基于《同義詞詞林》深度的詞義相似度計算研究

楊 泉，孫玉泉

1.北京師范大學(xué) 漢語文化學(xué)院，北京 100875

2.北京航空航天大學(xué) 數(shù)學(xué)科學(xué)學(xué)院，北京 100191

1 引言

詞語間的語義相似度（本文簡稱詞義相似度）計算是自然語言處理中文本數(shù)據(jù)處理的基礎(chǔ)，隨著人工智能時代的到來，詞義相似度計算越來越多地應(yīng)用到機(jī)器翻譯、人機(jī)問答、情感計算、信息抽取、生物醫(yī)學(xué)等不同領(lǐng)域。

目前詞義相似度的計算方法基本上可以分為兩類：一類是根據(jù)某種已有知識本體（Ontology）或分類體系（Taxonomy）進(jìn)行計算；另一類是在大規(guī)模語料庫的基礎(chǔ)上直接統(tǒng)計和計算[1]?；谡Z料庫的方法需要在大規(guī)模精確標(biāo)注語料的基礎(chǔ)上進(jìn)行，對語料的依賴性較大，可解釋性也較差。而基于知識本體的方法依據(jù)人類的世界知識，對詞語之間的語義相似程度進(jìn)行計算，具有較強(qiáng)的理論依據(jù)。

國外很多詞義相似度測量方法是使用WordNet 作為底層參考知識本體來實(shí)現(xiàn)和評估的[2]。例如Resnik等在WordNet 的“IS-A”分類體系基礎(chǔ)上提出了一種基于共享信息內(nèi)容概念的詞義相似性計算方法。對同義詞表組內(nèi)的名詞詞義分配置信值，利用分類相似性解決語義歧義問題[3]。Taieb 等提出了一種基于WordNet 層次結(jié)構(gòu)深度分布的相關(guān)概念下位詞子圖量化法。該方法對WordNet 中兩個待比較詞的下位詞和深度參數(shù)比組成的子圖進(jìn)行量化，并利用與“IS-A”分類體系相關(guān)的拓?fù)鋮?shù)，計算兩個詞語的語義相似度[4]。WordNet 是目前世界上計算英語詞義相似度的主要知識本體依據(jù)。

國內(nèi)中文詞義相似度計算也有采用知網(wǎng)作為分類詞典的方法，劉群、李素建等在知網(wǎng)的基礎(chǔ)上給出了判定詞義相似度的計算模型[1，5]。但是知網(wǎng)的構(gòu)造者董振東指出知網(wǎng)的結(jié)構(gòu)與WordNet 是有很大區(qū)別的，最大不同在于它不是一部義類詞典，而是一個描述概念與概念之間關(guān)系以及概念的屬性與屬性之間關(guān)系的知識系統(tǒng)[6-7]?！锻x詞詞林》是梅家駒等人于1983 年編撰的可計算漢語詞庫，經(jīng)哈爾濱工業(yè)大學(xué)研究人員擴(kuò)展成為《哈工大信息檢索研究室同義詞詞林?jǐn)U展版》（本文簡稱《詞林》），其內(nèi)部結(jié)構(gòu)與WordNet 的分類體系較為相似，因此近年來越來越多地被應(yīng)用于詞義相似度計算中。

田久樂等利用《詞林》的編碼及結(jié)構(gòu)特點(diǎn)，結(jié)合詞語的相似性和相關(guān)性，實(shí)現(xiàn)了一種基于路徑和深度的詞語相似度計算方法，對于兩個詞語義項(xiàng)s1和s2，其相似度計算公式如下：

其中，init(s1,s2)是相似度初值函數(shù)是相似度初值調(diào)節(jié)參數(shù)，n是分支層結(jié)點(diǎn)總數(shù)，k是兩個義項(xiàng)在最近公共父結(jié)點(diǎn)中的分支距離[8-9]。

