一种汉语动名词超常搭配的计算机语言处理方法与流程
本发明涉及计算机语言识别的技术领域，特别是一种汉语动名词超常搭配的计算机语言处理方法。
背景技术：
纵观21世纪现代中文信息处理研究的发展和选择,应是:继续拓展研究主体，加强理论研究和应用研究两翼。拓展主体，是指在原有常规语法分析研究的同时，重视非常规现象的语义分析研究，加强两翼是指在原有核心理论体系上深化边缘语法研究分析路径,加强边缘语法理论在实际应用的广度和深度，而这些都集中在语言不规则现象的分析和处理方面。
当然语言的不规则使用体现在很多方面，这些组合有的不符合语法规则，有的虽然符合常规的语法规则，但往往违反了词语之间词义内容和逻辑范畴的常规，不过人们却经常使用，比如“赶论文、梦想插上了翅膀”(理论上，“论文”是“写”的，不能“赶”；“梦想”是具体物，不可能拥有“翅膀”)。这些游离于语言规则之外的超常搭配现象，可以说给自然语言处理带来了很大的难题。但是就目前语言发展趋势来看，如何正确有效的处理超常搭配问题，已经成为了一个不可回避而且亟待解决的重要问题，因为这直接关系到自然语言处理效率问题。
我们发现这些超常搭配的出现虽然游离于规则之外但依然有章可循。这些超常搭配主要发生于动词和名词间，有左搭配和右搭配，且大多数含有省略(如“赶论文”，省略“写”)或者隐喻(如“梦想插上了翅膀”中的“梦想”带有隐喻)。本项目就是研究动名词超常搭配中的省略和隐喻现象，揭露这些超常搭配的生成过程，依托相关理论对相应词项建立有针对性的词义知识表示和获取系统，来呈现或还原这些超常搭配的原始结构，让计算机能识别这些搭配，学习这些组合规则，理解这些语义特征并且进行更深层次的处理和分析。
以往面对动名类超常搭配，多半都是直接收入词库中进行处理，这种方法对于一些俚语俗语式词组的处理可以说非常方便快捷。比如“掉腰子”、“拿大顶”这些意思比较固定的结构，直接收入词库可能比较利于快速处理。但是这种方法有一定问题，随着语言的不断发展，很多超常搭配有时是临时的，有时甚至是新生成的，这样就需要不断的更新，“未登录词”会越来越多，只得被迫把词库的规模越做越大，而且其搭配结构内部的生成机制和描写规则永远得不到解决。因此简单的把超常搭配归入词库，只是对具体问题的规避，并不符合当前的自然语言处理的趋势和要求。
我们发现除了那些日常较为固定的俗语外，超常搭配的出现看似游离于规则之外，但依然有章可循。这些超常搭配往往带有省略(如“赶论文”，“写毛笔”)或者隐喻(“读硬盘”、“读心声”)。而我们的思路就是把超常搭配进行常规还原化的处理，具体的讲就是遇到省略的进行补齐，遇到隐喻式的超常搭配进行替换。比如对于“赶论文”，我们通过技术手段把省略的动词补上，还原为“赶着写论文”；而“读硬盘”，我们通过技术手段来把“读”替换成“获取”。这样“赶着写论文”和“获取硬盘数据”就比较容易处理了。
动名词超常搭配问题指的是那些合乎语法搭配规则，但是在语义组合上不太和常规的搭配现象，这种现象往往伴随有隐喻和谓词的省略问题，它是一种游离于常规语法框架外的边缘现象。但是如果这个问题不加以重视，或者简单的以纳入词库的方式处理的话，将极大的制约着中文信息处理的发展。如何对动名词超常搭配进行识别并进行有效的处理，对整个句法分析领域乃至机器翻译领域有着重要影响。
长春理工大学付莹2014年3月23日的硕士论文《汉语隐喻的语义研究》公开了一种汉语隐喻的语义研究方法，该方法指出：隐喻辞格是一种语义辞格，因此，从语义角度对隐喻进行研究是十分有价值的。本文运用修辞学、语义学等相关理论，以隐喻辞格为研究对象，对隐喻语义结构的多种表现形式，语义结构关系形成的语义特征，归纳语义类型及语义理解这四个方面进行全方位系统的研究。隐喻的构成包括四个要素，即本体、喻体、喻词、喻底。这四个要素可以根据表达效果的需要有多种组合形式，从而表现出多种语义结构。喻底是本体和喻体的相似点，是隐喻得以生成最关键的要素，体现隐喻最根本的相似语义特征，在相似特征的基础上，隐喻还根据语义结构关系及映射关系形成多种语义特征。隐喻在通过喻体来说明本体时，可以通过二者之间的映射关系进一步将语义类型进行归类，以便更好的对隐喻进行理解。在隐喻理解的过程中受到哪些因素的影响也是本文重点的一项内容。该方法仅仅从理论上探讨了隐喻描述的规律，并没有解决一个名词或者动词究竟能有几种隐喻含义，而且一个概念究竟和哪些隐喻特征，能够和哪些词建立隐喻映射关联都没有涉及，因此该文没有从工程上对隐喻的语义表现进行研究。
技术实现要素：
为了解决上述的技术问题，本发明提出一种汉语动名词超常搭配的计算机语言处理方法，依托常规搭配知识库生成语义选择限制规则从而识别超常搭配，然后针对动名词超常搭配中的隐喻问题和省略问题，分别构建隐喻知识库和谓词隐含知识库，把两者都统一于生成词库理论的框架模型，最终达到识别并有效分析动名词超常搭配的目的。
本发明提供一种汉语动名词超常搭配的计算机语言处理方法，包括以下步骤：
步骤1：构建相关语义知识库；
步骤2：识别动名词超常搭配；
步骤3：处理所述动名词超常搭配。
优选的是，所述相关语义知识库包括常规搭配知识库、隐喻知识库和谓词隐含知识库中至少一种。
在上述任一方案中优选的是，所述谓词隐含知识库具有成员、事件结构、论元角色和语义映射中至少一种特征。
在上述任一方案中优选的是，所述隐喻知识库涉及到语义聚类和上下位语义划分。
在上述任一方案中优选的是，所述语义聚类是指依托于语义知识库来确定同义关系。
在上述任一方案中优选的是，通过计算属性此件的语义距离，并根据所述语义距离判断是否有所述同义关系。
在上述任一方案中优选的是，所述语义聚类的计算方法是：基本方法是：设两个属性对应的词是wi和wj，其语义相似度表示为sim(wi，wj)，于是
(a)sim(wi，wj)＝1，当且仅当wi和wj属于概念词典的同义词；
(b)sim(wi，wj)＝0，当且仅当wi和wj属于概念词典的不同树；
