進行自動識別。然而, 鮮有研究者從語義成分省略的角度關注“的”字結構的語義完整性問題。僅從句法角度分類描述“的”字的用法和特征, 不能深入地挖掘受語境和語言經濟原則制約而省略的中心語語義, 還原“的”字結構完整語義。鑒于上述背景, 本文提出基于神經網(wǎng)絡的語義省略“的”字結構自動識別方法。

近期, 一種新型的句子語義表示方式——抽象語義表示(abstract meaning representation, AMR)受到研究者的廣泛關注。AMR 的主要設計目標在于描述和揭示句子中蘊含的完整的、深度的語義信息, 以利于解決各種自然語言處理問題[9]。該方法突破了基于句法形式表示語義的傳統(tǒng)方式, 允許補充省略或隱含的語義概念, 以便還原句子的完整語義。這種概念添加方式對漢語中的省略結構同樣有良好的表示能力, 能夠較完整地補充省略成分。因此, AMR 語料庫的構造和自動解析成為研究熱點。李斌等[10-11]設計了中文 AMR 標注體系, 并先后建立中文《小王子》AMR 語料庫和基于部分 CTB8.0(Chinese Treebank 8.0)網(wǎng)絡媒體真實語料的中文AMR (CAMR)語料庫。我們對中文《小王子》 AMR語料中需要添加的缺省概念進行統(tǒng)計分析, 發(fā)現(xiàn)省略“的”字結構在所有省略結構中占有相當大的比例(45.7%)。

本文數(shù)據(jù)集由兩部分組成, 首先抽取 CAMR語料庫中所有的“的”字結構, 并對添加概念的“的”字結構進行省略類別的自動標注, 然后對 CTB 語料中未進行 CAMR 標注的部分, 采用人工標注的方法獲取更多的省略“的”字結構。

本文在 CTB8.0 語料上探索基于神經網(wǎng)絡的語義省略“的”字結構自動識別方法, 將該問題視為二分類問題, 提出一種基于組合神經網(wǎng)絡的識別方法。首先, 利用詞語和詞性, 通過雙向 LSTM (long short-term memory)神經網(wǎng)絡學習“的”字結構深層次的語義語法表示。然后, 通過 Max-pooling 層和基于 GRU (gated recurrent unit)的多注意力層, 捕獲“的”字結構的省略特征, 完成語義省略“的”字結構識別任務。實驗結果表明, 在 CTB8.0 語料中, 本文提出的模型能夠有效地識別出語義省略的“的”字結構。

1 相關工作

韓英杰等[7]探討了基于規(guī)則的助詞“的”的用法自動標注, 借助《現(xiàn)代漢語詞典》、《虛詞詞典》、《現(xiàn)代漢語八百詞》和《語法信息詞典》等, 人工歸納、總結和提取規(guī)則, 也使用直接從語料中提取規(guī)則的方法, 將規(guī)則轉化為正則表達式, 從而把“的”字用法標注問題轉化成字符串模式匹配問題來處理。韓英杰等[7]基于規(guī)則的方法需要借助助詞知識庫, 在實驗中要額外考慮規(guī)則的細化、擴充和調序, 費時費力; 并且, “的”字的用法有 39 個, 使用靈活, 語法特征不明顯, 對于某些用法, 不易寫出規(guī)則的形式化描述。劉秋慧等[8]在對基于規(guī)則的方法及基于條件隨機場的方法進行初步探究后, 將深度學習方法引入“的”用法的自動識別中, 通過設置前向輸入窗口, 利用 GRU 單元獲取長距離特征, 提高了“的”的用法自動識別性能。他們設置的輸入窗口中包含“的”右側兩個詞及詞性的特征, 這種考慮符合部分“的”用法的規(guī)則, 如“的”字下文緊接某些詞時, 其類型是唯一的。但是, 對某些不符合這個情形的“的”字用法, 這種做法是一種干擾。他們認為GRU 模型最后一個輸出單元包含序列的全部有效特征, 并將這個長距離特征直接作為分類的依據(jù)。