朱新華等根據(jù)詞語的分布情況，為《詞林》提出的詞語相似度計算公式如下：

其中，分支結(jié)點(diǎn)數(shù)n和分支間隔數(shù)k為調(diào)節(jié)參數(shù)，dis(C1,C2)是詞語編碼C1和C2在樹狀結(jié)構(gòu)中的距離函數(shù)。該文為知網(wǎng)也提出了改進(jìn)的義原相似度計算，最后綜合考慮知網(wǎng)與《詞林》的動態(tài)加權(quán)策略來計算最終的詞語語義相似度[10]。

陳宏朝等提出了一種基于路徑與深度的《詞林》詞語語義相似度計算方法。該方法通過兩個詞語義項(xiàng)之間的最短路徑及其最近公共父結(jié)點(diǎn)在層次樹中的深度計算兩個詞語義項(xiàng)的相似度。并提出在語義詞典中任意兩個義項(xiàng)s1和s2的相似度計算公式如下：Depth(LCP(s1,s2))表示兩個義項(xiàng)s1和s2最近公共父結(jié)點(diǎn)的深度距離，Path(s1,s2)表示兩個義項(xiàng)之間的最短路徑；α為深度調(diào)節(jié)參數(shù)，β為路徑調(diào)節(jié)參數(shù)[9]。

王松松等提出了一種基于路徑與《詞林》編碼相結(jié)合的詞語語義相似度計算方法，該方法使用局部敏感哈希算法將兩個詞語在《詞林》中的編碼轉(zhuǎn)換成兩個二進(jìn)制，再使用海明距離來計算兩個二進(jìn)制之間的距離，具體計算公式如下：

其中，Norm表示對海明距離計算結(jié)果進(jìn)行歸一化處理，PathHamming(w1,w2)表示詞語w1和w2之間的海明距離[11]。

綜上，研究者設(shè)計《詞林》詞義相似度計算模型時具有以下兩個特點(diǎn)：（1）進(jìn)一步挖掘知識體系中的相關(guān)信息，并將這些信息作為計算詞義相似度的關(guān)鍵因素；（2）進(jìn)一步完善詞義相似度的計算模型，建立詞義相似度與關(guān)鍵因素之間更為合理的關(guān)系表達(dá)式。從而使得相似度計算結(jié)果更接近人工判定值，但相關(guān)算法和模型仍有需要完善的地方。

2 《同義詞詞林》組織架構(gòu)分析

經(jīng)哈工大擴(kuò)展后的《詞林》目前共收錄詞語77 456條，分為 12 個大類，95 個中類，1 428 個小類，小類下方進(jìn)一步劃分為4 026 個詞群和17 817 個原子詞群兩級。每個原子詞群對應(yīng)一個義項(xiàng)編碼，也對應(yīng)著一組同義詞條目，其中只有一個義項(xiàng)的詞語有68 645 個，兩個或兩個以上義項(xiàng)的詞語有8 811個。

《詞林》體系中將詞語分為五個層級，第一層級是大類，用1 位大寫英文字母表示；第二層級是中類，用1 位小寫英文字母表示；第三層級是小類，用2 位十進(jìn)制整數(shù)表示；第四層級是詞群，用1位大寫英文字母表示；第五層級是原子詞群，用2位十進(jìn)制整數(shù)表示。在這個五層級分類體系中用7 位編碼確定后就可以唯一表示一組原子詞群。第8位編碼有三種情況：“＝”表示原子詞群中的詞語屬于同義詞語；“＃”表示原子詞群中的詞語屬于相關(guān)詞語；“＠”表示原子詞群中只有一個詞語，這個詞語在《詞林》中既沒有同義詞語，也沒有相關(guān)詞語。表1詳細(xì)展示了《詞林》中的五層、8位義項(xiàng)編碼情況（參見《哈工大同義詞詞林?jǐn)U展版》網(wǎng)站：http://www.ltpcloud.com/download）。