(c)其余情况，有0＜sim(wi，wj)＜1；
其中(c)中的sim(wi，wj)可以直接利用两个词在ccd数据中的路径长度来计算
在上述任一方案中优选的是，所述语义聚类具有成员、概念语义、物性角色和语义映射中至少一种特征。
在上述任一方案中优选的是，采用先人工标注再自动扩充的形式提取所述物性角色。
在上述任一方案中优选的是，在所述人工标注过程中采用众包的形式，所述众包是指由感兴趣的群体自愿在线完成某个任务的一种群体智慧技术。
在上述任一方案中优选的是，利用hownet的知识结构完成所述物性角色描述词项的所述自动扩充。
在上述任一方案中优选的是，在hownet中，数个义项相同的词汇可以视为近义词，而近义词之间往往具有相似的所述物性角色；先定义
在上述任一方案中优选的是，所述语义映射是指把一些特性词和框架作为标记，并依据所述标记把各词项建立关联，通过物性结构的不同角色来描述它们的内部特征，形成一个包括多特征的隐喻关联。
在上述任一方案中优选的是，所述动名词超常搭配的识别方法是基于动词的sr知识进行的，所述sr是指选择有限度。
在上述任一方案中优选的是，所述sr的获取是从经过句法分析和语义角色标注的句子中抽取动名搭配，然后再依托语义近似度和语义词集来扩展论元。
在上述任一方案中优选的是，所述论元的扩展包括对语义概念进行比较细致和合理的分类。
在上述任一方案中优选的是，所述论元的扩展还包括基于语义相似度，通过计算已知论元和未知论元之间的相似度从而实现论元的扩展并得到选择优先度sr。
在上述任一方案中优选的是，动词v对论元a的选择优先度sr看作是所诉论元与基础搭配库中该搭配动词所有已知论元的相似度的加权组合，公式为：
srsim(v,r,a0)＝∑a∈sen(v,r)weight(v,r,a)·sim(a,a0)，其中，r表示的是句法关系或者语义角色，a表示论元，一般由名词充当，它的取值范围seen(v,r)表示在语料中所有可见的动词和搭配论元的出现情况，对权值weight(v,r,a)进行自由设置，相似度sim(a,a0)是基于语料库的分布和词语本身的构词特征。
在上述任一方案中优选的是，所述相似度sim(a,a0)的计算公式为sim(a,a0)＝α·simdisr(a,a0)+β·simcl(a,a0)，其中，α+β＝1，0≤α≤1，0≤β≤1，simdisr表示基于语料分布的方法，simcl表示基于汉语构词的方法，两个相似度都归一化到[0,1]。
在上述任一方案中优选的是，所述simcl的计算公式为simcl(a,a0)＝(η×(#汉字)+λ×(#部首))/最大词长，其中，“#汉字”表示相同汉字数，“#部首”表示部首相同汉字数，η为汉字的权值，λ为部首的权值，η>λ，词长指的是词语所含汉字个数。
在上述任一方案中优选的是，使用语义搭配超常度模型用以保证搜书超常搭配识别的完备性。
在上述任一方案中优选的是，所述语义搭配超常度指的是在同一语境下两个词语构成搭配关系时，偏离人们日常认知的程度。
在上述任一方案中优选的是，所述超常度的计算公式为
在上述任一方案中优选的是，所述语义搭配超常度的值越高，则认为越偏离常规认知的语义搭配；如果取值高于常规搭配阈值，则判断为超常搭配。
在上述任一方案中优选的是，所述动名词超常搭配处理方法主要涉及隐喻问题和谓词省略问题的处理。
在上述任一方案中优选的是，所述谓词省略的识别和处理方法为判断动词是否有能接vp的资格，从名词入手利用名词的所述物性角色中对相关动词的描述与中心动词的所述vp集合进行匹配，所述vp是指动词短语。
在上述任一方案中优选的是，所述谓词省略的识别和处理方法还包括使用时间界性特征序列判断动词接所述vp的能力。
在上述任一方案中优选的是，所述时间界性特征序列为状态>过程>转变。
在上述任一方案中优选的是，通过所述sr知识加机器学习进行所述隐喻的识别。
在上述任一方案中优选的是，所述隐喻的识别方法步骤如下：
步骤01：输入动名搭配；
步骤02：依托知识库，抽取动名搭配<v,r,a>信息；
步骤03：计算sr(v,r,a)值，转化为srlevel(v,r,a)；
步骤04：根据特征模板抽取隐喻特征，构造特征向量x；
步骤05：由分类器进行分类，得到类标号y，取值metaphor或notmetaphor；
步骤06：输出metaphorornotmetaphor。
在上述任一方案中优选的是，所述隐喻的解读方法包括以下步骤：
步骤11：对词项的所述隐喻特征进行提取；
步骤12：对提取到的所述隐喻特征按照搭配习惯的优先级进行排序，从而形成对所述隐喻特征的序列化描述。
在上述任一方案中优选的是，建立各词项间所述隐喻特征的映射关联是构建所述汉语隐喻知识库的主要工作内容。
在上述任一方案中优选的是，建立所述映射关联的方法为对所述隐喻特征进行梳理和分析，从中找到关联，确立两个概念间对于隐喻过程中源域和目标域的优先级。
本发明提出汉语动名词超常搭配的计算机语言处理方法。首次把词语搭配的边缘问题统一于生成词库理论的框架模型上，并且对生成词库理论进行了补充，在此基础上进行了隐喻型超常搭配和省略型超常搭配的区分，在此基础上进行了隐喻型超常搭配和省略型超常搭配的区分。在省略型超常搭配问题的处理上，我们主要是通过事件动词和名词的物性角色的匹配还原隐含的谓词，然后进行补足；在隐喻问题的处理上，采取了两种思维方法，一种是逆向排除判定，一种是直接判定，通过这两种思维方法解决不同语境中相同词语所隐含特征不同的问题。
附图说明
图1为按照本发明的汉语动名词超常搭配的计算机语言处理方法的一优选实施例的流程图。
图2为按照本发明的汉语动名词超常搭配的计算机语言处理方法的另一实施例的项目整体研究方案图。
图2a为按照本发明的汉语动名词超常搭配的计算机语言处理方法的如图2所示实施例的知识库构建系统图。
图2b为按照本发明的汉语动名词超常搭配的计算机语言处理方法的如图2所示实施例的谓词隐含知识库构建思路图。