本文在以下 4 個方面有別于文獻[7?8]的工作。1)從分類的角度看, 文獻[7?8]關注“的”字全部用法的分類, 從句法角度描述“的”字的用法和特征。但是, 某些“的”字用法同時存在語義省略和非省略現(xiàn)象, 文獻[7?8]沒有研究“的”字結構省略識別問題,而本文從語義成分省略角度關注“的”字結構。2)在語料選擇上, 文獻[7?8]基于《人民日報》1998年 1月和 2000年 4 月的語料, 人工標注“的”字用法。本文首先基于 CAMR 語料庫, 自動抽取所有“的”字結構, 并且對添加概念的“的”字結構進行省略類別的自動標注, 然后對 CTB 語料中未進行 CAMR 標注的部分, 采用人工標注的方法, 獲取更多的省略“的”字結構。3)在方法上, 韓英杰等[7]采用基于規(guī)則的方法, 劉秋慧等[8]分別采用基于規(guī)則、基于條件隨機場和神經網(wǎng)絡模型門循環(huán)單元的方法, 本文則提出一種基于組合神經網(wǎng)絡的識別方法。4)在模型上, 劉秋慧等[8]認為 GRU 模型最后一個輸出單元包含序列的全部有效特征, 并將這個長距離特征直接作為分類的依據(jù), 本文則將識別任務分成兩個步驟。首先, 在內存模塊, 通過雙向 LSTM 神經網(wǎng)絡學習“的”字結構深層次的語義語法表示。然后,在抽取模塊, 通過基于 GRU 的多注意力層和 Maxpooling 層, 捕獲“的”字結構的省略特征, 完成語義省略“的”字結構識別任務。

2 基于組合神經網(wǎng)絡的語義省略“的”字結構識別

本文采用組合神經網(wǎng)絡模型, 包含 4 個部分：輸入模塊、內存模塊、抽取模塊和輸出模塊, 網(wǎng)絡結構如圖 1 所示。對于輸入的“的”字結構s={s1,...,sde,...,sN}, 其中si=(wi,pi)(1 ≤i≤N), 包含i位置上詞語wi及其詞性pi, 本文旨在識別圍繞sde構成的“的”字結構是否省略。在前 3 個模塊, 對“的”字結構的詞語和詞性分別進行相同操作, 在輸出模塊中合并兩者的處理結果。下面從詞語的視角介紹前 3個模塊。

2.1 輸入模塊

圖1 語義省略“的”字結構識別模型結構Fig.1 Model architecture for recognition of the“de” structure with semantic ellipsis

通過非監(jiān)督學習方法, 比如 Skip-gram[12], 得到一個詞語向量查詢表L∈其中d是詞語向量的維度, |V|是詞語詞匯表的長度。在輸入模塊中,根據(jù)輸入序列w={w1,w2,...,wN}, 對L進行查詢, 得到對應的詞嵌入表示序列v={v1,v2,...,vN}, 其中vi∈ ?d(1 ≤i≤N)。若詞語向量查詢表中不存在當前詞語, 則采用特殊符號“UNK”的向量表示, “UNK”隨機初始化。

2.2 內存模塊

Tang 等[13]在 MemNet 中, 簡單地按詞語在原句子中的順序來拼接詞語的向量, 完成內存模塊的構建。然而, 韓英杰等[7]在基于規(guī)則的方法中發(fā)現(xiàn),即使借助助詞規(guī)則庫, 在應用中也需要考慮規(guī)則之間的調序。這意味著, 達到人類標注水平的規(guī)則必定是非常復雜的, 應當使用一些循環(huán)神經網(wǎng)絡方法,使得內存模塊含有短語級別的信息[14], 比如在很多自然語言處理任務中表現(xiàn)優(yōu)秀的單層或者多層 Bi-LSTM[15]。Sachan 等[16]發(fā)現(xiàn), 與卷積神經網(wǎng)絡相比,Bi-LSTM 具有較好的獲得語義信息的能力。因此,本文選擇 Bi-LSTM 來獲得“的”字結構深層次的語義語法信息, 詞性輸入采用雙層 Bi-LSTM, 詞語輸入則采用單層Bi-LSTM。

