古籍專名數(shù)據(jù)庫(kù)的構(gòu)建與統(tǒng)計(jì)分析

程 寧

（南京師范大學(xué) 文學(xué)院，江蘇 南京 210097）

1.引言

縱觀古今，但凡涉及閱讀或研究文獻(xiàn)資料，我們不可回避的一個(gè)問(wèn)題就是專名辨識(shí)的問(wèn)題，如果能夠通過(guò)某種途徑對(duì)文獻(xiàn)中出現(xiàn)的各種專名信息有一個(gè)基本了解，這不僅可以加深我們對(duì)文獻(xiàn)的理解，也可以促進(jìn)文獻(xiàn)研究的進(jìn)一步深入。早在先秦時(shí)期，前人就已經(jīng)開(kāi)始了專名信息的整理與研究，并取得罕見(jiàn)的成果，這為我們研究古代專名提供了無(wú)比珍貴的資源。隨著社會(huì)的發(fā)展，海量紛雜的電子文本開(kāi)始活躍在人們視野之中，為了更好地傳承我國(guó)優(yōu)秀的傳統(tǒng)文化，對(duì)古籍?dāng)?shù)字化的整理與研究已然成為時(shí)代迫切的需要。近年來(lái)，自然語(yǔ)言處理研究逐步向古籍文獻(xiàn)領(lǐng)域深入，這必然給古籍文獻(xiàn)的研究帶來(lái)新的生機(jī)與活力。在科學(xué)技術(shù)高速發(fā)展的今天，古籍文獻(xiàn)資料的自然語(yǔ)言處理也將成為影響社會(huì)經(jīng)濟(jì)文化發(fā)展進(jìn)程的重要因素。古籍專名的信息處理是古籍信息處理不可或缺的重要組成部分，本文旨在建立一個(gè)包含六種專名（人名、地名、書名、官職、年號(hào)、朝代）的古籍專名數(shù)據(jù)庫(kù)，該庫(kù)的構(gòu)建可以服務(wù)于專名自動(dòng)標(biāo)引系統(tǒng)，在專名自動(dòng)標(biāo)引的基礎(chǔ)上，增加詞典的匹配查詞，可以有效提升專名標(biāo)引的效果。

2 古籍專名數(shù)據(jù)庫(kù)的構(gòu)建

2.1 基本概況

通過(guò)構(gòu)建大規(guī)模古籍專名數(shù)據(jù)庫(kù)，將古籍中存在的大部分專名及其釋義有機(jī)整合在一起，該數(shù)據(jù)庫(kù)可服務(wù)于古籍專名的自動(dòng)識(shí)別。本數(shù)據(jù)庫(kù)通過(guò)析取和整合大量的外部詞典資源以及期刊文獻(xiàn)資源，分別構(gòu)建了人名表、地名表、書名表、官職表、年號(hào)表和朝代表這六種專名詞表，并且按照規(guī)定的字段組織形式將這六種不同的專名信息進(jìn)行匯總，得到一個(gè)涵蓋這六種專名的總的專名詞表。對(duì)于中國(guó)歷史上繁多的年號(hào)信息及公元紀(jì)年對(duì)應(yīng)，也通過(guò)人工整理入庫(kù)。目前已經(jīng)提取了《中國(guó)歷史大詞典》《中國(guó)歷史人名大詞典》《中國(guó)歷史地名大詞典》《佛經(jīng)詞典》《佛教人名庫(kù)》《佛教地名庫(kù)》《歷代名僧辭典》《禪宗典籍560種提要》《閱藏知津》等多部xml格式詞典中的詞條和釋義信息?？傇~條數(shù)量已超過(guò)90萬(wàn)條，專名詞條按出處分布如表1所示。

表1 收錄專名詞條數(shù)最多的前15個(gè)出處

該數(shù)據(jù)庫(kù)共收錄專名詞條90萬(wàn)條。由于人名、地名以及書名在歷史上是比較多產(chǎn)的，并且有很多外部電子文獻(xiàn)資源可以利用，所以它們?cè)谠~條收錄上占了該數(shù)據(jù)庫(kù)的絕大部分。由于歷史朝代和年號(hào)相對(duì)于其他專名來(lái)說(shuō)，本來(lái)數(shù)目就不多，所以它們僅占了數(shù)據(jù)庫(kù)的很小一部分，但這一部分對(duì)于專名時(shí)代標(biāo)引的詞典匹配又是不可或缺的。該數(shù)據(jù)庫(kù)六種專名的比例分布如圖1所示。