图2c为按照本发明的汉语动名词超常搭配的计算机语言处理方法的如图2所示实施例的隐喻知识库构建框架图。
图2d为按照本发明的汉语动名词超常搭配的计算机语言处理方法的如图2所示实施例的众包平台基本构架图。
图2e为按照本发明的汉语动名词超常搭配的计算机语言处理方法的如图2所示实施例的基于物性结构的词项隐喻含义解构思路图。
图2f为按照本发明的汉语动名词超常搭配的计算机语言处理方法的如图2所示实施例的谓词省略的识别和处理思路图。
图2g为按照本发明的汉语动名词超常搭配的计算机语言处理方法的如图2所示实施例的“弹钢琴”的分析流程图。
图2h为按照本发明的汉语动名词超常搭配的计算机语言处理方法的如图2所示实施例的“学钢琴”的分析流程图。
图2i为按照本发明的汉语动名词超常搭配的计算机语言处理方法的如图2所示实施例的词项的映射关系构建图。
图2j为按照本发明的汉语动名词超常搭配的计算机语言处理方法的如图2所示实施例的语义特征映射关联图。
具体实施方式
下面结合附图和具体的实施例对本发明做进一步的阐述。
实施例一
如图1所示，执行步骤100，构建相关语义知识库。
任何语义知识库的构建都不是单一的为了知识的获取，而是为了解决实际面对的问题。要想实现动名词超常搭配，必须借助语义知识库，通过机器学习规则，然后才能达到分析和处理超常搭配的目的。在这里我们主要是针对三方面问题，分别构建常规搭配知识库、隐喻知识库和谓词省略知识库。
常规搭配知识库
本项目主要是依托现有的语义资源，自动获取和生成动词与名词的搭配知识。因为现有的语义资源基本上都是基于规则搭配所建立的，再次基础上进行相关论元的扩展，就可以生成比较理想的选择性限制规则，从而完成对动名词超常搭配的识别。
隐喻知识库
这里项目所要构建的汉语隐喻知识库属于词库，因此不带句法分析，只为了解释词语之间的语义关联。研究表明，在动名词超常搭配中，很多是由名词的隐喻造成的，因而构建汉语隐喻知识库是识别隐喻型超常搭配，深入揭示超常搭配各成分间语义关系的重要保证。在名词知识库中，我们主要挖掘名词的概念语义、物性结构、语义映射特征。
名词的概念语义特征，涉及到名词的语义聚类和上下位语义的划分，这是最直接描述名词自身特点、确定名词概念属性的知识表示方式。
名词的物性结构的描述来源于美国计算语言学家pustejovesky的生成词库理论。生成词库理论为每一个词项设计了比较立体的语义表达平面，包括四个层面：论元结构、事件结构、物性结构和词汇继承结构，物性结构的描述就是其中一个层面，它一般从四个角度来描写词项所指的对象由什么构成、有什么区别于其他对象的属性、能够有什么用途和功能、以及如何产生。这四个特征通常被称为构成角色(constitutiverole)、形式角色(formalrole)、功用角色(telicrole)和施成角色(agentiverole)。(物性结构最早源于亚里士多德的“四因说”：质料因、形式因、目的因和动力因。)我们除了要描述pustejovesky提出的四种物性角色以外，还要增加一个评价角色的描述。评价角色主要是对人们对名词的主观评价，一般由形容词来充当。而名词的功能角色和施成角色一般由所管理的动词来充当。这样就把名词和动词、形容词间的关系建立起来了。
名词语义映射特征，主要是描述名词的隐喻映射特征，这些特征一般多半不是名词性的，而是描述性的。比如“女人”的隐喻特征是温柔、可爱等，但是还有其他名词也有这个特征，比如“绵羊”，我们就可以把“女人”和“绵羊”建立映射关联。
谓词隐含知识库
在谓词隐含知识库中，我们主要挖掘动词的事件结构、论元角色、语义映射特征。这些特征将会为实现谓词省略现象的识别和分析提供帮助。
动词的事件结构来源于生成语义学的谓词解构分析，专注于动词内部的性状结构。并不是所有的动词都存在事件结构，也并不是所有的动词都是事件动词。我们发现，一个动词对于其后接的动词的选择，会依托动词的事件结构，因此本项目通过动词内部的性状特征对动词进行事件结构上的分类，在此基础上我们再研究不同性状特征动词的选择性限制差别。
动词的论元角色特征来源于fillmore的“格语法”，描述的是动词和所支配的论元间的语义关系，我们不仅可以通过动词和名词间所组成的语义格框架来实现对动词的分类，更重要的是用这些关系来描述句法结构。不过建立在西方语言体系下的格语法引入到汉语后，在语义角色的划分标准和数量上存在争议，我们要做的就是确立一个自己的语义角色划分体系，并且做到一定的层级性，这样才能满足不同层次的语义分析精细等级要求。
动词的语义映射特征，主要是针对动词的隐喻情况而提取的。对于一个整体没有谓词省略的超常搭配而言，有时候靠名词的隐喻映射描述不能解决问题，这时如果能够建立动词的语义隐喻映射关系将更加有效。比如“造论文”这个超常动名搭配，其中“造”可以和“写”进行语义间的映射搭配，这种搭配不是依靠的语义近似度，而是依靠的概念隐喻。而这些如果靠揭示“论文”的隐喻特征，显然是走了弯路。
这些特征中，事件结构特征是判断动名搭配是否带有省略的前提，论元角色是判断搭配是否常规的有力补充，而语义映射在某种程度上还能反映动词的隐喻问题，解决一些没有谓词省略的超常搭配问题。
执行步骤110，识别动名词超常搭配。
本项目对于动名词超常搭配的识别采用的方法是基于动词语义选择限制知识(selectionalrestriction，sr)进行的。汉语动词的语义选择限制可以说和动名词超常搭配的识别是紧密相连的，因为sr规则是常规搭配规则，如果常规搭配能识别，自然超常搭配就能区分，这一点我们利用的是逆向性思维。
汉语语义选择限制
可以说sr知识是整个动名词超常搭配识别的基础和核心。在这里我们选取了北大的中文概念语义词典(ccd)里的数据作为数据来源，因为它在描述动名搭配关系时所列举的都是比较常规的数据集，自然提取的都是常规的选择限制规则。它涉及三个方面：sr知识表示、sr知识获取、sr规则的制定。