詞嵌入表示序列v={v1,v2,...,vN}作為 Bi-LSTM的初始輸入, 經過模型編碼, 獲得“的”字結構的抽象表示。其中, 對于詞語向量vt(1 ≤t≤N), 在第l量表示, 通過后向 LSTM 計算, 獲得向量表示層 Bi-LSTM 中, 通過該層前向 LSTM 計算, 獲得向。如果共L層Bi-LSTM,最后將得到內存模塊內存片段N)。[;]表示各向量連接構成一個向量, 也就是將第L層前向 LSTM 和后向 LSTM 的輸出結果進行連接。

上述內存模塊通過循環(huán)神經網(wǎng)絡保留詞序信息, 對“的”字結構進行深層語義語法建模, 但忽略了詞語與“的”之間的相對位置信息。Chen 等[14]指出, 較好的距離公式應該使用兩個詞在依存樹中的距離, 但是本文希望該任務僅僅基于數(shù)據(jù)驅動。因此, 對于i位置的詞語與“的”字的距離, 采用 Chen等[14]提出的公式：

其中,ui(1 ≤i≤N)是詞語與“的”字的距離, deindex是“的”字所在位置,imax是“的”字結構的長度, weighti是位置權重。除此以外, 借鑒 Chen 等[14]不僅隱含地考慮位置權重, 還在內存模塊中顯性地放入位置信息, 最終得到內存模塊M={m1,m2,...,mN}, 其中本文也考慮了 Tang等[13]提出的 4 種距離公式, 但效果沒有超過 Chen等[14]的公式。

2.3 抽取模塊

抽取模塊包含兩個步驟： 第一步, 從內存模塊中提煉“的”字結構的省略特征; 第二步, 合理地組織省略特征。具體地, 采取基于 GRU 的多注意力機制和Max-pooling兩種抽取模式。

2.3.1 基于GRU的多注意力層的抽取模塊

本節(jié)介紹通過多注意力層從內存模塊中抽取多個省略特征, 并使用GRU單元將其合理組織。

一般認為, 隨著網(wǎng)絡層數(shù)的加深, 模型的刻畫能力更強, 可以獲得更抽象的特征信息[17], 對省略類型“的”字結構的識別更有幫助。多注意力層可以在不同的層中注意到輸入的不同位置[18]。使用非線性操作去組合不同的注意力層結果, 可以避免抽取的內容僅僅是內存模塊的線性組合[14]。該抽取模塊的結構如圖2所示。

圖2 基于GRU的多層注意力層抽取模塊Fig.2 Extraction module based on GRU and multiple attention layers

注意力層t的輸入包括內存片段mj(1≤j≤N)、GRU 的前一時刻隱藏狀態(tài)et-1、“的”字的詞語向量vde和詞語j與“的”字相對位置的距離uj(1≤j≤N)?！暗摹弊值脑~語向量和 GRU 的前一層隱藏狀態(tài)可以指導計算當前注意力層中各內存片段的得分, 有助于抽取與“的”字結構省略有關的信息。相對位置距離有助于得到詞語j與“的”的句法和語義關聯(lián)。首先計算每一個內存片段mj(1 ≤j≤N)的注意力得分以及該注意力層結果it：