圖1 六專名的比例分布圖

2.2 古籍專名數(shù)據(jù)庫(kù)的構(gòu)建方法

由于專名詞典數(shù)據(jù)表專名詞條數(shù)目眾多，而且不同專名的數(shù)據(jù)來(lái)源大有不用。為了便于后期維護(hù)和完善，采用分表構(gòu)建的方式。先分別構(gòu)建人名表、地名表、官職表、書名表等六個(gè)專名表，不同的專名表設(shè)定不同的字段來(lái)匯總專名信息，最后再將六個(gè)專名表按照統(tǒng)一規(guī)定的字段合并為一個(gè)總表。在專名表構(gòu)建的過(guò)程中采用Python作為主要編程語(yǔ)言，用于各種專名的析取和整合。

以人名表為例，人名表匯集了百度百科、中國(guó)歷史人名大辭典、中國(guó)歷史大辭典、佛教人名庫(kù)、佛經(jīng)詞典、歷代名僧辭典，以及其他各種期刊文獻(xiàn)中的人名信息。不同的文獻(xiàn)資源，對(duì)人名解釋方式是不同的，有的給出了詳細(xì)釋義，有的只是簡(jiǎn)單介紹。所以人名表的字段設(shè)計(jì)需要參照外部文獻(xiàn)資源的具體釋義情況來(lái)定。

例如，《中國(guó)歷史人名大詞典》中對(duì)“丁汝昌”的解釋信息較為豐富：

丁汝昌（1836—1895）清安徽廬江人，字禹廷，一字雨亭。初隸長(zhǎng)［江水］師，從劉銘傳鎮(zhèn)壓捻軍，官至提督。光緒十四年任海軍提督，統(tǒng)率北洋艦隊(duì)。黃海海戰(zhàn)后，奉李鴻章避戰(zhàn)保艦之命，困守威海衛(wèi)軍港。日軍攻陷威海衛(wèi)時(shí)，拒降服毒而死。

該詞條可以分解出較為細(xì)致的數(shù)據(jù)表格形式。如表2所示：

表2 提取特征后的專名詞條

再如，《歷代名僧詞典》中對(duì)某一人名的解釋如下（xml格式）：

＜/script＞＜/head＞＜bodybgcolor="#D2B48C"＞【佛馱什（宋建康龍光寺）﹝梁．慧皎《高僧傳》卷三﹞】＜hr＞＜BR＞佛馱什。此云覺(jué)壽。罽賓人。少受業(yè)于彌沙塞部僧。專精律品兼達(dá)禪要。以宋景平元年七月屆于揚(yáng)州。先沙門法顯。于師子國(guó)得彌沙塞律梵本……什后不知所終。 ＜BR＞＜BR＞＜hr＞FROM：【歷代名僧辭典】＜/script＞

通過(guò)對(duì)xml格式的文本進(jìn)行解析，解析結(jié)果如表3所示。

表3 XML文檔解析后的專名詞條

用于抽取人名的外部詞典數(shù)量眾多，通過(guò)對(duì)多部詞典進(jìn)行整合，詞表數(shù)據(jù)項(xiàng)不斷擴(kuò)充，從而得到一個(gè)總的人名表。其他專名表依照這種方法類推，形成六張數(shù)據(jù)項(xiàng)詳盡、詞條規(guī)?？捎^的專名詞表。

在各專名數(shù)據(jù)表的基礎(chǔ)上，進(jìn)行古籍專名總表的構(gòu)建。由于各專名數(shù)據(jù)項(xiàng)的設(shè)定不盡相同，比如，人名表有生卒年的設(shè)定，地名表有地理坐標(biāo)的設(shè)定，書名表有編纂者的設(shè)定等，為了避免總表的數(shù)據(jù)項(xiàng)過(guò)于冗雜，我們提前設(shè)計(jì)了總表的基本數(shù)據(jù)項(xiàng)。如表4所示。

