話題型微博中的人稱代詞特征及消解策略

張 瑛，梁琳琳，侯 敏，滕永林

(1.中國傳媒大學文學院，北京100024;2.國家語言資源監(jiān)測與研究中心有聲媒體中心，北京100024)

一、話題型微博及人稱代詞消解相關研究

隨著互聯(lián)網的迅速發(fā)展，微博已成為人們分享、傳播以及獲取信息的重要平臺。其中，話題型微博是微博用戶發(fā)表觀點、評價事物的主要形式之一。該類微博“圍繞某一話題即標簽(hashtag)闡發(fā)意見，進行討論”［1］。通過抽取話題型微博信息，可以追蹤網絡實時熱點、了解大眾輿論傾向。由于話題型微博集中討論某一話題，相同的信息在微博中常會反復出現，為了保證語言的簡練，人們會使用大量人稱代詞銜接語篇。雖然這些人稱代詞使得句子更加簡明，主題更加突出，但也給話題型微博信息處理增加了難度。因此，對微博文本進行人稱代詞消解就成為微博信息挖掘的一個重要任務。

話題型微博中人稱代詞消解就是指針對微博中出現的人稱代詞，依據話題背景信息及上下文語境，找出該詞所指代的具體對象。人們稱人稱代詞為照應語，其指代對象為先行語。整個消解過程涉及到三個步驟:實體識別、照應語識別和先行語識別。實體識別是指對語篇中人名、地名、機構名等專名以及其他普通名詞進行識別，這些詞語都是潛在的先行語，對其進行識別是消解的首要任務;照應語識別是指對微博中具有指代功能的人稱代詞進行識別;先行語識別則是通過消解算法尋求與微博中人稱代詞形成銜接紐帶的實體。

目前，漢語中人稱代詞消解時賢已多有研究。大致可以分為兩種:基于規(guī)則的方法和基于機器學習的方法。基于規(guī)則的方法需要借助與人稱代詞消解相關的語言知識，包括句法結構，篇章結構，詞、句的語義信息，篇章的語境信息等，并依據這些知識設定消解規(guī)則，例如:王厚峰使用動態(tài)評測機制對先行語候選項進行權值計算，提出魯棒性的漢語人稱代詞消解［2］;臧翰芬、韋向峰和張全提出基于語義結構平行的消解方法［3］?；跈C器學習的方法包括聚類、統(tǒng)計等方法，通過對小規(guī)模訓練語料進行無督導或半督導的機器學習來實現測試語料的人稱代詞消解，例如:李國成、羅云飛采用決策樹和優(yōu)先選擇策略對突發(fā)事件文本中的人稱代詞進行消解［4］;胡乃全、孔芳等采用最大熵統(tǒng)計模型對漢語中的指代進行消解［5］;王海東、譚魏璇等依據樹核函數對漢語代詞進行指代消解［6］。這些指代消解方法都包括了人稱代詞消解。無論是基于規(guī)則還是基于機器學習的方法，都對語料和文本中人稱代詞指代功能的規(guī)范性要求較高。然而，不同語體的語言特征存在差異。話題型微博受技術平臺以及網絡語言的影響，在語言規(guī)范度、實體名稱特征和人稱代詞使用等方面有其自身特點。所以，針對話題型微博這一特殊語體，筆者應給出相應的人稱代詞消解方法。

二、話題型微博語言特征

話題型微博與上述研究中的待消解文本具有較大的差異，兼具微博語體與多人會話語體雙重特征［7，8］。

(一)微博特征

話題型微博是微博語體的一種，因此具有一般微博文本的語言特征:

1.語言不規(guī)范

話題型微博中包含了大量的表情符號(其文字表現形式為:“/”加漢字，如例1)，網絡鏈接，由于微博用戶個人習慣導致的重復符號，以及繁體字等，如例2、例3。這些都是不規(guī)范的語言形式。

例1:#瘋狂的大蔥#/擁抱如果現在你還堅強的活著。

例2:#新版笑傲江湖#于媽～～～～你亮瞎了我的鈦合金狗眼!!!