其中,Watt是權值參數(shù), 所有注意力層共享;batt是偏置項。根據(jù) Tang 等[13]的經驗, 這里設置注意力層數(shù)為 3。

接著, 在注意力層之間應用 GRU 單元, 其最后一個輸出合理地組織了所有省略特征, 將這個特征作為抽出模塊的輸出。GRU 主要通過“門”來更新狀態(tài), 門可以讓信息選擇性地通過。GRU 單元中的非線性操作公式如下：

r是重置門,z是更新門,it是當前輸入,和et表示候選激活狀態(tài)和激活狀態(tài)。與 LSTM 相比,GRU 具有更少的參數(shù)和更簡單的結構, 且更容易收斂[19], 所以這里選擇GRU。

2.3.2 基于Max-pooling的抽取模塊

使用 Max-pooling 提煉最重要的省略特征, 抽取結構如圖 3 所示。Max-pooling 是元素級別的操作[20-21], 計算公式如下：

由于語義省略“的”字結構識別是二分類任務,而 Max-pooling 抽取的向量維度較大, 因此本文再添加一層前饋神經網(wǎng)絡(feedforward neural network,FNN), 將其結果作為 Max-pooling 抽取模塊的輸出。

2.4 輸出模塊

在輸出模塊, 本文連接基于詞語和詞性的“的”字結構省略特征, 將其送入softmax層得到最終分類概率。計算公式如下：

圖3 基于Max-pooling的抽取模塊Fig.3 Extraction module based on Max-pooling

其中,p(d)∈?2,Ws和bs是分類層的參數(shù)。

模型采用交叉熵損失函數(shù), 計算公式如下：

C是“的”字結構的類型,D是訓練數(shù)據(jù)集,pi(d)是本文模型得到的樣本d屬于類型i的概率,y(d)是樣本d的標簽。我們用反向傳播來計算參數(shù)的梯度,神經網(wǎng)絡模型優(yōu)化選用 Adam 算法[22], 正則化方法采用dropout[23]。

3 實驗

3.1 語料

圖4 概念補充的“的”字結構示例Fig.4 An example of concept adding of the “de” structure

AMR 允許重新分析和補充概念, 能完整地表達一個句子的語義[10]。圖 4 給出“跳舞的走了”的AMR 表示。AMR 可以根據(jù)上下文添加概念 person,作為“跳舞”的 arg0。同時, 中文 AMR 還會標出語義省略“的”字結構的虛詞“的”。AMR 的這個特點解決了傳統(tǒng)的句法表示方法無法應對的省略和詞內分析困境[11]。

本文抽取 CAMR 語料庫中所有的“的”字結構,并對添加概念的“的”字結構進行省略類別的自動標注。共有 11829 個“的”字結構, 其中非省略類型“的”字結構 11165 個, 省略類型“的”字結構 664個。本文綜合語法類詞典《現(xiàn)代漢語八百詞》[3]、現(xiàn)代漢語廣義虛詞用法知識庫[6]及 CAMR 語料庫, 分析省略與非省略類型“的”字結構中的上下文特征,將“的”的意義分成4個義項, 詳見表1。

表1 中, 義項 3 中全部“的”字結構和義項 4 中部分“的”字結構含有語義省略成分, 是本文討論的省略類型“的”字結構。其余是非省略類型“的”字結構?？梢钥闯? 兩個類別的語料數(shù)量懸殊。因此,對 CTB 語料中未進行 CAMR 標注的部分, 采用人工標注的方法獲取更多省略類型“的”字結構, 以期平衡兩者數(shù)量。最終, 省略類型“的”字結構增長到1830 個。為了進一步平衡兩種類型的數(shù)據(jù)量, 去除非省略類型“的”字結構對應的各義項近一半的數(shù)目, 數(shù)據(jù)情況詳見表2。

本文設置訓練集和測試集的比例為 4：1。其中,“的”字的每種用法也按該比例分發(fā)到訓練集和測試集。關于模型初始的詞語向量, 我們采用 word2vec工具對 CTB 分詞語料進行訓練, 不隨迭代更新; 詞性向量隨機初始化, 并在訓練過程中更新。