sr知识表示
语义选择限制就是一个有关动词对论元的优先选择问题。在描述sr知识时，主要是通过描述动词论元，以及对所属论元的进行语义分类的问题。只有我们把名词的语义类别划分的较为细致和合理，才能有效的排除其他语义类别进入动词的论元框架，从而达到语义选择限制的目的。
sr知识可以用一个四元组<v,r,a,sr>或函数sr(v,r,a)来表示，v表示动语(verb)，r表示句法成分或语义角色(role)，a表示名词或语义类论元(argument)，sr是选择优先度，为一个实数值，表示动词v选择a充当某种语义关系r的倾向性，sr越大，越倾向于选a。根据sr值从大到小对论元名词或语义类进行排序，排在前面的可用于构建sr知识库。
sr知识获取
sr知识获取就是对任意的<v,r,a>给出其对应的sr值。sr获取的关键是论元知识的扩展，即基于已知的论元实例<v,r,a>，计算未知论元(没有与v在语料中共现)a’的sr值，即sr(v,r,a’)。我们主要是利用词语在语料中的分布情况来实现论元的扩展，然后分别在模型的论元相似度计算模块中引入构词与汉字特征、在基于多源知识的基础搭配库上构建模块融合现有搭配资源。模型为每一个搭配<v,r,a>计算sr(v,r,a)，即为词语层的sr知识。然后建立词语到语义类的映射关联，得到语义类层级的sr知识。
sr规则的制定
以每一个动词为单位，列出排在前面的n个论元(语义类层面的n较小)以及相应的sr值，然后再根据大规模语料库中提取的数据集，通过机器学习的方式，自动优先选择相应的名词语义词集，生成相应的语义选择限制规则。
超常搭配的判定
超常搭配从广义上看有两种。一种是符合某种规则，或处于某种考虑的创新用法，这种多半符合语法，虽然违反了逻辑语义，但往往还能被人所接受，因此这种超常搭配虽非常规，但还是有理可据，往往人们可以接受。另一种是错误的搭配或者说是乱配，比如“戴袜子”这种，人们往往无法接受。我们这里要做的就是对于前一种超常搭配的判定，并且把后一种剔除出来。
要成功识别超常搭配，我们必须依托常规搭配情境下所生成的sr知识，然后再判断其正确性。一般情况下，当一个动名搭配不符合动词的sr知识时，同时可接受度值在正常区间时才能看做超常搭配。如果可接受度值超出一定的阈值时，则这个超常搭配就是错误的。
另外我们还可以依据语义搭配超常度计算模型来设定可接受度值的方法来判断。这其实就是依托名词相对于动词的搭配偏离度，一般情况下动词都有着较为固定的搭配范围，如果所接名词与搭配范围呈现负向偏离过大则可以认为这两个概念是超常搭配。
执行步骤120，处理动名词超常搭配。
研究表明，动名词超常搭配一般含有隐喻和省略两种情形，我们要做的就是如果对这两者进行区分，并分别进行处理。
隐喻性超常搭配和省略性超常搭配的识别方法
因为动名词超常搭配绝大多数都是由于隐喻和省略造成的，要完成对超常搭配的处理，还必须依托隐喻知识库和谓词隐含知识库。相对于隐喻来说，省略的判别难度要低的多。
如何判断省略，我们主要是依靠谓词的事件结构特征和名词的物性角色特征。当一个动词不属于事件动词，同时所搭配名词的物性角色中隐含有动词的描述，则一般不会有谓词省略问题。如果一个动词是事件动词，同时所搭配的名词物性角色中没有动词的描述，则很可能伴随有谓词省略现象。比如“学钢琴”中的“学”为事件动词，后面可接vp，而“钢琴”的功能角色却没有“学”，则这种动名搭配就是一种省略性的超常搭配。而对于隐喻性的超常搭配问题，我们除了依托sr知识模型，还可以参考语义搭配超常度。当一个动名搭配不存在谓词省略而所接的名词处于sr知识外围，且语义搭配超常度超过相应的阈值时，则往往会有隐喻问题。
隐喻性超常搭配和省略性超常搭配的处理方法
在识别隐喻性超常搭配或省略性超常搭配的基础上，我们如果要进一步进行处理的话，则需要把原有的超常搭配还原成比较合乎常规的动名搭配，这样才能有效的进行信息处理。
对于隐喻性的超常搭配而言，我们要做的就是充分利用隐喻知识库中所构建的语义类的隐喻映射关联，依据它们共有的隐喻特征从目标域映射再还原到源域。
对于省略性的超常搭配，我们可以依托谓词隐含知识库的事件结构特征找出核心动词所接谓词的优先集，然后再匹配名词物性角色(主要是功能角色和施成角色)中的所含谓词，选择匹配度较高的谓词就是省略的谓词。
实施例二
1.研究意义
纵观21世纪现代中文信息处理研究的发展和选择,应是:继续拓展研究主体，加强理论研究和应用研究两翼。拓展主体，是指在原有常规语法分析研究的同时，重视非常规现象的语义分析研究，加强两翼是指在原有核心理论体系上深化边缘语法研究分析路径,加强边缘语法理论在实际应用的广度和深度，而这些都集中在语言不规则现象的分析和处理方面。
当然语言的不规则使用体现在很多方面，这些组合有的不符合语法规则，有的虽然符合常规的语法规则，但往往违反了词语之间词义内容和逻辑范畴的常规，不过人们却经常使用，比如“赶论文、梦想插上了翅膀”(理论上，“论文”是“写”的，不能“赶”；“梦想”是具体物，不可能拥有“翅膀”)。这些游离于语言规则之外的超常搭配现象，可以说给自然语言处理带来了很大的难题。但是就目前语言发展趋势来看，如何正确有效的处理超常搭配问题，已经成为了一个不可回避而且亟待解决的重要问题，因为这直接关系到自然语言处理效率问题。
我们发现这些超常搭配的出现虽然游离于规则之外但依然有章可循。这些超常搭配主要发生于动词和名词间，有左搭配和右搭配，且大多数含有省略(如“赶论文”，省略“写”)或者隐喻(如“梦想插上了翅膀”中的“梦想”带有隐喻)。本项目就是研究动名词超常搭配中的省略和隐喻现象，揭露这些超常搭配的生成过程，依托相关理论对相应词项建立有针对性的词义知识表示和获取系统，来呈现或还原这些超常搭配的原始结构，让计算机能识别这些搭配，学习这些组合规则，理解这些语义特征并且进行更深层次的处理和分析。
2.和以前处理汉语超常搭配的差别