例3:#毒玩具#就是這些無良商人，官員不力。你們沒小孩的嗎?

2.英漢夾雜使用

話題型微博中常常會出現英漢兩種語言夾雜使用的現象，如例4。有些英語單詞具有名詞性質，是文本中潛在的先行語。

例4:#魔境仙蹤#據說JOHNNY DEPP拒絕主演此片，事實上他演的《愛麗絲夢游仙境》更出色。

3.微博特殊語言形式

除了常見的實體名稱，話題型微博中還存在大量的特殊實體名稱，包括特殊表達形式、網名、昵稱等，如例5、例6。部分特殊語言形式是潛在的先行語，對其進行識別可提高人稱代詞消解系統(tǒng)的性能。

例5:#查韋斯#@月光的醬說:我覺得杭州的那個市長和查韋斯一樣，都是被“美帝”整死的。

例6:#王語嫣#不喜歡#天龍八部#，但更不喜歡#王語嫣#這個人。

針對上述特點，筆者在人稱代詞消解之前，需要對話題型微博語料進行預處理。首先，筆者將清除文本中不規(guī)范的語言，以免影響人稱代詞消解的準確性。其次，話題型微博中英語單詞詞型較少，可通過小規(guī)模的英漢詞典進行匹配對其詞性賦值。此外，筆者還設定了一系列的規(guī)則對于特殊語言形式進行識別，以便于后期的提取和詞性標注(將另擬文詳述)。

(二)多人會話語言特征

話題型微博針對某個主題進行討論，體現為標簽(但并非所有話題型微博都具有顯性標簽)。微博用戶們不僅圍繞標簽發(fā)表意見，也會對其他用戶的相關評論發(fā)表意見，“于是就形成了一個帶有鮮明主題的話題型微博群”［1］。因此，筆者認為話題型微博群可以視為一個以眾多微博用戶為參與者的多人會話，具有以下特點:

1.語句不流暢

一篇話題型微博就是一個會話參與者的發(fā)言，其文本具有很強的口語特征。話題型微博中常出現語句不流暢的現象，如例7。

例7:#魔境仙蹤#貌似也沒有陪我去看。呃…那個…我還是一個人去好了。

2.會話結構

話題型微博群中，每一個微博用戶具有發(fā)話人的身份，其他參與討論的微博用戶話題中涉及的評價對象等作為默認聽話人，標簽相關內容可視為被談及的第三方。一個話題型微博群構成了一個完整的會話結構。因此，文本中會出現大量具有會話性質的語句，如例8。

例8:#王語嫣#你再吵吵也沒用，有能耐你演個我看看。

3.語篇和句長較短

筆者對1 000篇話題型微博進行統(tǒng)計，得出2 135個句子，平均每篇話題型微博僅2.135個句子。侯敏等的研究表明話題型微博的平均句長僅為20.11［1］。這說明話題型微博句子少，單個句子非常短，從而導致整個語篇也很短。

值得一提的是，話題型微博與常見的多人會話文本也存在不同。話題型微博不具備多人會話中的一些典型特征，包括話輪轉換、視覺信息、語音信息和會話角色信息等，而這些特征都是多人會話人稱代詞消解中的重要信息。

首先，由于語句不流暢將增加了人稱代詞消解的難度，筆者將對其進行預處理。其次，基于話題型微博特有的多人會話特征，筆者在對人稱代詞消解時需要充分考慮到人稱代詞在會話結構中的指代功能。同時，話題型微博缺乏話輪轉換、視覺信息、語音信息和會話角色信息等重要會話信息，基礎語言信息在人稱代詞消解時變得尤為重要。話題型微博篇幅和句子都比較短，人稱代詞的上下文信息隨之減少，這也為人稱代詞消解增添了一定難度。

三、話題型微博中人稱代詞特征

話題型微博是一個多人會話文本，其人稱代詞在使用和分布上也與常規(guī)文本有所不同，具有以下特征:

(一)人稱代詞詞型少

漢語人稱代詞雖然是一個相對封閉的集合，但是每個人稱代詞在語用上具有一定差異，例如:第一人稱代詞集合中，“寡人”、“鄙人”和“我”語用上分別為傲稱、謙稱、普通指稱。在話題型微博中，人稱代詞詞型較少，“典型人稱代詞”［9］居多，含有少量網絡用語人稱代詞(如“偶”)、方言人稱代詞(如“俺”)和古漢語人稱代詞(如“寡人”)，通過對1 000條話題型微博中人稱代詞詞型的統(tǒng)計，得到表1。

表1話題型微博中人稱代詞詞型

(二)各類人稱代詞使用比重差異大

話題型微博群是會話的匯集，每條話題型微博都是微博用戶就標簽或其他微博發(fā)布的個人評論，所以在話題型微博中第一人稱代詞的使用比重往往要高于其他類人稱代詞。第三人稱代詞在話題型微博中的使用比重也高于其他類型微博，這是由于話題型微博中的標簽暗含了微博的語境，將整個話題型微博群銜接為一個語篇，可以直接使用第三人稱代詞指代與話題相關的實體。第二人稱代詞在微博語體中使用比重相對較低，話題型微博用戶將其他參與者和閱讀者視為聽話人，會使用第二人稱進行指代。話題型微博中三類人稱代詞的使用比重分布與其他常規(guī)書面文本存在著差異。筆者對1 000篇話題型微博中人稱代詞使用比重進行統(tǒng)計，并與突發(fā)事件新聞中人稱代詞的使用比重［10］進行對比，結果如表2。

表2話題型微博與突發(fā)事件新聞中人稱代詞使用比重對比

(三)外指與泛指多

外指與泛指是指代中比較特殊的現象。根據被指代的對象是否在篇章內，可將指代分為內指與外指;根據被指代對象是否表示具體的人或事物，可將指代分為泛指或特指。內指的所指對象可以在語篇的上下文中找到，而要明確外指的所指對象則依賴于語境。泛指所指對象通常是抽象的、不明確的，通常不需要進行消解，但是將泛指與定指區(qū)分開是人稱代詞消解的重要步驟。在話題型微博中，微博用戶之間已經就某一具體話題形成了默認的語境及背景知識，往往直接使用人稱代詞對話題及其他用戶進行指代。在話題型微博中，外指和泛指的情況較多，以第二人稱和第三人稱為主，如例9、例10。

例9:#王語嫣#她演技的一點都不好，聽說于正竟然還打算讓她演新版小龍女。(外指王語嫣的扮演者張檬)

例10:#中國式英語#語言只不過是一個交流工具，我能說你能懂不就行了么?(泛指)

(四)用法不規(guī)范

話題型微博屬于網絡語體的一種，雖然以書面文字形式展現，但其口語色彩較濃，語言表達具有很強的隨意性，人稱代詞的使用也會出現不規(guī)范的情況，如例11、例12。

例11:#查韋斯#深切悼念委內瑞拉總統(tǒng)查韋斯。它不僅是偉人，也是中國人民最真誠的朋友。(“它”通常用于指代人以外的事物，但這里指代的卻是人)

例12:#王語嫣#人沒有漂亮到可以演神仙姐姐，至于他的演技肯定也沒有如火純青到超越經典。(“他”用于指代男性，此處指代的是女性)

(五)偽人稱代詞

話題型微博語言是一種口語文本，會使用很多非正規(guī)用語，其中包括大量的偽人稱代詞。偽人稱代詞是人稱代詞的同形詞，不具備指代功能，常與其他詞語搭配使用，如例13、例14。進行人稱代詞消解就必須排除偽人稱代詞。鑒于這類詞組合有特點，成員較少，筆者建立一個偽代詞底表作為參照便可將其排除。