表4 古籍專名數(shù)據(jù)表總表的數(shù)據(jù)項(xiàng)設(shè)計(jì)

確定好總表字段以后，需要對(duì)六張專名表進(jìn)行合并歸類，六張專名表除了涵蓋了總表字段之外的其他字段內(nèi)容視情況歸并到“sense”字段中去。這樣就形成了一個(gè)簡(jiǎn)化的總的專名數(shù)據(jù)表，第一條專名到最后一條專名用一個(gè)總的id號(hào)來(lái)標(biāo)明。專名總表的樣例如表5所示（根據(jù)專名類型各舉一例）。

表5 古籍專名總表樣例

2.3 對(duì)重復(fù)專名信息的歸并

專名詞條的數(shù)據(jù)來(lái)源廣泛，導(dǎo)致匯總的專名數(shù)據(jù)表中有不少專名詞條重合。比如，人名詞條“一行”可能會(huì)在多種外部詞典資源中出現(xiàn)，這種情況不僅會(huì)造成數(shù)據(jù)庫(kù)內(nèi)容的臃腫繁雜，而且不利于古籍文本專名的自動(dòng)標(biāo)引。具體樣本實(shí)例如表6所示。

表6 專名詞條“一行”的收錄情況

因此，要對(duì)上述情況進(jìn)行歸并，只保留一個(gè)專名詞條，其他字段信息合并處理，用“;”進(jìn)行界定，表示不同的義項(xiàng)信息。合并之后的專名信息不會(huì)發(fā)生錯(cuò)亂，可以根據(jù)各數(shù)據(jù)項(xiàng)中的“;”還原成合并之前的形式。通過(guò)數(shù)據(jù)表進(jìn)行處理，保證數(shù)據(jù)庫(kù)中每一種專名類型下每一個(gè)專名都是獨(dú)一無(wú)二的。合并結(jié)果如表7所示。

表7 專名詞條“一行”合并后的表格形式

通過(guò)這種方法對(duì)專名詞典所有詞條進(jìn)行去重處理，這樣關(guān)于某一專名的所有解釋都集中在了專名數(shù)據(jù)庫(kù)中的一條記錄上，分號(hào)隔開(kāi)的不同義項(xiàng)信息分別來(lái)自于不同的外部詞典，不會(huì)發(fā)生錯(cuò)亂。這樣在古文專名標(biāo)引過(guò)程中，如果識(shí)別到“一行”這樣的詞條，將其鏈接到數(shù)據(jù)庫(kù)中，這個(gè)專名的所有數(shù)據(jù)項(xiàng)內(nèi)容就可以有條理地呈現(xiàn)出來(lái)。

3.古籍專名數(shù)據(jù)庫(kù)的統(tǒng)計(jì)分析

3.1 數(shù)據(jù)庫(kù)專名置信程度的統(tǒng)計(jì)分析

該數(shù)據(jù)庫(kù)所收錄的專名來(lái)源廣泛，有相當(dāng)一部分抽取自不同的期刊文獻(xiàn)，不能保證所有的詞條信息都準(zhǔn)確無(wú)誤，而且在真實(shí)語(yǔ)料的詞性標(biāo)注過(guò)程中有很多詞條既可以充當(dāng)專有名詞，又可以充當(dāng)非專有名詞。比如，“吉祥”一詞在古代漢語(yǔ)中有時(shí)候既可以充當(dāng)名詞作賓語(yǔ)又可以充當(dāng)形容詞作定語(yǔ)。示例如下：

①恢恢/a六合/n，/w成/v吉祥/a之/u宅/n。 /w（《高僧傳卷第四》）

②菩薩/nr謂/v吉祥/nr曰/v：/w“/w欲/v得/v草/n坐/v，/w地/n則/d大/a動(dòng)/v。（《經(jīng)律異相卷第四·現(xiàn)跡成道》）