3.2 參數(shù)設置

實驗中涉及多個超參數(shù), 組合神經網(wǎng)絡模型的超參數(shù)設置如表3所示。

目前, 尚沒有完善的理論可以自動且準確地界定“的”字結構的范圍。本文參考劉秋慧等[8]基于條件隨機場的自動識別方法, 即提取向前、向后的詞和詞性等上下文環(huán)境, 作為識別省略與非省略類型“的”字結構的依據(jù)。具體地, 我們規(guī)定從“的”字前面 10 個詞語起到“的”字后面 6 個詞語止, 構成一個“的”字結構, 長度不足的補齊。

表1 “的”主要義項及用法描述Table 1 Usages of the “de” and their frequency in CAMR corpus

表2 數(shù)據(jù)集Table 2 Datasets

表3 超參數(shù)設置Table 3 Settings of hyperparameters

表3 中, 第 1 組超參數(shù)是輸入模塊和內存模塊的參數(shù), 第 2 組是在 Max-pooling 抽取模塊中所需的參數(shù), 第 3 組是基于 GRU 的多注意力層的實驗中所需的超參數(shù)。

3.3 實驗結果與分析

3.3.1 不同方法的對比實驗

韓英杰等[7]和劉秋慧等[8]關注“的”字全部用法的分類, 只從句法角度描述“的”的用法和特征, 其采用的某些“的”字用法僅屬于省略類型“的”字結構,他們提出的方法可能在某種程度上也適用于本文的任務。因此, 為了驗證模型的有效性, 基于本文數(shù)據(jù)集, 我們參考劉秋慧等[8]基于條件隨機場和神經網(wǎng)絡模型門循環(huán)單元的方法, 實現(xiàn)兩個基線方法：CRF 和 GRU。CRF 使用劉秋慧等[8]提出的特征模板。對于 GRU, 由于劉秋慧等[8]沒有明確網(wǎng)絡模型的超參數(shù)設置(如詞語向量維度等), 這里均采用與本文實驗相同的超參數(shù)設置, 并以“的”字位置對應的隱藏狀態(tài)作為輸出。這樣做的結果比原模型中以序列的最后一個輸出單元作為輸出的實驗效果好。

表4 是與基線方法對比的實驗結果, 其中 ACC是所有“的”字結構分類結果的正確率, 非省略-F1是非省略“的”字結構識別結果的 F1 值, 省略-F1 是省略“的”字結構的識別結果的 F1 值。可以看出,CRF 的識別性能與語料規(guī)模成正比, 但 GRU 在提升省略“的”字結構識別的同時, 嚴重影響非省略類型的識別效果, 而本文提出模型的性能均優(yōu)于 CRF和GRU。

3.3.2 模塊分析

下面通過對比實驗, 分析各模塊在模型中起到的作用。網(wǎng)絡結構設置詳情見表 5。其中, M1, M2和 M3 分別為內存模塊的 3 種設置; L1 和 L2 分別表示在內存模塊中使用單層和雙層雙向 LSTM 神經網(wǎng)絡; None 表示不使用抽取模塊, 直接連接“的”字位置上的前向、后向內存片段, 將其視為“的”字結構省略特征, 并送入輸出層; Att 表示在抽取模塊使用單層注意力機制, 因為注意力層的結果本質上是內存模塊的線性組合, 如果多注意力層之間沒有非線性操作, 則最后結果還是內存模塊的線性組合[14],所以這里將多注意力層改為單注意力層; GRU+Att對應 2.3.1 節(jié)基于 GRU 的多注意力層的抽取模塊;Max-pooling 對應 2.3.2 節(jié)中基于 Max-pooling 的抽取模塊。