例13:#90后暴打老人#這種人渣就應該被槍斃，他妹的

例14:#曼聯(lián)VS皇馬#我只想說“裁判，去你大爺的”。

四、消解策略

話題型微博是一種特殊的多人會話，缺乏語篇信息、會話角色、語音等諸多信息，其人稱代詞的使用也經常違反“單復數一致”、“性別一致”、“語義類一致”等基本要求?，F有的人稱代詞消解策略多針對規(guī)范文本，無法完全適用于話題型微博。因此，針對話題型微博這一特殊語體，筆者提出基于句法、語義、語用多層面信息的消解策略。

(一)句法信息

筆者對句子進行了淺層的句法結構標注，包括:添加句首/句尾標記，主語/賓語標記和特殊句型結構。

1.句首/句尾標記

一句話的句首標記為“^”，句尾標記為“$”。通過判斷待消解人稱代詞是否位于句首/句尾，將選擇相應的消解方式。例如:位于句首的人稱代詞優(yōu)先進行跨句消解，向前搜索先行語;位于句尾的人稱代詞使用逆向規(guī)則匹配法。

2.主/賓區(qū)分

筆者利用規(guī)則區(qū)分了句子的主語和賓語。中心理論認為一個句子的主語最有可能在下文中被指代，其次是賓語，最后是具有其他句法角色的名詞［11］。因此，主語將優(yōu)先成為先行語候選對象。同時，基于EPR的語言回指加工研究表明，人們在進行指代消解的心理加工時，更容易處理在句法上具有一致平行關系的先行詞與照應語［12］，這說明與照應語具有平行句法角色的名詞性詞語更有可能成為先行語(例如:同為主語)。因此，在進行設定規(guī)則時，將與待消解項句法角色平行的名詞性詞語優(yōu)先設定為候選先行語。

3.特殊句型結構

人稱代詞常能與其先行語形成固定的句法結構，例如:在包含人稱代詞的同位語中，人稱代詞的指代對象就是緊跟在其后面并與之構成同位語的名詞;在直接引用句中，第一人稱代詞和第二人稱代詞通常指代說話人和聽話人;第二人稱代詞?；刂盖懊娉霈F的呼語。針對這些語言中普遍存在的特殊句型結構，筆者設定相應的消解規(guī)則。

(二)語義信息

目前，已經有許多學者從不同的角度對語篇進行語義標注，并應用于人稱代詞消解之中，主要包括句子的語義論元［13］、代詞的上下文相關語義環(huán)境［14］等。這些語義信息都在一定程度上增強了人稱代詞消解系統(tǒng)的性能。然而，話題型微博句子結構不規(guī)則、篇幅短小，導致句法及篇章層面的語義信息難以適用。所以，筆者將著重提取詞語的語義信息。除了常見的男/女、生命/無生命等語義信息，還添加了整體/個體、話題提示/話題轉折、并列/對比詞等語義信息。

以“話題提示”為例，當一個名詞性詞語前出現話題提示語義信息時，該詞語則優(yōu)先成為下文中人稱代詞的潛在回指對象，如例15、例16。

例15:#曼聯(lián)VS皇馬#曼聯(lián)的大佬們氣場很足啊，尤其是推特男，看看佩佩在他身邊一比就知道。

例16:#魔境仙蹤#對魔境仙蹤實在比較失望，特別是三個女巫超刻板，她們完全沒亮點啊!

(三)語用信息

黃衍早已論證了語用因素在指代消解分析中的重要性［15］，尤其是語境因素。但由于語用因素內容復雜且難以形式化，所以在人稱代詞消解中常常被忽略。一個話題型微博群中，微博主將標簽相關信息作為共有背景知識，形成特定語境，導致話題型微博中大量外指需要依據這一特定語境才能得到消解。在例17至例19中，人稱代詞“你”、“他”、“他們”都無法在句內找到指代對象，但可以依據標簽及標簽相關背景信息消解為“菲律賓”。

例17:#菲軍艦惡意撞擊#你也只配拿炮艇來撞漁船!

例18:#菲軍艦惡意撞擊#讓外交部譴責他。

例19:#菲軍艦惡意撞擊#他們一個彈丸之地竟然敢欺負中國!