以往面对动名类超常搭配，多半都是直接收入词库中进行处理，这种方法对于一些俚语俗语式词组的处理可以说非常方便快捷。比如“掉腰子”、“拿大顶”这些意思比较固定的结构，直接收入词库可能比较利于快速处理。但是这种方法有一定问题，随着语言的不断发展，很多超常搭配有时是临时的，有时甚至是新生成的，这样就需要不断的更新，“未登录词”会越来越多，只得被迫把词库的规模越做越大，而且其搭配结构内部的生成机制和描写规则永远得不到解决。因此简单的把超常搭配归入词库，只是对具体问题的规避，并不符合当前的自然语言处理的趋势和要求。
我们发现除了那些日常较为固定的俗语外，超常搭配的出现看似游离于规则之外，但依然有章可循。这些超常搭配往往带有省略(如“赶论文”，“写毛笔”)或者隐喻(“读硬盘”、“读心声”)。而我们的思路就是把超常搭配进行常规还原化的处理，具体的讲就是遇到省略的进行补齐，遇到隐喻式的超常搭配进行替换。比如对于“赶论文”，我们通过技术手段把省略的动词补上，还原为“赶着写论文”；而“读硬盘”，我们通过技术手段来把“读”替换成“获取”。这样“赶着写论文”和“获取硬盘数据”就比较容易处理了。
动名词超常搭配问题指的是那些合乎语法搭配规则，但是在语义组合上不太和常规的搭配现象，这种现象往往伴随有隐喻和谓词的省略问题，它是一种游离于常规语法框架外的边缘现象。但是如果这个问题不加以重视，或者简单的以纳入词库的方式处理的话，将极大的制约着中文信息处理的发展。如何对动名词超常搭配进行识别并进行有效的处理，对整个句法分析领域乃至机器翻译领域有着重要影响。
3.目标以及解决的关键问题
本项目主要研究思路是依托常规搭配知识库生成语义选择限制规则从而识别超常搭配，然后针对动名词超常搭配中的隐喻问题和省略问题，分别构建隐喻知识库和谓词隐含知识库，把两者都统一于生成词库理论的框架模型，最终达到识别并有效分析动名词超常搭配的目的。
3.1研究目标
(1)在学术思想方面，以生成词库理论为指导，寻找一套新的知识表示体系和方法，使动名词超常搭配中经常出现隐喻问题和省略问题都统一于生成词库理论的构建模型上，通过多角度语义分析验证其合理性。
(2)在资源建设方面，构建汉语语义选择限制知识库、隐喻知识库和动词知识库，为动名搭配问题的识别和化解提供基础资源，为更好的丰富和完善汉语意合特征描述体系打下基础。
(3)在技术路线方面，研究基于汉语语义选择限制的动名词超常搭配识别方法，分析和发掘超常搭配的内在组合规律，提高知识的可理解性和可迁移性，并可辅助汉语教学。
3.2解决的关键问题
(1)如何将核心语法范畴外的各类超常搭配现象统一于一个理论框架模型之下来进行解决。我们主要从最基本的词项知识表示入手，通过增加词项物性角色的描述来建立关联，使得超常搭配中的隐喻和省略问题都能够在生成词库理论的框架模型下。
(2)基于语义选择限制的隐喻处理方法。语义选择限制与隐喻是相互影响的，因此隐喻的识别必将接触汉语动词的语义选择限制知识。我们将语义选择限制知识融入机器学习框架来识别隐喻，进行二者之间关系的定量分析，对语义选择限制知识的应用研究和隐喻研究都有重要价值。这一目标的实现，一方面研究了如何把语义选择限制知识更好地融入机器学习框架，以提高知识的应用效果；另一方面也为从大规模文本中自动识别隐喻提供了一条有效途径。
(3)汉语省略型动名词超常搭配中省略谓词的发现和还原问题。西方生成词库理论在建立之初就是为了解决搭配中的谓词省略问题，而本项目是依托生成词库理论框架下所构建的模型，尤其是事件角色和物性角色描述，可以为找出并还原省略的谓词提供有力支持，也为以谓词为核心的传统研究思路提供了新的思路。
4.本项目的特色与创新之处；
本项目有三处特色和创新之处：
(1)首次把词语搭配的边缘问题统一于生成词库理论的框架模型上，并且对生成词库理论进行了补充。例如在物性角色的描写模式上，在原理论四种物性角色的基础上，增加了评价角色的描述，在复杂的物性角色描述中采用众包平台，并且和概念整合理论结合，使得原先专门为解决谓词省略问题而诞生的生成词库理论应用到了隐喻分析领域。
(2)不是简单探讨动名词超常搭配问题的处理方法，而是在此基础上进行了隐喻型超常搭配和省略型超常搭配的区分，可以说开了超常搭配研究的先河。
(3)在隐喻问题的处理上，采取了两种思维方法，一种是逆向排除判定，一种是直接判定。逆向排除判定主要基于超常搭配中一般只有谓词省略和隐喻两种情况，只要前期谓词省略的识别率高的话，那么不符合的自动归入的隐喻类型。而直接判定，主要基于监督和半监督的方式进行，首先利用了sr知识模型再结合机器学习的方法，自动识别隐喻问题。然后利用隐喻特征的映射还原模型，不仅能够达到对隐喻的理解，而且通过隐喻知识库相关语义关联及隐喻特征排序的方式，区分像“妈妈像老虎”“孩子像老虎”中“老虎”所隐含特征的不同。
实施例三
项目的总体研究方案如图2所示，主要包括三个模块：超常搭配识别、谓词省略与还原、隐喻识别与理解。sr知识获取为超常搭配识别提供规则，语义搭配超常度计算模型为其提供指数参考；动词知识库为省略型超常搭配分析提供依据，而隐喻知识库为隐喻型超常搭配提供知识来源；无论是隐喻知识库还是谓词隐含知识库，都是依托以生成词库理论所构建的框架模型来描述词项知识，所不同的是，隐喻知识库侧重语义映射和物性角色的描述，而动词知识库侧重事件结构、论元角色和物性结构的描述。
(1)相关语义知识库构建
构建的搭配知识库、隐喻知识库、谓词隐含知识库三者之间的关系，及功能可以图2a表示，依托现有资源和常规动名搭配知识所自动生成的搭配知识库为谓词隐含知识库和隐喻知识库提供支持，而项目主体是依托谓词隐含知识库和隐喻知识库来进行处理。分别描写词项的事件结构、论元角色、语义映射、概念语义、物性结构特征，其中论元角色和概念语义能够为动词提供sr规则知识，然后sr再结合语义映射特征可以解决搭配中的隐喻问题，而动词的事件结构和名词的物性结构特征相互结合可以解决搭配中的省略问题。