表1 《詞林》義項(xiàng)編碼表

在《詞林》的編碼體系中，前面四層結(jié)點(diǎn)都代表抽象的類別，只有第五層的葉子結(jié)點(diǎn)才是具體的詞語，同一個詞語可能有多個不同的義項(xiàng)，即同一詞語可能在不同的原子詞群中同時存在。其中第一層級的大類代碼含義如表2所示。

表2 《詞林》大類代碼含義表

表2 中A、B、C 類多為名詞，D 類多為數(shù)詞和量詞，E 類多為形容詞，F(xiàn)、G、H、I、J 類多為動詞，K 類多為虛詞，L 類是難以被分到上述類別中的一些詞語[12]。大類和中類的排序遵照從具體到抽象的原則，如E 大類下面又分為五個中類，從“外形”到“境況”，如表3所示。

表3 《詞林》E大類分支義項(xiàng)代碼含義表

下面將《詞林》體系做形式化表示：

（1）為將不同大類的層級體系整合在一起，本文在《詞林》體系第一層級“大類”上面再增加一個根結(jié)點(diǎn)R，這樣《詞林》體系中的詞語根據(jù)其編碼就構(gòu)成一個完整的六層結(jié)點(diǎn)、五層邊的樹形結(jié)構(gòu)圖。

（2）在《詞林》體系中，所有詞語都在第五層的葉子結(jié)點(diǎn)上，將詞語集合記為S={s1,s2,…,sn},對于任意兩個葉子結(jié)點(diǎn)上的詞語(s1,s2)，其詞義相似度值表示為S(s1,s2)。

根據(jù)以上形式化表示方式，可以把《詞林》的義項(xiàng)編碼轉(zhuǎn)化為如圖1的樹形結(jié)構(gòu)圖。

（4）在圖1的樹形結(jié)構(gòu)中，深度是指某個結(jié)點(diǎn)（葉子結(jié)點(diǎn)或父結(jié)點(diǎn)）到根結(jié)點(diǎn)的距離，用D表示；路徑是指兩個葉子結(jié)點(diǎn)分別到其最近父結(jié)點(diǎn)的邊的總和，用P表示。例如圖1 中，s1和s4的最近父結(jié)點(diǎn)是F31，那么s1到s4的路徑就是s1到F31的邊總數(shù)與s4到F31的邊總數(shù)之和。s1到F31的邊總數(shù)為2，s4到F31的邊總數(shù)為2，那么s1到s4的路徑P=4。結(jié)點(diǎn)F31的深度是其到根結(jié)點(diǎn)R的邊的總數(shù)，因此F31的深度D=3。

圖1 《詞林》樹形結(jié)構(gòu)圖

通過上文對《詞林》的整體架構(gòu)的分析，可以得出以下結(jié)論：

（1）知識本體對于詞義相似度計算起決定性作用?；诹x項(xiàng)編碼的《詞林》樹形圖中，不同葉子結(jié)點(diǎn)間的路徑信息里面隱含著《詞林》中的詞義相似度信息，這些信息實(shí)際是作者在編著《同義詞詞林》時就已融入其中的世界知識。在計算詞義相似度時如果能精確解析蘊(yùn)含其中的豐富信息，并將其形式化后轉(zhuǎn)化為計算機(jī)可執(zhí)行算法，就可以計算出基于《詞林》的兩個詞語之間的詞義相似度數(shù)值。不同知識本體中蘊(yùn)含著不同的分類體系和世界知識，實(shí)際上是其構(gòu)建者對于世界知識和詞語體系認(rèn)識的不同。如果用不同的知識本體做基礎(chǔ)去計算詞語之間的詞義相似度，即使使用相同的算法也會得出不同的結(jié)論。因此知識本體首先是影響詞義相似度計算結(jié)果的決定性因素。

