古漢語的語言特徵

arg max |      

Perceptron 不像其他參數評估法，擔保必定收斂。但 Collins [32]和 Sha et al. 

[28]  的實驗指出，perceptron 以非常快的速度逼近 global maximum，通常只要 將整個training data 掃過十數個回合，就能得到很好的成果。但是，經過前幾回 合快速地逼近之後，成長速度會大幅衰減，甚至還有可能退步。根據Collins 的 實驗，將每一代的參數平均，作為最終的模型參數，比只取最後一代的參數有更 好效能。這個方法，Collins 便稱之為 averaged parameters，而後又有人稱呼此 版本的perceptron 為  averaged perceptron。在 Sha et al. [28]  的研究中，averaged  perceptron 僅僅訓練兩個回合，shallow parsing 的 F‐measure 已超過 93%，但 再經過許多回合之後，得到最佳的成績是94.09%，成長極微。即使如此，只訓 練兩個回合的成績，其實已經逼近以L‐BFGS 優化，傳統 conditional random fields 的成績（94.38%）。 

Collins [32]  的 averaged perceptron 演算法，和 conditional random fields 有相同的機率模型，雖然並不更精確，但實作相對容易，訓練的速度也快，卻又 能達到逼近conditional random fields 的表現。因此，averaged perceptron 在自 然語言社群，受到廣泛的歡迎  [36]。 

2.6 古漢語的語言特徵 

清末馬建忠所著的《馬氏文通》，是第一部中文的文法書。馬建忠挪用西洋 拉丁語系的文法概念，分類歸納古漢語的語法，其中，也討論到了句讀的問題，

並整理出一部份粗略的斷句規則。民國初年的語言學家楊樹達，繼馬建忠之後，

建立詞類劃分為中心的體系，研究古漢語語法。其著作《詞詮》  [37]，收錄古 書中常用的470 多個虛詞，分門別類，舉例說明用法。楊樹達的另一著作《古 書句讀釋例》  [1]  則以「句讀之事，視之若甚淺，而實則頗難」為由，從「誤 讀的類型」、「誤讀的貽害」、「誤讀的原因」、「特殊的例句」四個層面，舉例探討 句讀錯誤的因素。該書假定讀者預先具備斷句的基礎，講述細微而容易誤讀的案 例。因此，雖然《古書句讀釋例》是斷句的重要知識來源，畢竟無法單憑書中的 條例與片面的規則，建立真正具備斷句能力的rule‐based 系統。 

前面介紹了許多種序列標籤化的方法，然而，無論是哪一種方法，都必須從 data 中汲取有意義的特徵（features），利用這些特徵作 training，也利用這些特 徵資訊，為未知的sequence 作 labeling。所以，如果能從  data 中粹取（extraction）

越多特徵，將有助於增進分類器的效能。在本研究中，training data 是一段一段 經過斷句的文字。漢字本身固然可以當作一種特徵，但藉由中文的特性，由漢字 出發，還能找到更多有助於斷句的間接特徵，這些特徵包含聲韻、詞性、對句等。 

以聲韻來說，某些音韻很少連在一起使用，當相鄰兩個字的聲韻屬於這種情 況時，表示這兩個字很可能必需斷開。楊樹達  [1]  提到「因不識古韻而誤讀」，

可知聲韻也是斷句辨識的線索之一。在詞性則有助於分析句子的結構：某些虛詞 常用在句首，如「夫」、「蓋」，而某些常用在句末，如「也」、「矣」，這些都可以 作為斷句的識別符號。對句在古漢語中，有頗高的出現頻率，這種特殊的性質，

也有助於斷句。比如說，當我們發現上下兩段文字的句型結果類似，如「賢者以 其昭昭．使人昭昭．今以其犷犷．使人昭昭」，或者有明顯的詞對，如「堯舜．

性之也．湯武．身之也」（「堯舜」對「湯武」、「性」對「身」。以上兩句出自《孟 子．盡心篇》），都可以從中把句子切為對稱的兩半。 

然而，這些由字面連結出去的間接特徵，都需要相關資料庫的配合，才能附 加到training data 上。目前，台灣大學中國文學系和圖書資訊學系提供線上音韻

字典³，供一般大眾查詢漢字的聲韻，收有中古音、中原音韻、中州音韻、吳語 等幾種聲韻資料，並以反切和擬音等記號標示發音。雖然，這個資料庫並沒有上 古漢語的資訊，但仍然可以借用中古音來作現階段暫時性的材料。至於詞性和對 詞，目前則尚未找到合用的資料庫。雖然有《幼學瓊林》、《馬氏文通》、《高等國 文法》、《詞詮》等包含詞性和對詞資料的書籍，但將紙本文件數位化和結構化需 要人工處理，曠日費時，只能留待將來解決。