谓词隐含知识库的构建
谓词隐含知识库的框架图如图2b所示，在这个平台的利用上，采用分层利用的方式，在较低层面上重点利用动词的事件结构，从而说明词项之间的搭配限制，在较高层面上，结合动词论元结构和动词间的语义映射关系的描述解释其从属成分的论旨角色和配位方式，说明各组合关系。
谓词隐含的可能，主要是依托动词事件结构。比如同样是动词“喜欢”和“学”，只会出现“喜欢学”、不会出现“学喜欢”这样的联动搭配，研究表明，这和它们是不是事件动词以及所属的事件结构类型不同有关。其中事件动词决定动词后面能否接vp，而事件结构特征决定后面能接哪一类vp，以及表示谓词省略的可能。
在事件动词的提取上，依托于北京大学开发的《语法信息词典》关于后接成分的特征(比如是否后接vp、小句)分类已经完成。而在事件结构的描述上，因为事件结构和动词所表达的时间性特征有关，利用《语法信息词典》作为依托，从语法词典中提取一些特征作为组合式筛选条件。(比如利用后面是否加“着、了、过”，前面能否加“正在、进行”，后面是否能接vp等)。
隐喻知识库的构建
如图2c所示，关于语义聚类，依托现有的语义知识库来确定同义关系。由于所做的知识库量级不是太大，一般所选取词项在现今大型语义词典上都有所涵盖，而且目前各语义词典的分类及词集的归集工作做的都比较好，为避免重复工作我们依托了北大中文概念语义词典(ccd)，通过计算属性词之间的语义距离，并根据距离判断是否有同义关系。
基本方法是：设两个属性对应的词是wi和wj，其语义相似度表示为sim(wi，wj)，于是：
(a)sim(wi，wj)＝1，当且仅当wi和wj属于概念词典的同义词；
(b)sim(wi，wj)＝0，当且仅当wi和wj属于概念词典的不同树；
(c)其余情况，有0＜sim(wi，wj)＜1。
其中(c)中的sim(wi，wj)可以直接利用两个词在ccd中的路径长度来计算
这里
关于物性角色的提取
由于物性角色这一理论概念引入中国较晚，国内也没有大规模的相关知识描述，而目前计算机想实现自动标注还不太可能，本申请采取先人工标注再自动扩充的形式。
在人工标注过程中，采取的是众包的形式。通过较为专业的人群，利用群体智慧来进行词项五种物性角色的描述，然后再通过技术进行自动扩充。人工进行标注的范例如下：
石头shí·tou〈名词，中性〉构成地壳的坚硬物质，是由矿物集合而成的。
所属层级：物/具体物/自然物
物性角色：
形式for：有形物质、自然物；
构成con：矿物；可以根据下列颜色、形状、作用等属性进行分类：彩色、黑色、红色、褐色、白色、圆形、柱形、棱角分明、保健，等等；
施成age：形成、天然形成、变成，等等；
功用tel：拿(起)、捡(起)、搬(起)、放(下)、抱(着)、抬、碰、扔、砸、凿、打、抛、投掷、携带、裹着、摸着、用、铺、砌、堆、垒、发射、运输，等等。
评价eva：大、小、巨大、高大、坚硬、普通、奇怪、异常，等等；
所谓众包(crowdsourcing)，是指由感兴趣的群体自愿在线完成某个任务的一种“群体智慧”技术。是考虑到名词的物性角色是思考维度比较多样化，而目前计算机还无法实现。比如“刀”的功能角色可以是“切(菜)、砍(柴)等”、还可以是“杀(人)、抢劫、甚至还可以用来“拍黄瓜”，计算机可以通过获取和名词“刀”有关的动词来作为其功能角色的描述，但是这还涉及到动词的分类，另一方面计算机自动获取很可能受语料所限。为了解决人的思维局限问题，通过语料库(主要是北大ccl语料库)来作为支撑。因此，本项目关于物性角色的特征获取，是基于计算机自动获取知识的基础上的众包，也是一种通过“人机协作”解决智能问题的新的途径。
众包平台基本框架如图2d所示，最上层是两个前端接口，一个为众包任务的计划者提供服务，另一个为众包任务的参与者提供服务。众包平台有六个功能模块：
其中任务比较模块主要是面对双盲众包参与者完成同一个任务，对结果进行对比分析。而审核模块主要是查看任务计划、监控任务的进展和任务完成的结果，判断参与者获得奖励的资格。也为计划者分析数据，抽取信息提供服务。
最下层是三个后端的模块：
参与者推荐：用于评估参与者与任务计划者之间的匹配，筛选优秀参与者。
参与者行为动态评估：根据参与者对同一任务的完成情况，判断是否继续。
数据再加工，根据数据录入结果、再进行数据的整理加工。
为了保证人工标注的正确性和规范性，同时又考虑到标注人员的组成结构，本申请不会在界面上显示物性角色这些专业术语，只会通过通俗的问答方式，外加限制条件的形式，扩展参与者的发散思维。这样即使参与者不具备语言学背景，其所填信息也比较符合要求。比如当我们想知道“刀”的功能角色时，我们可以设置：你觉得“刀”主要用来干嘛，请用动词或动词短语来回答”。大众所填写的动词，基本上就可以归入到“刀”的功能角色去了。
在物性角色描述词项的自动扩充上，主要利用hownet的知识结构，在hownet中，数个义项相同的词汇可以视为近义词，而近义词之间往往具有相似的物性角色。先定义
首先将已标注词的物性角色替换成词义类别的物性角色，如下面公式所示。然后在大规模生语料下，可以根据某一物性角色词同相应名词之间的共现频度、互信息等，来判断该物性角色词的可信度。
对于未记录在hownet中名词的物性角色扩充，是利用ccd的同义词计算，取前十个相近并已记录的词，并将这些词的词义类别的物性角色均赋予该名词。然后采用类似的方法，在大规模生语料下，逐个判断物性角色词的可信度。
语义映射特征的描述
语义映射特征也是隐喻知识库的一种重要组成部分，是通过一些特定词和框架所涉及的词项来进行关联，这些词有“是、像、象征、比喻成”等，框架有“和……一样，与……相似”等。那么依据这些标记把各词项建立关联，然后通过物性结构的不同角色来描述它们的内部特征，这样就可以形成一个包含多特征的隐喻关联。