上述兩例所用到的語(yǔ)料均來(lái)自于中古時(shí)期古籍文本?？梢园l(fā)現(xiàn)，“吉祥”一詞在①中是形容詞詞性，在②中是名詞詞性，而且它表示一個(gè)人名?！斗鸾倘嗣麕?kù)》對(duì)該詞的解釋如下：

吉祥：雞足山直隸僧。明天啟年間，與雞山各直隸僧儒能、排寂、周輝、悟?qū)挼冗B名具訴，奉批允賞立直隸勒碑，蠲免一應(yīng)夫馬雜差。鼎革之后，內(nèi)里排將僧等，妄扳置日夫馬雜差，諸僧人再次連名上訴?？滴醵荒辏?682），經(jīng)大理府批示，各僧遵照嗣后輸納錢糧，止許本山、本剎田地，其他雜差悉行豁免，以永名山香火。

可見(jiàn)，該詞的確能夠充當(dāng)人名。但是這種詞型較豐富的詞要不要最終收錄進(jìn)古籍專名數(shù)據(jù)庫(kù)中，需要具體情況具體分析。

還有另外一種情況需要考慮，比如某一詞條，即使在某些專名詞典中已收錄。但是在大規(guī)模古文語(yǔ)料中，該詞的成詞概率較低。從古籍信息處理的角度來(lái)看，這種詞形并不能很好地服務(wù)于專名的自動(dòng)識(shí)別。

比如，“何求”作為一個(gè)詞時(shí)可以在古代漢語(yǔ)中充當(dāng)專有名詞（人名），《中國(guó)歷史人名大辭典》解釋如下：

何求：南朝齊廬江潛人，字子有。宋文帝元嘉末，歷官丹陽(yáng)、吳郡丞，太子中舍人。宋明帝泰始中，妻亡，還吳，累遷不拜。齊武帝永明間，征太中大夫，又不就。隱居虎丘。初求父有風(fēng)疾，無(wú)故害死求母，坐法死，求兄弟以此無(wú)宦情。

“何求”作為一個(gè)字串時(shí)可以切分成兩個(gè)詞，即“何”和“求”。

下面是兩個(gè)關(guān)于“何求”的語(yǔ)料實(shí)例（詞性標(biāo)記規(guī)范參考LDC發(fā)布的《左傳》語(yǔ)料庫(kù)①）：

①何求/nr字/v子有/n，/w廬江/n灊/n人/n也/u。 /w （《南齊書·高逸傳·何求》）

②不/d知/v我/r者/r，/w謂/v我/r何/r求/v。 /w（《詩(shī)經(jīng)》）

不難發(fā)現(xiàn)，①中“何求”是一個(gè)人名，而在②中則是兩個(gè)獨(dú)立運(yùn)用的詞。

綜合以上所述，語(yǔ)法功能較活躍的一些詞（既可以充當(dāng)專名，又可以充當(dāng)其他詞類）以及成詞概率較低的一些專名要不要最終收錄進(jìn)專名數(shù)據(jù)庫(kù)，需要對(duì)這些詞進(jìn)行專名置信程度的統(tǒng)計(jì)計(jì)算。如果一個(gè)詞在古代漢語(yǔ)中成詞概率較高，而且該詞經(jīng)常作為專名出現(xiàn)，那么這個(gè)詞作為專名置信程度一般；如果一個(gè)詞成詞概率較低，或者不經(jīng)常作為專名出現(xiàn)，那么這個(gè)詞作為專名的置信程度較低；如果一個(gè)詞只能作為專名出現(xiàn)，且結(jié)合緊密，那么這個(gè)詞作為專名的置信程度極高。

該研究以完成分詞與詞性標(biāo)注任務(wù)的先秦22本古籍語(yǔ)料、史記語(yǔ)料以及中古語(yǔ)料為基礎(chǔ)（語(yǔ)料總詞次為261萬(wàn)），將專名數(shù)據(jù)庫(kù)中的所有專名與該語(yǔ)料中的詞或者字串進(jìn)行匹配計(jì)算，統(tǒng)計(jì)出每個(gè)專名的置信程度，用0、1、-1來(lái)表示置信程度的高低。具體統(tǒng)計(jì)方法如下：