（2）父結(jié)點(diǎn)深度與路徑具有等價關(guān)系。在引入了根結(jié)點(diǎn)R的情況下，《詞林》有六層結(jié)點(diǎn)，五層邊，所有的詞語都位于層級體系最下面的葉子結(jié)點(diǎn)上，因此它們與根結(jié)點(diǎn)R的距離（即葉子結(jié)點(diǎn)深度）都相同，數(shù)值為5。而對于父結(jié)點(diǎn)深度只有4種取值情況，D=1，2，3，4。顯然一個葉子結(jié)點(diǎn)的深度應(yīng)該是它到其任何父結(jié)點(diǎn)的距離與該父結(jié)點(diǎn)深度之和。對于任意兩個葉子結(jié)點(diǎn)，它們到最近父結(jié)點(diǎn)的距離相等，因此兩個詞語間的路徑是它們到最近父結(jié)點(diǎn)距離的2倍。例如，s1和s4的父結(jié)點(diǎn)是F31，s1到s4的路徑P=4 ，F(xiàn)31的深度D為3，s1和s4到F31的邊數(shù)均為，因此父結(jié)點(diǎn)深度和路徑有如下關(guān)系：

該結(jié)論說明路徑和父結(jié)點(diǎn)深度是兩個能夠相互表示的量，因此在計算相似度時兩者能夠互相替代，從而簡化算法。

（3）在同一個知識本體中，最近父結(jié)點(diǎn)F的深度對于兩個詞語的詞義相似度起決定性作用。從《詞林》體系中可以直觀地看出來，F(xiàn)在《詞林》體系中所處層級位置越高，D的取值越小，則s1與s2的相似度越低；相反F在《詞林》中所處層級位置越低，D的取值越大，其在《詞林》中所處層級位置越低，則s1和s2的相似度越高。因此D的取值與S成正比關(guān)系，而F的位置與S成反比關(guān)系。這從語言學(xué)角度也很容易理解，當(dāng)兩個詞語所處的分支層的父結(jié)點(diǎn)越低，說明這兩個詞語所在的類別距離越近，兩個詞語的語義相似程度就越高，相反當(dāng)兩個詞語所處的分支層的父結(jié)點(diǎn)越高，說明這兩個詞語所在的類別距離越遠(yuǎn)，兩個詞語的語義相似程度就越低。詞義相似度計算問題就是將已有知識體系中的信息進(jìn)行量化表達(dá)的過程，因此對知識體系中信息提取得越充分，使用得越合理，就能得到更好的計算結(jié)果。為此本文對《詞林》中與詞義相似度相關(guān)的信息進(jìn)行了詳細(xì)的統(tǒng)計和分析。

①分析葉子結(jié)點(diǎn)中詞語的分布情況。在《詞林》中每個葉子結(jié)點(diǎn)對應(yīng)一個義項(xiàng)編碼，且唯一代表一個原子詞群，根據(jù)義項(xiàng)編碼末位（即第8 位編碼）判斷，原子詞群中的詞語有三類關(guān)系：同義、相關(guān)或獨(dú)立?！蔼?dú)立”的意思是該原子詞群內(nèi)部僅包含一個詞語，最大的原子詞群包含572個詞，是縣名的集合。原子詞群中不同詞語數(shù)量分布情況如圖2所示。

對照組患者圍手術(shù)期低血糖發(fā)生率為15.00%，觀察組為3.33%，兩組對比差異有統(tǒng)計學(xué)意義（P<0.05）；對照組患者圍手術(shù)期傷口感染率為18.33%，觀察組為5.00%，兩組對比差異有統(tǒng)計學(xué)意義（P<0.05）。見表1。

圖2 不同詞語數(shù)量原子詞群分布圖

從圖2 中可以看出，原子詞群的分布符合冪率分布。包含詞語個數(shù)越少的原子詞群在《詞林》中所占的比例越高。例如僅包含一個詞語的原子詞群數(shù)量最多有4 377 個，占比25.6%；包含兩個詞語的原子詞群有4 161個，占比23.3%；而包含30個詞語的原子詞群只有15個。