而语义映射也可以和物性角色形成特征关联，具体如图2e所示，标号231的为合成空间，标号232的为类属空间，标号233的为输入空间1(源域)，标号244的为输入空间2(目标域)。
这里的黑点表示概念所含的信息，通过名词、动词和形容词等语法形式表现出来。在一般情况下，从源域输入的信息，到了目标域后就不再是简单的名词、动词和形容词，而是解构成了背后所反映的依托各种物性角色所包含的语义信息。因此，语义映射不仅是两个词项间的简单关联，但是一种内在语义特征关联，这种特征也可以用物性角色进行表示。
(2)动名词超常搭配识别方法
动名的超常搭配有两种思路，一种依托规则，侧重的是动词选择性限制知识，一种是依托统计，侧重语义搭配超常度数值。
sr知识获取模型
一般情况下，sr的获取是从经过句法分析和语义角色标注的句子中抽取动名搭配，然后再依托语义近似度和语义词集来扩展论元。本申请采用两种方案，一种是吸收并融合现有的大规模语义资源库，构建基础的语义搭配库；另一种重点放在论元的扩展上。
对于论元的扩展，本申请提出两种方案同时进行，一种是对语义概念进行比较细致和合理的分类，一种是基于语义相似度，通过计算已知论元和未知论元之间的相似度从而实现论元的扩展并得到选择优先度sr。前者参考了同义词林和北大ccd的分类体系，后者基于分布的方法和汉语内部构词的特征。
把动词v对论元a的选择优先度sr看作是该论元与基础搭配库中该搭配动词所有已知论元的相似度的加权组合，用形式化公式表示如下：
srsim(v,r,a0)＝∑a∈seen(v,r)weight(v,r,a)·sim(a,a0),
r表示的是句法关系或者语义角色，a表示论元，一般由名词充当，它的取值范围seen(v,r)表示在语料中所有可见的动词和搭配论元的出现情况。其中权值weight(v,r,a)可以自由设置。如果取1，表示所有论元统一看待；如果取频率，表示出现次数多的更重要；若考虑与其他谓词的搭配，可取类似于逆文档频率的指标。相似度sim(a,a0)是基于语料库的分布和词语本身的构词特征，把论元相似度定义为两种方法计算所得相似度的线性组合，用下面公式表示：
sim(a,a0)＝α·simdisr(a,a0)+β·simcl(a,a0)，
其中，α+β＝1，0≤α≤1，0≤β≤1，simdisr表示基于语料分布的方法，simcl表示基于汉语构词的方法，两个相似度都归一化到[0,1]。
simdisr方法是基于向量空间的模型。这个模型需要依托上下文的特征词，特征词的提取主要依托动词和论元的依存关系，然后特征的权值计算采用bool、tf、idf、tf-idf、目标词和上下文词之间的互信息等，向量相似度的度量主要是采用jaccard相似性系数指标。jaccard系数是用来比较样本集中的相似性和分散性的一个概率。它等于样本集交集与样本集合集的比值，即j＝|a∩b|/|a∪b|。在这里我们根据需要进行了调整，用的是：j＝2|a*b|/|a∪b|。另外，我们还附以cosine系数指标作为参考。
simcl方法是基于汉语内部构词特征。之所以要通过汉语的内部构词来判别词语的相似度，主要考虑到汉语的构词特征，大部分词汇都是由汉字语义意和而成，也就是意义的叠加。所以如果在汉字词义描述的基础上，在讨论汉字的叠加意义，再根据组合类型的不同，就可以判断这两个词语的语义相似度。比如“击打”、“拍打”这些词的词语就是由所构成的汉字全部推衍而来，它们含有共同的汉字“打”，且语义相近，这说明可以通过字义的层面来解决词义的相似度问题。中国的汉字绝大部分都是形声字，这样一来，一方面可以根据两个词是否含有共同的汉字来推断词义的近似度，另一方面，即使没有共同的汉字，还可以根据汉字的内部构造，比如偏旁部首来推出字义。基于此，可以采用下面的公式来描述词语的相似度：
simcl(a,a0)＝(η×(#汉字)+λ×(#部首))/最大词长，其中，“#汉字”表示相同汉字数，“#部首”表示部首相同汉字数，η为汉字的权值，λ为部首的权值，η>λ，词长指的是词语所含汉字个数。
凭着比较完备的sr知识获取的成果，可以构建相应的sr知识库，只要是动词所接名词不属于sr范畴，则成为超常搭配的可能性增大。
语义搭配超常度计算
为确保超常搭配识别的完备性，除了依托sr知识以外，还可以依托语义搭配超常度模型。
语义搭配超常度指的是在同一语境下两个词语构成搭配关系时，偏离人们日常认知的程度，这一超常度的计算，需要赋予人工的取值，具体公式如下：
其中si∈sv,sv为基本搭配库中与核心动词wv最相似的词语集，
sv＝{si：simv(wv，si)＞θ},(0＜θ≤1)，变量n为词语集sv的元素的个数。
sim(x，y)(0≤sim(x，y)≤1)为计算两个词语的语义相似度函数。
语义搭配超常度这个值取值越高，则认为越偏离常规认知的语义搭配，如果取值高于常规搭配阈值，则判断为超常搭配。
这一计算模型相对sr知识模型来说，都是基于语义的相似度计算，所不同的是后者主要是基于线性距离，而且需要不断设置参数值和阈值，而前者主要基于各种知识特征的取值，两种方法形成某种互补。
(3)动名词超常搭配处理方法
动名词超常搭配处理方法主要涉及隐喻问题和省略问题的处理。
谓词省略的识别与处理
要想让计算机判断一个动名词超常搭配中谓词是否省略，必须要在动词和名词间的知识表示上下手。
首先动词必须有能接vp的资格，这样才能有省略，通过动词知识库来判断一个动词是否为事件动词，如果是事件动词就具有后接vp的能力，以及获得动词所接vp的知识，从而形成潜在性的vp搭配集合。
接着就要从名词入手，利用名词物性角色中对相关动词的描述与中心动词的vp集合进行匹配。具体思路如图2f所示，以“弹钢琴”和“学钢琴”为例，“弹钢琴”的分析模式如图2g所示，这里，“弹”通过动词知识库识别出不是事件动词，因此不具备后接vp的能力，因此不会存在谓词省略。而“学钢琴”的分析模式如图2h所示，这里“学”通过动词知识库识别出为事件动词，根据后接vp词集知识，再和“钢琴”的物性角色中的施成角色和功能角色的描述匹配(施成角色指这个事物怎么来的，功能角色指这个事物是干什么的)，可以得出两类动词省略。