（1）將專名詞條與標(biāo)注好詞性的先秦和中古語(yǔ)料進(jìn)行匹配。在原專名數(shù)據(jù)庫(kù)中新增三列數(shù)據(jù)項(xiàng)：

A專名作為純字符串在語(yǔ)料中出現(xiàn)的次數(shù)

B專名作為一個(gè)詞且標(biāo)注為專名詞性的詞例在語(yǔ)料中出現(xiàn)的次數(shù)

C專名作為一個(gè)獨(dú)立運(yùn)用的詞且詞性不屬于專名的詞例在語(yǔ)料中出現(xiàn)的次數(shù)

（2）根據(jù)新得出的三列詞頻信息計(jì)算詞語(yǔ)置信程度并將統(tǒng)計(jì)結(jié)果新增至數(shù)據(jù)庫(kù)“grade”字段中：

當(dāng)A、B、C三列字段統(tǒng)計(jì)結(jié)果均為0時(shí)，grade屬性為0。 當(dāng)三列字段統(tǒng)計(jì)結(jié)果有不為0的情況，則繼續(xù)進(jìn)行如下計(jì)算：

若專名詞長(zhǎng)等于1且B/A=1，則grade屬性為1，否則為-1；若詞長(zhǎng)大于1：如果B/A=1，且C/B＜1，則grade屬性為1；如果B/A＜0.1或C/B＞1，則grade屬性為-1；如果0.1＜B/A＜1且C/B＜1，則grade屬性為0。部分統(tǒng)計(jì)結(jié)果如表8所示。

表8 專名置信程度的部分統(tǒng)計(jì)

ID word 字符串頻次專名詞性頻次非專名詞性頻次專名詞性頻次／字符串頻次非專名詞性頻次／專名詞性頻次置信程度31619 仲淵2 2 0 1 0 1 31973 宋武13 4 0 0．308 0 0 487516 鄢郢3 3 0 1 0 1 487517 鄞3 2 0 0．667 0 －1 487521 鼓806 273 260 0．339 0．952 －1 487653 蒲212 56 0 0．264 0 －1 487694 蒲坂20 19 0 0．950 0 0 487715 蒲姑3 1 0 0．333 0 0 487734 蒲圃6 6 0 1 0 1

通過(guò)進(jìn)一步分析，發(fā)現(xiàn)古代漢語(yǔ)中某些單字詞只作為專名使用。這種只能作為專名的單字詞在數(shù)據(jù)庫(kù)中有72條，其中人名8條，地名32條，書名32條。部分統(tǒng)計(jì)結(jié)果如表9所示，其中ns表示地名，nr表示人名，nx表示其他專名。

表9 頻次最高的前15個(gè)只能用作專名的單字詞

3.2 專名數(shù)據(jù)庫(kù)中重要專名統(tǒng)計(jì)

古籍專名數(shù)據(jù)庫(kù)中所收錄的專名歷史跨度大，詞條數(shù)目眾多。有的專名大家耳熟能詳，有的專名并不常見(jiàn)。一個(gè)專名有可能被多部古籍辭典以及多種期刊文獻(xiàn)所記載，根據(jù)專名的各個(gè)出處，對(duì)所收錄的專名進(jìn)行量化統(tǒng)計(jì)，可以清楚地看到有哪些專名在歷史上打下的烙印比較深。本文對(duì)古籍專名數(shù)據(jù)庫(kù)中專名出處較廣的人名、地名、書名進(jìn)行了統(tǒng)計(jì)分析，得到了每個(gè)專名出處的頻次信息，并進(jìn)行降序排列。如表10所示。

表10 出處最多的前15個(gè)專名詞條（人名、地名、書名）

不難發(fā)現(xiàn)，排名靠前的人名多為佛教僧人，經(jīng)過(guò)分析發(fā)現(xiàn)，該數(shù)據(jù)庫(kù)收錄的佛經(jīng)文獻(xiàn)資源來(lái)源廣泛，包括《佛教人名庫(kù)》《佛經(jīng)詞典》《歷代名僧詞典》《閱藏知津》等，并且一些有名的僧人不僅在佛經(jīng)詞典資源中有所收錄，在普通的歷史詞典中也有收錄，比如“法藏”在《中國(guó)歷史大辭典》就有所記載。大家耳熟能詳?shù)囊恍┤嗣?，比如“王安石”“杜甫”“朱熹”等排名也很靠前，他們都有四個(gè)不同的出處。在地名兩列中不難發(fā)現(xiàn)，排名靠前的多是山名、水名，而國(guó)名、城邑名排名相對(duì)靠后。在書名兩列中，可以發(fā)現(xiàn)排名前15的書名大家都很熟悉，四書五經(jīng)基本都涵蓋在內(nèi)。