在《詞林》的構(gòu)建過程中，將同一原子詞群中詞語的相似度定義為1，或者說原子詞群是《詞林》中詞義相似度計算的最小單元。因此基于《詞林》的詞義相似度計算實(shí)際上是原子詞群之間的相似度計算。僅使用《詞林》的知識無法進(jìn)一步比較原子詞群內(nèi)部詞語間的相似度，特別是相關(guān)性詞語的相似度無法進(jìn)行進(jìn)一步判斷，需要借助更多知識。

②分析不同深度上結(jié)點(diǎn)的數(shù)量及其分支的分布情況。

從圖3中可以看出，第一層中各結(jié)點(diǎn)包含的分支數(shù)存在較大差異，其中包含分支數(shù)最多的是結(jié)點(diǎn)B 類（物類），共有4 568個分支（具體分支情況見圖4）；包含分?jǐn)?shù)支最少的結(jié)點(diǎn)是L類（敬語類），僅有28個分支。

圖3 《詞林》第一層級各結(jié)點(diǎn)分支數(shù)量圖

圖4 B大類各結(jié)點(diǎn)分支數(shù)量分布圖

進(jìn)一步分析第一層結(jié)點(diǎn)的分支情況，其中A結(jié)點(diǎn)包含從a到n共14個不同分支，分支中包含結(jié)點(diǎn)最多的有291 個，最少的有19 個（具體分支情況見圖5）。結(jié)點(diǎn)A的子結(jié)點(diǎn)Ae包含18個分支（詳見圖6）。對這些結(jié)點(diǎn)中的每一個結(jié)點(diǎn)還可以繼續(xù)分析其分支數(shù)量，直到得到每一個結(jié)點(diǎn)所包含的原子詞群中詞語的數(shù)量。

圖5 A大類各結(jié)點(diǎn)分支數(shù)量分布圖

圖6 結(jié)點(diǎn)Ae分支數(shù)量分布圖

3 基于父結(jié)點(diǎn)深度和父結(jié)點(diǎn)深度與其分支信息相結(jié)合的詞義相似度計算模型

在基于知識本體的詞語相似度算法中，使用路徑和深度計算詞語相似度是非常重要的一類方法。如前所述在基于WordNet的英語詞語相似度計算方法中，研究者提出了各種簡單或復(fù)雜的基于路徑和深度的計算方法，這些方法又可進(jìn)一步劃分為僅基于路徑的方法、基于路徑和深度的方法以及包含信息內(nèi)容的方法等[4]。因?yàn)椤对~林》也具有清晰的詞語路徑和深度信息，所以這些基于路徑和深度的方法都可以直接用于基于《詞林》的詞義相似度計算中。但由于WordNet 與《詞林》的組織架構(gòu)不同，在WordNet 中不同的詞可能具有不同深度，這種葉子結(jié)點(diǎn)深度不均勻，義項(xiàng)遍布所有結(jié)點(diǎn)的組織方式與《詞林》是截然不同的。

《詞林》中所有詞語都在葉子結(jié)點(diǎn)上，因此都具有相同深度，如果直接使用基于WordNet 的計算公式，就會出現(xiàn)得到的相似度只能取到幾個有限值的情況，無法體現(xiàn)不同詞對之間的差異。但在《詞林》體系中這種取值也具有一定的合理性，在《詞林》體系中，詞語按照類別逐級細(xì)分，例如“人類”的語義代碼為Aa01A02=，“兄弟”的語義代碼為Aa02A07=“，森林”的語義代碼為Bh01A03=。“人類”與“兄弟”的語義類別在同一個大類A 中，而“人類”與“森林”的語義類別不同，分別在A 大類和B 大類中，因此前兩者的詞義相似度一定高于后兩者。如果用圖1的樹形結(jié)構(gòu)來描述，“人類”與“兄弟”的最近父結(jié)點(diǎn)為處于第三層的a，其深度為2?！叭祟悺迸c“森林”的父結(jié)點(diǎn)為R，其深度為0。所以最近父結(jié)點(diǎn)深度不同的兩個詞對所對應(yīng)的詞義相似度必然不同。

前期文獻(xiàn)中的普遍結(jié)論是假設(shè)兩個詞語義項(xiàng)s1和s2的相似度S與它們最近父結(jié)點(diǎn)的深度D存在確定的函數(shù)關(guān)系，根據(jù)本文描述《詞林》結(jié)構(gòu)的樹形結(jié)構(gòu)圖，S與D成正比關(guān)系，即D越大時S的取值越大，反之越小，且S的取值應(yīng)介于[0，1]之間，為此本文給出如下簡潔公式：

其中，λ1、λ2、λ3、λ4為調(diào)節(jié)參數(shù)。該式僅通過父結(jié)點(diǎn)深度D來計算兩個詞語的詞義相似度S的大小，且能很好地體現(xiàn)D與S的關(guān)系。

公式（3）使用了距離、路徑以及動態(tài)參數(shù)，當(dāng)動態(tài)參數(shù)β取常數(shù)時，本文所提出的公式（6）實(shí)際與公式（3）是等價的。因?yàn)樵诠剑?）中Depth和Path分別是加權(quán)后的深度和路徑，且每層只有一個權(quán)值，若將公式（5）代入公式（3）所得結(jié)果實(shí)質(zhì)上與公式（6）結(jié)果等價。因?yàn)樵凇对~林》中路徑的深度層次有限，所以詞對間相對位置的情況是有限的，因此使用公式（6）只能得到幾種有限詞義相似度取值。也就是說公式（6）對應(yīng)函數(shù)的定義域?yàn)閧0，1，2，3，4}，因此函數(shù)的值也是有限的，根據(jù)函數(shù)值與D成正比的關(guān)系，該函數(shù)是一個階梯函數(shù)。根據(jù)上面的分析，在《詞林》體系中不同階梯會對應(yīng)不同層級的詞語，從語言學(xué)角度來看這樣的結(jié)果具有一定的合理性。為使得詞語語義相似性得到更好的描述，可以通過調(diào)整函數(shù)表達(dá)式或者加入更多語言學(xué)信息來進(jìn)一步計算出更合理的詞義相似度結(jié)果。公式（3）通過使用隨詞對變化而變化的動態(tài)調(diào)節(jié)參數(shù)β來實(shí)現(xiàn)相似度值的變化，其目的是為了克服只有幾個有限值的不足，但是用這種做法所調(diào)節(jié)的幅度及目標(biāo)值卻都是不可控的，而且從語言學(xué)角度的可解釋性不強(qiáng)。上述深度是表示兩個義項(xiàng)分類差異的結(jié)果，在調(diào)整基于父結(jié)點(diǎn)深度相似度階梯取值時，最好不要改變其相似度階梯，因此應(yīng)在階梯取值基礎(chǔ)上進(jìn)行微調(diào)。根據(jù)這一思想，本文使用任意兩個義項(xiàng)s1和s2最近父結(jié)點(diǎn)的分支信息構(gòu)建微調(diào)項(xiàng)，對公式（6）進(jìn)行微調(diào)后給出如下微調(diào)結(jié)果：

其中，D為最近父結(jié)點(diǎn)深度，N為其最近父結(jié)點(diǎn)所包含的分支總數(shù)，K為兩個義項(xiàng)所在分支的間距。根據(jù)公式（6）中函數(shù)取值的特點(diǎn)及其對最大值和最小值擬合不足的問題，通過設(shè)置調(diào)整參數(shù)(D-1)來改進(jìn)端點(diǎn)處的擬合情況，為避免微調(diào)項(xiàng)改變和否定父結(jié)點(diǎn)深度確定的相似度層級問題，引入正弦函數(shù)進(jìn)行調(diào)節(jié)。