这里对事件动词的判定和所接vp的选择性限制条件，我们采取的不是基于统计而是基于规则。通过从北大的语法信息词典中抽取一些有关动词的语法信息特征来判定事件动词，而对vp的选择限制是遵循动词的时间界性特征序列来进行筛选。
隐喻识别与理解
其实从动名词超常搭配的类型分布来看，还是以往语言学界所做的规则考察也好，动名词超常搭配一般只有省略和隐喻两种。如果能够高效的把省略情况识别出来，剩余的超常搭配基本上都可以判断为隐喻。因此最简单的方法就是优先判断省略问题，换句话说，对于超常搭配而言，只要先解决了谓词省略的识别问题，那么隐喻的识别也解决了。
关于谓词省略型的超常搭配可以由事件强迫造成的，时间强迫是一种语义压缩形式，比如“赶论文”就是“赶”和“写论文”两个事件的压缩。事件动词就是指具有后接隐含动词能力的接vp的词语。
动词后面接vp或者接什么类型的vp要遵循一定的时间界性特征序列。【时间界性特征序列为：状态>过程>转变)】。以时间为维度把动词分为三类，分别是：状态动词、过程动词、转变动词，它们接vp的能力曾递减趋势，其中状态类事件动词一般可接状态、过程、转变类动词，过程类事件动词倾向过程、转变类，而转变动词倾向转变和过程类动词。数量少vp以过程类动词居多。对于一个“v1+vp”的结构中，基本上v1在对vp的选择上，倾向于选择时间结构特征与之相当，或时间界性特征不大于它的。如“学”为过程，“学着”为状态，“喜欢”为状态，按照以上序列，则(“喜欢、学着”>“学”，则“喜欢”可以接“学”，“学”不可以接“喜欢”，而“学着”和“喜欢”一个级别，则可以说“学着喜欢一个人”。不过也可以通过sr知识加机器学习的方法直接进行隐喻识别。本项目先采取监督学习，经过人工干预达到理想效果后，再采取半监督学习的方式，把支持向量机(supportvectormachine,svm)作为监督学习分类器，把特征模板设为：
<v,r,a,srlevel>,<v,r,srlevel>,<v,srlevel>,<srlevel>,<v,r,a>,<v,a>,<v>,<a>。其中srlevel(v,r,a)是对sr(v,r,a)的类型化，根据sr值在整个论元a集中的序列高低而定，一般有三种即：高(high)、中(middle)、低(low)。这方面需要人工干预，视具体情况而定。
算法如下：
算法：基于机器学习的隐喻识别算法
输入：动名搭配
1依托知识库，抽取动名搭配<v,r,a>信息。
2计算sr(v,r,a)值，转化为srlevel(v,r,a)。
3根据特征模板抽取特征，构造特征向量x。
4由分类器进行分类，得到类标号y，取值metaphor或notmetaphor
输出：metaphorornotmetaphor
由于汉语词语的用法灵活多变，尤其是隐喻这块数据稀疏问题比较常见，为此仍然要通过众包平台进行人工核对。
但是如果说要对隐喻进行深入的分析和处理，达到理解的程度，则需要利用隐喻知识库的知识，找出目标域的映射概念，解构隐喻特征，还原成符合规则的搭配才便于信息处理。
其中隐喻知识库最主要的工作和思路就是寻找词语或词集间的隐喻映射，而能够建立映射的原则就是隐喻特征的匹配或继承，具体思路如图2i所示。
隐喻特征的提取和描述，隐喻解读的过程，其实就是一个还原概念映射并且寻找喻体继承性特征的过程。要想把看似风马牛不相及的两个概念建立关联，就需要在隐喻特征上着手。
首先需要对词项的隐喻特征进行提取，这些特征主要是从名词物性角色框架体系中有选择的提取，比如面对“老虎”这个词，它的评价角色中的词项“凶猛、狠毒”等，就可以成为它的隐喻特征。对于物性角色不能涵盖的，我们可以充分利用开发的众包平台在隐喻特征的挖掘上，比如可以适当加入词语的隐喻特征的描述信息，甚至还可以加入一些语义的映射关联。
然后再对这些特征按照搭配习惯的优先级进行排序(这种序列是根据在语料中出现的频次进行的统计)，从而形成对名词隐喻特征的序列化描述。
隐喻特征的语义映射关联
综上，关于动名词超常搭配中隐喻问题总的处理思路，我们可以简化为：
隐喻识别→隐喻特征获取→建立特征的语义映射关联→找出源域特征
这种处理隐喻的过程是一种从源域到目标域的过程，同时也很好的展示了隐喻义的生成过程。通过以上这些方式的处理，就可以把超常搭配中隐喻的内容进行解构和处理。
为了更好地理解本发明，以上结合本发明的具体实施例做了详细描述，但并非是对本发明的限制。凡是依据本发明的技术实质对以上实施例所做的任何简单修改，均仍属于本发明技术方案的范围。本说明书中每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似的部分相互参见即可。对于系统实施例而言，由于其与方法实施例基本对应，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
可能以许多方式来实现本发明的方法、装置和系统。例如，可通过软件、硬件、固件或者软件、硬件、固件的任何组合来实现本发明的方法和系统。用于所述方法的步骤的上述顺序仅是为了进行说明，本发明的方法的步骤不限于以上具体描述的顺序，除非以其它方式特别说明。此外，在一些实施例中，还可将本发明实施为记录在记录介质中的程序，这些程序包括用于实现根据本发明的方法的机器可读指令。因而，本发明还覆盖存储用于执行根据本发明的方法的程序的记录介质。本发明的描述是为了示例和描述起见而给出的，而并不是无遗漏的或者将本发明限于所公开的形式。很多修改和变化对于本领域的普通技术人员而言是显然的。选择和描述实施例是为了更好说明本发明的原理和实际应用，并且使本领域的普通技术人员能够理解本发明从而设计适于特定用途的带有各种修改的各种实施例。
- 还没有人留言评论。精彩留言会获得点赞！