3.3 古代專名中的高頻字

通過(guò)對(duì)數(shù)據(jù)庫(kù)中各專名本身的構(gòu)詞材料進(jìn)行統(tǒng)計(jì)，比如，統(tǒng)計(jì)出某類專名中哪些字用的比較頻繁，可以窺探出古代專名的一些命名規(guī)律。統(tǒng)計(jì)結(jié)果如表11所示。

表11 古籍專名中前20個(gè)高頻字統(tǒng)計(jì)

人名 頻次 地名 頻次 書名 頻次年號(hào) 頻次宗5641安2364論9887寶17孫5547口2255公9362始16林5473江2123三9299嘉16鄭5376溪2089中8802正16大5356塘1998圖8714延15 15朱5206西1990篇8614泰

從上表人名兩列信息可發(fā)現(xiàn)，古籍中有很多以“氏”結(jié)尾的專有名詞，除了人名中基本的姓氏以外，“繼”“文”“子”“宗”“德”等字占了很高的比例。從地名兩列可以窺探到古代地名的基本分類，即國(guó)名、城邑名、山名、水名、部族名以及部分建筑名，而且不少地名包含表示方位的詞素，如上表中的“南”、“西”。從年號(hào)兩列信息中可以發(fā)現(xiàn)，“天”排在了首位，這也映照了我國(guó)歷史上封建王朝的體制特點(diǎn)與封建思想?？傆[全表，可以發(fā)現(xiàn)一個(gè)有趣的現(xiàn)象，各專名都包含一個(gè)相同的高頻詞素，即“大”。說(shuō)明此字在古代較為活躍，構(gòu)詞能力極強(qiáng)。《漢語(yǔ)大詞典》關(guān)于“大”的釋義義項(xiàng)極多，可以作為姓，又可以作為一種尊稱，還可以表示程度深的含義等，而且古通“太”和“泰”。所以古代各專名采用“大”作為它們的構(gòu)詞材料也就不足為奇了。

4.結(jié)語(yǔ)

本文總結(jié)了古籍專名數(shù)據(jù)庫(kù)的構(gòu)建方法以及構(gòu)建過(guò)程，介紹了該數(shù)據(jù)庫(kù)中的專名構(gòu)成，簡(jiǎn)單統(tǒng)計(jì)分析了該數(shù)據(jù)庫(kù)中各專名的置信程度，以及古籍專名的諸多特點(diǎn)。該庫(kù)的構(gòu)建可以服務(wù)于古籍文本的專名自動(dòng)識(shí)別，也可以服務(wù)于古代漢語(yǔ)理論方面的研究。

當(dāng)然，該數(shù)據(jù)庫(kù)仍然存在一些缺點(diǎn)和不足，例如專名的同名異指問(wèn)題還沒(méi)有在數(shù)據(jù)庫(kù)中得到有效的區(qū)分：某一專名出處眾多，不同出處給出不同的解釋，有的出處對(duì)該專名的解釋內(nèi)容大體一致，有的出處對(duì)該專名的解釋完全不一致?？梢哉J(rèn)定這是兩個(gè)形式相同而內(nèi)容不同的專名，這種詞條需要在數(shù)據(jù)庫(kù)中加以標(biāo)明。古籍專名數(shù)據(jù)庫(kù)的構(gòu)建不是一蹴而就的，需要對(duì)數(shù)據(jù)庫(kù)進(jìn)行不斷地優(yōu)化和完善，這也是今后我們工作要努力的方向。

注釋：

①LDC左傳語(yǔ)料庫(kù)https：//catalog.ldc.upenn.edu/LDC2017T14