通過對語料的觀察，發(fā)現一個話題型微博群中的高頻名詞性詞語反映了該話題熱點人物或事物，最有可能成為單條話題型微博文本中人稱代詞的外指對象。因此，為了增強人稱代詞消解系統(tǒng)的性能，筆者利用話題型微博群的高頻名詞性詞語構建話題語用表單(后文簡稱OBJ表單)。話題OBJ表單包含不同話題型微博群中最可能成為指代對象的實體名稱。首先統(tǒng)計出某個話題型微博群頻次最高的實體名稱，將其選入OBJ表單，并添加相應的詞性標注與淺層語義信息。針對微博中出現的外指，將依據標簽調用OBJ表單進行消解。但是，OBJ表單僅適用于話題型微博，并且需要隨著話題的變化進行更新。

五、實驗語料及評測標準

(一)實驗及語料

為了評價人稱代詞消解的實驗結果，本文采用了準確率(precision)、召回率(recall)和F-指數(F-measure)作為評價指標，定義如下:

Nc指系統(tǒng)正確消解的人稱代詞數目;Nr指系統(tǒng)識別的人稱代詞數目;Na指語料中總人稱代詞數目。

本次實驗語料為中國計算機學會(CCF)2013年主辦的第二屆中文微博情感分析評測提供的評測語料，共10組話題型微博群，選用1 000篇話題型微博，2 135個句子。其中，人稱代詞共有667處，第一人稱代詞349處，第二人稱代詞95處，第三人稱代詞223處。

(二)系統(tǒng)流程及實驗結果

運用上述策略構建了一個基于句法、語義、語用多層面信息的人稱代詞消解系統(tǒng)CUCpr。系統(tǒng)首先對測試語料進行預處理，去掉網址、表情符號、亂碼文本等噪音信息。隨后系統(tǒng)將運行文本處理模塊、待消解項識別模塊、人稱代詞消解規(guī)則解釋器。文本處理模塊用于常規(guī)的文本處理、特殊命名實體提取、多層面語言信息標注;待消解項識別模塊對文本中人稱代詞進行定位，并提取人稱代詞所在微博的相關信息;人稱代詞消解規(guī)則解釋器對消解規(guī)則進行匹配，實現人稱代詞的指代消解。系統(tǒng)流程如下圖:

圖1 人稱代詞消解系統(tǒng)CUCpr流程圖

通過對10組話題型微博群進行人稱代詞消解，筆者得出實驗結果如下表:

P(準確率)正確消解的人稱代詞數目系統(tǒng)識別的人稱代詞數目×100%

R(召回率)正確消解的人稱代詞數目總的人稱代詞數目×100%

F-(F-指數)2×P×RP+R×100%

表3話題型微博人稱代詞消解結果

使用CUCpr系統(tǒng)，1 000篇話題型微博中人稱代詞的F-指數達到91.37%。表3中的數據顯示，第一人稱代詞消解的F-指數最高，達到97.13%。第一人稱代詞在話題型微博中的指代對象較為簡單:第一人稱單數的先行語多為微博發(fā)布者，第一人稱的復數多為泛指。第二人稱代詞消解的F-指數最低，僅79.56%。第二人稱代詞的指代功能比第一、第三人稱代詞都要復雜，不但存在大量外指與泛指，還會出現使用單數指代多項先行語的情況。因此，第二人稱代詞的消解難度更大，導致其F-指數更低。第三人稱代詞消解的F-指數為87.13%。第三人稱代詞的指代功能比較復雜，尤其是第三人稱復數，其先行語往往是多個名詞性詞語，較難被完整提取。第三人稱代詞用法較也比較靈活，常出現不同的句法位置。這也導致了第三人稱代詞消解規(guī)則匹配結果錯誤最多。

對實驗結果進行回查，分析錯誤原因，有如下幾種:

一是實驗中有39.26%的錯誤是由于系統(tǒng)對人稱代詞的指代功能進行了錯誤的判斷，從而影響了進一步的規(guī)則匹配。例如:將泛指誤判為定指，外指誤判為內指，前指誤判為后指。

二是實驗中有33.33%的錯誤是由于人稱代詞匹配了不適當的消解規(guī)則，導致消解結果錯誤。

三是實驗中有19.61%的錯誤是由于人稱代詞的先行語包括多項命名實體，而消解結果只提取了其中一項，導致消解結果不完整。

四是實驗中有7.80%的錯誤是由于文本預處理失誤而產生的，例如:未識別的偽人稱代詞，文本切分錯誤，詞性標注錯誤等。

分析說明，進一步完善消解規(guī)則和文本預處理是提高消解系統(tǒng)性能的首要工作。正確區(qū)分人稱代詞的泛指與定指、內指與外指、后指與前指也對消解的準確率有著重要的影響。如果能在消解規(guī)則匹配之前對人稱代詞的指代功能進行分類及判定，將會進一步提高消解系統(tǒng)的性能。

六、結 語

話題型微博是一種特殊的多人會話，其語言特征和人稱代詞的使用有別于其他語體。因此，針對這一特定語體，筆者介紹了基于句法、語義和語用多層面信息的消解策略。實驗中，利用該策略建構的人稱指代詞消解系統(tǒng)F-指數達到91.37%，說明這一消解策略適合處理話題型微博。筆者認為較好的實驗結果主要得益于對語料語言和人稱代詞的深入分析。這啟發(fā)人們在對不同語體語料進行計算處理時，應充分分析其語言特點并給出相應的計算策略。如何將基于多層面信息的消解策略運用于其他語體人稱代詞消解將有待于進一步研究。

［1］侯敏，滕永林，李雪燕，等.話題型微博語言特點及其情感分析策略研究［J］.語言文字應用，2013(2):136.

［2］王厚峰，梅錚.魯棒性的漢語人稱代詞消解［J］.軟件學報，2005，16(5):700-707.

［3］臧翰芬，韋向峰，張全.基于語義結構平行的漢語人稱代詞消解［C］∥責任者.第四屆全國學生計算語言學研討會會議論文集.太原:山西大學出版社，2008:152-158.

［4］李國臣，羅云飛.采用優(yōu)先選擇策略的中文人稱代詞的指代消解［J］.中文信息學報，2005(4):143-148.

［5］胡乃全，孔芳，王海東，等.基于最大熵模型的中文指代消解系統(tǒng)實現［J］.計算機應用研究，2009(8):2943-2955.

［6］王海東，譚魏璇，李艷翠，等.基于樹核函數的代詞指代消解［J］.計算機工程，2009，35(15):165-167.

［7］焦德武.微博輿論中的情緒及其影響［J］.江淮論壇，2013(3):129.

［8］宋培杰.網絡語言中的詞匯變異現象探析［J］.河南師范大學學報:哲學社會科學版，2012，39(4):187.

［9］陳翠珠.漢語人稱代詞考論［M］.北京:光明日報出版社，2013:15-85.

［10］龐寧，蘇尚宏，賴振丹.中文人稱代詞消解研究［J］.太原科技大學學報，2008(3):179-181.

［11］GUPTA S，PURVER M，JURAFSKY D.Disambiguating Between Generic and Referential“you”in Dialogue［C］∥ Proceedings of the 45th Annual Meeting of the Association for Computational Linguistics(ACL).Madison:Omnipress，2007:105-108.

［12］趙鳴，劉濤.語言回指加工的ERP研究述評［J］.心理科學進展，2011(3):355-363.

［13］王厚峰，何婷婷.漢語中人稱代詞的消解研究［J］.計算機學報，2001(2):136-143.

［14］許敏，王能忠，馬彥華.漢語中指代問題的研究及討論［J］.西南師范大學學報:自然科學版，1999(6):633-637.

［15］ HUANG Yan.Discourse Anaphora:Four Theoretical Models［J］.Journal of Pragmatics，2000(32):151-176.