圖5 顯示, 所有模型能夠有效地分類“的”字結構, 正確率都超過 97.5%。圖 6 顯示, 所有模型能夠有效地識別非省略類型“的”字結構, F1 值都超過98.5 %。圖 6 和 7 顯示, 隨著語料擴充, 省略與非省略類型“的”字結構的數(shù)據(jù)量逐漸趨于平衡, 所有模型識別省略類型“的”字結構的性能越來越好, 同時,識別非省略類型“的”字結構的性能沒有受到明顯的影響。

表4 與基線方法對比實驗結果Table 4 Performance of different methods

表5 網(wǎng)絡結構設置Table 5 Settings of networks

本文著重討論省略類型“的”字結構的識別結果。圖 7 顯示, 所有模型在數(shù)據(jù)集 Data3 上的表現(xiàn)都最優(yōu), 因此接下來的實驗均基于數(shù)據(jù)集Data3。

表6 是采用不同內存模塊設置的對比實驗結果,可以看出, M3+Max-pooling 的性能超過 M2+Maxpooling。雖然“的”字結構是一個復雜的結構, 需要深層的模型在內存模塊學習到其更本質的抽象表示, 但根據(jù)助詞知識庫等研究成果[6,8]中對“的”字用法的描述, “的”字結構的省略特征更依賴于句法信息。也就是說, 從詞語角度, 詞語包含語法和語義信息, 可能不需要采用更傾向于學習語義信息的復雜模型, 比如兩層 Bi-LSTM。從表 6 還可以看出,模型 M3+Max-pooling 的性能超過模型 M1+Maxpooling。從詞性角度來看, 詞性本身不含語義, 僅僅提供語法信息, 因此可以適當?shù)厥褂脧碗s模型學習其向量表示, 比如兩層Bi-LSTM。

表7 是采用不同抽取模塊設置的對比實驗結果。注意力層的結果本質上是內存片段的線性組合, 也就是說, M3+None 的模型設置是 M3+Att 的特殊例子。但是, M3+None 的性能低于 M3+Att, 說明設立抽取模塊是有必要的, 我們需要基于“的”字結構中所有的詞來提取“的”字結構的省略特征。M3+GRU+Att 的 F1 值比 M3+Att 提高 1.06%, 說明合理地組織省略特征是有必要的。M3+GRU+Att 的性能暫時落后于 Max-pooling, 可能是由于基于注意力機制的網(wǎng)絡擁有更多的參數(shù), 其優(yōu)化所需的語料規(guī)模更大。在圖 7 中還可以看到, 隨著語料的擴充和不同類別數(shù)據(jù)量的平衡, M3+GRU+Att 與 M3+Max-pooling 的性能差距不斷縮小。相信在語料更充足的情況下, M3+GRU+Att 會有更好的效果。目前, M3+Max-pooling 性能最佳, F1 值為96.67%。

圖5 “的”字結構分類結果Fig.5 Results of classification of the “de” structure

圖6 非省略類型識別結果Fig.6 Results of recognition of the “de” structure without semantic ellipsis

圖7 省略類型識別結果Fig.7 Results of recognition of the “de” structure with semantic ellipsis

表6 內存模塊對比實驗結果Table 6 Comparative experiments on memory module

表7 抽取模塊對比實驗結果Table 7 Comparative experiments on extraction module

4 結語

本文從語義成分省略的角度關注“的”字結構的語義完整性問題, 研究了基于組合神經網(wǎng)絡的語義省略“的”字結構識別方法。通過內存模塊學習“的”字結構的深層次語義語法表示, 利用抽取模塊提取和組織省略特征, 完成識別任務。據(jù)我們所知, 這是首次利用神經網(wǎng)絡解決語義省略“的”字結構的自動識別。實驗結果顯示, 該模型能夠取得較好的識別效果。隨著語料規(guī)模的擴展, 有可能取得更好的效果。

在下一步的研究中, 我們將針對省略類型的“的”字結構, 對其缺省的信息進行補全, 并嘗試將補全的“的”字結構用于語義自動解析等工作中。