4 實(shí)驗(yàn)與分析

Rubenstein 等讓51 名被試對65 個詞對（簡稱為RG65）進(jìn)行“同義判斷”，這65個詞對的語義從“高度相似”到“語義無關(guān)”不等，被試需要根據(jù)對這些詞對的語義相似性判斷，在0.0～4.0 范圍內(nèi)給詞對打分[13]。后來Miller 等從 RG65 中提取了30 個詞對（簡稱為MC30），這30對樣本中有10對詞語的語義具有高相似性，有10對詞語的語義具有中相似性，還有10 對詞語的語義具有低相似性，然后從被試樣本中抽取38 份樣本作為MC30的人工語義相似性判斷結(jié)果[14]。本文也以此作為判斷標(biāo)準(zhǔn)。

本文將在《詞林》的基礎(chǔ)上，參考MC30人工判別結(jié)果，使用魚群算法建立描述詞義相似度的關(guān)系模型，以期突破根據(jù)先驗(yàn)經(jīng)驗(yàn)建立函數(shù)模型的局限性。人工魚群算法是李曉磊等人于2002年提出的一類基于動物行為的群體智能優(yōu)化算法。該算法是通過模擬魚類的覓食、聚群追尾、隨機(jī)等行為在搜索域中進(jìn)行尋優(yōu)，是群體智能思想的一個具體應(yīng)用[15]。由此本文對公式（6）和（7）中的系數(shù)分別表示為4維和5維向量Λ1,Λ2，這樣可以把待優(yōu)化的參數(shù)看作人工魚個體，通過構(gòu)建魚群分別尋找最優(yōu)參數(shù)。首先使用魚群算法對公式（6）中的系數(shù)進(jìn)行尋優(yōu)，最后得到的系數(shù)分別為：λ1=0.981 1,λ2=0.497 7,λ3=0.124 4,λ4=4.461 2 。

再使用魚群算法對公式（7）中的系數(shù)進(jìn)行尋優(yōu)，最后得到的系數(shù)分別為：

λ1=0.836 6,λ2=0.443 1,λ3=0.167 7

λ4=3.779 3,λ5=0.098 7

將第一組系數(shù)代入公式（6）得到基于父結(jié)點(diǎn)深度的詞義相似度計算方法，將第二組系數(shù)代入公式（7）得到基于父結(jié)點(diǎn)深度與其分支信息相結(jié)合的詞義相似度計算方法。使用這兩個方法分別對MC30 進(jìn)行詞義相似度計算，計算結(jié)果如表4所示。

表4 MC30詞對實(shí)驗(yàn)結(jié)果對比表

表4 中分別列出了公式（6）和公式（7）的相似度計算結(jié)果，以及文獻(xiàn)[9]的結(jié)果，從中可以看出，公式（6）雖然僅使用父結(jié)點(diǎn)深度信息，但仍能得到較好的計算結(jié)果，其結(jié)果與人工值間的皮爾遜系數(shù)為0.854，與文獻(xiàn)[9]的結(jié)果0.856 僅有微小差異，均優(yōu)于該文獻(xiàn)中列出的其他方法，這說明在《詞林》的框架體系中，父結(jié)點(diǎn)深度對相似度起到?jīng)Q定性作用。此外還計算了根方誤差，該值是使用不同算法計算MC30 詞義相似度結(jié)果與人工值之差的平方和再開根號，顯然該值較文獻(xiàn)[9]相應(yīng)結(jié)果更小。公式（7）不僅使用了父結(jié)點(diǎn)深度信息，還將兩個詞最近父結(jié)點(diǎn)的分支信息結(jié)合了進(jìn)來，因此計算結(jié)果得到了進(jìn)一步提升。具有最高的皮爾遜系數(shù)和最小的根方誤差。

