英日语料库语义接受度对比研究

doi:10.3778/j.issn.1002-8331.2009.24.043

计算机工程与应用 ›› 2009, Vol. 45 ›› Issue (24): 146-149.DOI: 10.3778/j.issn.1002-8331.2009.24.043

英日语料库语义接受度对比研究

杜家利，于屏方

鲁东大学外国语学院汉语言文学院，山东烟台 264025

收稿日期:2009-03-09 修回日期:2009-05-04 出版日期:2009-08-21 发布日期:2009-08-21
通讯作者: 杜家利

Comparative study on semantic accessibility scale originating from English and Japanese corpora

DU Jia-li，YU Ping-fang

School of Foreign Languages，School of Chinese Language and Literature，Ludong University，Yantai，Shandong 264025，China

Received:2009-03-09 Revised:2009-05-04 Online:2009-08-21 Published:2009-08-21
Contact: DU Jia-li

摘要/Abstract

摘要： 基于语料库的语义接受度（SAS）研究是在线衡量文本理解程度的可行性方法。在大规模真实文本语料的基础上，利用赋值限域方法进行英日文本对照研究。并通过分析不同赋值区间对英日小说文本语义接受度进行解读。经过验证的语义接受度公式证明了文本理解与词汇密度（P1，P2）、词长（H）和句长（L）相关，即SAS=P2/[P1×0.4×（L+H）]，而且不同的抽取率不会引起评价值的显著差异。此公式为文学研究者借助网络对电子文本进行理解度评价提供了理论支持。

关键词: 文本, 语料库, 自然语言, 语义接受度, 信息检索

Abstract: The corpus-based study on Semantic Accessibility Scale（SAS） is a useful method to evaluate the acceptance of electronic texts.On the basis of large-scale natural language texts，this paper compares The Old Man and the Sea and 『ゆきぐに』from English and Japanese corpora by means of the information retrieval and semantic assignment.A conclusion is drawn that SAS is related to vocabulary density（P1，P2），vocabulary length（H） and sentence length（L），namely SAS=P2/[P1×0.4×（L+H）].Correspondingly，different sampling ratios will not result in fundamental difference of SAS.This study provides the theoretical support for the literary critics to analyze the acceptance of internet-based texts.

Key words: text, corpus, natural language, semantic accessibility scale, information retrieval

中图分类号:

TP391

杜家利，于屏方. 英日语料库语义接受度对比研究[J]. 计算机工程与应用, 2009, 45(24): 146-149.

DU Jia-li，YU Ping-fang. Comparative study on semantic accessibility scale originating from English and Japanese corpora[J]. Computer Engineering and Applications, 2009, 45(24): 146-149.

[1]	霍光煜，张勇，孙艳丰，尹宝才. 基于语义的档案数据智能分类方法研究[J]. 计算机工程与应用, 2021, 57(6): 247-253.
[2]	黄金杰，蔺江全，何勇军，何瑾洁，王雅君. 局部语义与上下文关系的中文短文本分类算法[J]. 计算机工程与应用, 2021, 57(6): 94-100.
[3]	刘博闻，范春晓. 基于位置感知能力胶囊网络的实体关系提取[J]. 计算机工程与应用, 2021, 57(6): 101-107.
[4]	胡晓敏，王明丰，张首荣，李敏. 用于文本聚类的新型差分进化粒子群算法[J]. 计算机工程与应用, 2021, 57(4): 61-67.
[5]	廖文雄，曾碧，徐雅芸. 结合一维扩展卷积与Attention机制的NLP模型[J]. 计算机工程与应用, 2021, 57(4): 114-119.
[6]	郑诚，董春阳，黄夏炎. 基于BTM图卷积网络的短文本分类方法[J]. 计算机工程与应用, 2021, 57(4): 155-160.
[7]	明建华，胡创，周建政，姚金良. 针对直播弹幕的TextCNN过滤模型[J]. 计算机工程与应用, 2021, 57(3): 162-167.
[8]	贺文亮，朱敏玲. 胶囊神经网络研究现状与未来的浅析[J]. 计算机工程与应用, 2021, 57(3): 33-43.
[9]	吕品，武秦娟，许嘉. 上市公司文本信息披露智能分析研究综述[J]. 计算机工程与应用, 2021, 57(24): 1-13.
[10]	杨锶齐，易尧华，汤梓伟，王新宇. 嵌入注意力机制的自然场景文本检测方法[J]. 计算机工程与应用, 2021, 57(24): 185-191.
[11]	滕金保，孔韦韦，田乔鑫，王照乾，李龙. 基于CNN和LSTM的多通道注意力机制文本分类模型[J]. 计算机工程与应用, 2021, 57(23): 154-162.
[12]	武书钊，李功权，卜明伟. 基于知识图谱的自杀倾向检测问答系统构建[J]. 计算机工程与应用, 2021, 57(22): 304-312.
[13]	江洋洋，金伯，张宝昌. 深度学习在自然语言处理领域的研究进展[J]. 计算机工程与应用, 2021, 57(22): 1-14.
[14]	袁勋，刘蓉，刘明. 融合多层注意力的方面级情感分析模型[J]. 计算机工程与应用, 2021, 57(22): 147-152.
[15]	程宇航，张健钦，李江川，张安. 交通行业事故文本数据的可视化挖掘分析方法[J]. 计算机工程与应用, 2021, 57(21): 116-122.

英日语料库语义接受度对比研究

Comparative study on semantic accessibility scale originating from English and Japanese corpora

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics