使用之特徵值

由於本研究之問題範疇限制為「不使用詞外資訊」，故此節介紹之特徵值皆為 單一「中文字」之特徵值。實際於機器學習時之特徵值應用方法（如兩字之特徵 值直接合併、推導為機率，或依順序排列等等）則依所使用之演算法而各不相同，

此將於 3.4.2 節中詳述。

本研究自《教育部國語辭典》中抽取特徵值之最主要概念為：「以該詞性下之

『義項數』模擬該字於詞彙中為該詞性之傾向」。由於教育部國語辭典所定義之詞 性共有 9 種，意即「各詞性下之義項數」為 9 個非負實數，也就是最基本的 9 個 特徵值，稱為「基本特徵值組」。表 3-8 以「好（ㄏㄠˇ）」為例，詳細示範基本 特徵值組之算法與意義（見 31 頁）（實際辭典內容請參考圖 3-7）。

其次，我們觀察發現，部分漢字於二字詞中之詞性傾向亦與「該字於詞彙中 之位置」有關。舉例而言，「戲」若為某詞之尾字，如「看戲」、「排戲」、「聽戲」，

則詞性傾向於名詞；但若位於首字，如「戲弄」、「戲耍」之「戲」為副詞，「戲子」、

「戲精」中則為形容詞，即無強烈的名詞性；又如「好（ㄏㄠˇ）」字做動詞用時 幾乎不會出現首字而多為尾字，如「友好」、「病好」。欲以特徵值呈現此現象，應

需一大型構詞資料庫，以統計每一漢字之各詞性的位置傾向（如動詞傾向於詞首、

名詞傾向於詞尾等等）。然如前所述，正體中文缺乏標記完善之大型構詞語料庫。

即便以本研究所標之八千餘二字詞，分予九千餘漢字、每一字下又有 9 種詞性，

亦將造成極嚴重之資料空缺（data sparse）問題。

表 3-8 基本特徵值組（以「好（ㄏㄠˇ）」為例）

而觀察《教育部國語辭典》，可發覺其每一漢字條目下之每一詞條常有「例 詞」。我們或可做一假設：若某字為某詞性時通常位於詞首，則該辭典於該詞性下 之詞條舉例時，亦較容易舉出「該字位於詞首」之詞例（此假設顯然是基於對該 辭典「編纂時對所有詞條均採同一標準」之信任而來）。以此概念出發，我們遂決 定以漢字「各詞性下例詞中，該字為『首字』／『尾字』的個數」為特徵值，分 別稱為「詞首特徵值組」與「詞尾特徵值組」。而「例詞」之定義為「引號內無任 何標點符號者」，以與「例句」分開。

然我們亦觀察到，部分例詞之詞首或詞尾字並不具有代表性，如「家（ㄐㄧ ㄚ）」之例詞有「住戶不滿十家」，此詞彙頗長，已具有句子特性，其中之「家」

顯然作一獨立詞彙之用，而非作為詞彙內部之語素；又如「向」之例詞，「向有研 究」與「向前看」等，其中之「向」似亦因三、四字詞彙稍有句子特性而作獨立 詞彙使用，與二字詞內之「志向」、「方向」用法殊異。為減低此影響，本研究將

「詞首／詞尾特徵值組」所指涉之例詞先刪去五字以上者，再以「例詞之詞長」

分為二、三、四字詞三個子類。仍以「好（ㄏㄠˇ）」為例，最後完成之特徵值組 細節即如表 3-10（見 33 頁）與表 3-11（見 34 頁）。

最後，依現代漢語之常識，部分單字若作動詞用時會轉聲調為四聲或三聲（古 仄聲字）。如「衣（ㄧ）」作動詞用則轉為「ㄧˋ」；「飯（ㄈㄢˋ）」作動詞用則會 轉為「ㄈㄢˇ」。故本研究亦將聲調列為特徵值之一。如表 3-9：

表 3-9 聲調特徵值（以「好（ㄏㄠˇ）」為例）

內容 聲調

值域 輕聲（˙）或四聲（ ˊˇˋ）²² 意義 部份漢字轉品時聲調亦會改變。

實例 好（ㄏㄠˇ）：「ˇ」

22 不另轉為實數表示，因某些機器學習工具可以字串為特徵值（如 CRF++），而非必為數字。

表 3-10 詞首特徵值組（以「好（ㄏㄠˇ）」為例）

音之條目合併，則義項數與例詞數均將變大，若合併後之特徵值仍與未合併之特 徵值並列為訓練語料，特徵值的代表性將被破壞。是以本研究選擇兩者並陳：後 續實驗中，每一漢字均將攜帶「合併所有讀音條目後之特徵值」（無論讀音是否已 知）；而若該詞中之該字讀音已知²³，則再加上「已知讀音條目之特徵值」。

表 3-11 詞尾特徵值組（以「好（ㄏㄠˇ）」為例）

內容 各詞性下之二、三、四字例詞中，該字為「尾字」的個數 值域 大於等於 0 之整數

意義

若某字為某詞性時通常位於詞尾，則該辭典於該詞性下之詞條舉例時 亦較容易舉出「該字位於詞尾」之詞例，可以此模擬「詞性傾向」與

「該字於詞彙中之位置」之關係。

實例

二字詞 三字詞 四字詞 詞性 特徵值 列舉 特徵值 列舉 特徵值 列舉

名 0 - 0 - 0 -

形 0 - 0 - 0 -

動 1 友好 0 - 0 -

副 0 - 0 - 0 -

助 0 - 0 - 0 -

連 0 - 0 - 0 -

介 0 - 0 - 0 -

代 0 - 0 - 0 -

歎 0 - 0 - 0 -

本節最後仍以「好（ㄏㄠˇ）」字為例，假設讀音已知，將其完整特徵值詳列 如表 3-12：

23 雖然罕有但確會發生「某詞彙之完整讀音未知，但某成分字之讀音已知」的情況。可能為該字僅有一 種讀音（但此情況下也就不會有特徵值合併與否之問題），亦或我們可由「某詞為某字某讀下之例詞」而取 得該字讀音，但於辭典中卻無法查得全詞讀音。

表 3-12 完整特徵值範例（以「好（ㄏㄠˇ）」已知讀音狀況為例）

無論讀音是否已知 已知讀「ㄏㄠˇ」

例詞數 例詞數

詞首為好 詞尾為好 詞首為好 詞尾為好 基本

二 三 四 二 三 四

基本

二 三 四 二 三 四 聲調 名 2 0 0 0 0 0 1 0 0 0 0 0 0 0 形 3 0 4 1 0 0 0 3 0 4 1 0 0 0 動 3 0 0 2 1 0 1 2 0 0 0 1 0 0 副 7 7 4 1 0 0 0 7 7 4 1 0 0 0 助 0 0 0 0 0 0 0 0 0 0 0 0 0 0 連 0 0 0 0 0 0 0 0 0 0 0 0 0 0 介 0 0 0 0 0 0 0 0 0 0 0 0 0 0 代 0 0 0 0 0 0 0 0 0 0 0 0 0 0 歎 2 0 0 0 0 0 0 2 0 0 0 0 0 0

ˇ