顯然在各種方法的計算結(jié)果中均存在與人工值差別較大的義項(xiàng)，例如“食物”和“水果”這一組詞對，其人工判定值較高而《詞林》中計算的值都很低。在《詞林》中兩個詞語的編碼分別為Br03A01=和Bh07A01=，并且被分在“物品”和“植物”兩個不同的中類里面，因此其相似度較低。這種差異實(shí)際上是《詞林》和人工判別方法所使用的知識體系之間存在的差異，而本文算法能較好地刻畫《詞林》體系中所蘊(yùn)含的詞義相似度信息。

此外造成這種結(jié)果的原因還可能來自于不同語言間的差異，因?yàn)槿斯づ卸ㄖ凳腔谟⒄Z詞匯進(jìn)行的，而上述算法都是翻譯為對應(yīng)的漢語詞匯后基于《詞林》進(jìn)行的。這種現(xiàn)象從索緒爾結(jié)構(gòu)主義語言學(xué)的基本觀點(diǎn)來看就很容易理解，語言是由能指和所指構(gòu)成：能指是指語言的音響和形象，即語言的讀音和書寫形式；所指是指語言的概念和內(nèi)容。語言是一個符號系統(tǒng)，具有任意性，這種任意性的關(guān)系又叫約定性，即符號的形式和意義的結(jié)合是由社會“約定俗成”的，而不是它們之間有什么必然、本質(zhì)的聯(lián)系。因此不同符號體系、不同語言系統(tǒng)中的所指對應(yīng)的能指可能不盡相同，而不同語言體系中能指所要表示的所指可能也會存在一定差異。因此不同語言體系的人在表達(dá)同一個所指時，因?yàn)槟苤傅牟煌赡芫蜁嬖谝欢ǖ睦斫獠町?，這樣就造成了在不同語言體系中，所指相同的情況下，能指之間的詞義相似度判斷也會存在一定的差異。

5 結(jié)語

（1）本文指出在《詞林》中父結(jié)點(diǎn)深度和路徑是一對等價概念，基于父結(jié)點(diǎn)深度的詞語的詞義相似度計算方法利用簡單的計算公式就能得到較為理想的計算結(jié)果。算法簡潔便于其在相關(guān)工作中的使用，如短語結(jié)構(gòu)相似度或句子相似度的計算。算法簡潔使得算法更能體現(xiàn)詞義相似度計算所需的核心知識，在《詞林》體系中父結(jié)點(diǎn)深度是詞義相似度的決定性因素，而不是分支信息，分支信息對詞義相似度的計算只能起到微調(diào)作用。給分支信息賦予過高的權(quán)重從語言學(xué)角度來看也很難解釋。此外，使用核心知識可以避免過擬合現(xiàn)象的發(fā)生，使得算法具有更好的泛化能力和適應(yīng)性。

（2）在實(shí)驗(yàn)過程中發(fā)現(xiàn)有些詞語的相似度與人工標(biāo)注值存在較大差異，除進(jìn)一步改善計算方法外，英漢兩種語言在語言符號的音義表達(dá)系統(tǒng)中存在差異這一現(xiàn)象是客觀存在的，因此英語詞語之間的詞義相似度與其在漢語中對應(yīng)的詞語之間的詞義相似度可能總會存在一定的差異。因此本文在相關(guān)系數(shù)達(dá)到實(shí)用性要求的條件下，主要關(guān)注提高算法易用性和分析算法所體現(xiàn)的語言學(xué)原理。

（3）不同知識本體建立者因?yàn)閷κ澜缰R理解的不同，其構(gòu)建的知識本體也會存在較大差異，因此《詞林》和WordNet對詞語相似度的體現(xiàn)也必然存在差異，這對基于兩個知識本體分別判斷詞語之間的詞義相似度會有較大影響。

（4）由于《詞林》框架設(shè)計原因，目前基于《詞林》的詞義相似度算法都是針對不同原子詞群間的詞語進(jìn)行的，相同原子詞群內(nèi)部詞語間的相似度或相關(guān)度判別需要進(jìn)一步借助其他知識本體，如知網(wǎng)中的信息才能進(jìn)行，這是下一步需要研究和關(guān)注的內(nèi)容。