年度新詞語的獲取

王宗華+石彥霞

摘 要：新詞語是語言監(jiān)測的重要內(nèi)容，目前新詞語的監(jiān)測結(jié)果以編年本的形式向社會公布。為獲取年度新詞語，人們采用了全切分的方法，這種方法的統(tǒng)計(jì)計(jì)算量較大。文章在考察新詞語在文本中的表現(xiàn)的基礎(chǔ)上，提出利用新詞語的外在特征來獲取年度新詞語的方法。

關(guān)鍵詞：年度新詞語 獲取

一、引言

語言與社會生活息息相關(guān)，它是社會的一面鏡子，社會的發(fā)展變化會引起語言的變化，新詞語（包括舊詞的新義）的大量涌現(xiàn)就是語言對社會發(fā)展變化的一種反映。年度新詞語是語言監(jiān)測與研究的重要內(nèi)容，為了自動提取年度新詞語，國家語言資源監(jiān)測與研究中心有聲媒體分中心采用詞匯時空分布模型，先對語料（本年度和往年）進(jìn)行全切分，根據(jù)年使用率差提取出新詞語候選，再過濾，得到新詞語候選集，以備人工確認(rèn)（何偉，2007；侯敏，2008）。實(shí)踐證明，這種方法可行、有效，缺點(diǎn)是統(tǒng)計(jì)計(jì)算量特別大，耗費(fèi)巨大的計(jì)算資源。在提取新詞語的實(shí)踐中，我們發(fā)現(xiàn)年度新詞語有一定的特點(diǎn)，即大部分帶有引號，利用這一特點(diǎn)可以快速地獲取年度新詞語候選集，這種方法可以作為對前一種方法的有效補(bǔ)充。

二、新詞語與引號

標(biāo)點(diǎn)符號簡稱標(biāo)點(diǎn)，是輔助文字記錄語言的符號，是現(xiàn)代書面語的有機(jī)組成部分。標(biāo)點(diǎn)符號的作用，大體上說有三個方面：1.表示停頓；2.表示語氣，標(biāo)明句子是陳述語氣、疑問語氣、祈使語氣還是感嘆語氣；3.標(biāo)示句子中某些詞句的性質(zhì)。

國家標(biāo)準(zhǔn)《標(biāo)點(diǎn)符號用法》中常用的標(biāo)點(diǎn)符號共16種，分點(diǎn)號和標(biāo)號兩大類。其中，引號的基本用法：1.行文中直接引用的話，用引號標(biāo)示。例如：要普及現(xiàn)代信息技術(shù)教育，“計(jì)算機(jī)要從娃娃抓起”。2.行文中需要著重說明的詞語，用引號標(biāo)示。例如：“坤包、坤表、坤車”里的“坤”，意思是“女式的，女用的”。3.行文中具有特殊含義的詞語，用引號標(biāo)示。例如：新學(xué)期伊始，上海一些家長加入了流行的“曬一族”，在網(wǎng)絡(luò)上“曬”起子女的寒假作業(yè)。（周麒，2009）

按照上述引號的用法，新詞語中的新詞形，因其“新”的詞形，行文中需要著重說明，應(yīng)該用引號標(biāo)示；詞語的新義、新用法，因其有特殊的含義，也會使用引號。下面我們來分析年度新詞語與引號的關(guān)聯(lián)性有多大。

三、年度新詞語使用引號情況考察

商務(wù)印書館從2006年起，每年出版年度新詞語詞典，其中收錄的新詞語包括新詞形和有新義的詞語。我們選擇其中2006、2007、2008這三年的年度新詞語詞典（周薦，2007；侯敏，2008；侯敏，2009）進(jìn)行考察。

先看詞語的新義。2006年度新詞語詞典收錄的有新義的詞有：“EMBA、空調(diào)、曬”。另外以附錄形式給出了2003—2005年的新詞語，其中收錄了認(rèn)為有新義的詞：“板磚、空軍、鳥巢”。2007年度新詞語詞典正文沒有收錄新義詞語，但以附錄形式給出了2004—2006年的新詞語，其中收錄了認(rèn)為有新義的詞：“打鐵、水滴、水門”。2008年度新詞語詞典收錄的認(rèn)為有新義的詞有：“AB制、八寶飯、乘電梯、第四公報(bào)、糾結(jié)、控、雷、雷點(diǎn)、裸演、霹靂、人肉、山寨、水軍、淘客、堰塞湖、一滴水、長草、做俯臥撐”。另外以附錄形式給出了2007年的新詞語，其中收錄了認(rèn)為有新義（新用法）的詞“裸考”。

我們利用有聲媒體語料庫以及網(wǎng)絡(luò)，考察了上述詞語新義在產(chǎn)生的當(dāng)年以及后續(xù)若干年度使用引號的情況，發(fā)現(xiàn)除了“EMBA、控”外，其他詞在產(chǎn)生初期都有引號，有的后來仍有引號或者和沒有引號的并存。這種現(xiàn)象表明，按年度監(jiān)測詞語新義，引號是新義剛開始出現(xiàn)時的一個重要外在特征。我們進(jìn)一步考察了搜集的160多個新義詞語（近30年來產(chǎn)生的）的使用情況，看其是否也伴隨有引號。我們發(fā)現(xiàn)，這些新義詞在產(chǎn)生初期幾乎都有使用引號的相關(guān)例子，其中有些詞的新義現(xiàn)在都感覺不到它的“新”了，后來就不再使用引號。也就是說，這些詞和上述年度新義詞語在引號上的表現(xiàn)是一樣的。

再看新詞形。我們考察了2008年新詞語詞典音序索引中A—Q部分的251個新詞形。我們發(fā)現(xiàn)，其中217個都有使用引號的用例，占總數(shù)的86.5%。有34個沒有使用引號，如“奧運(yùn)騎警、奧運(yùn)簽注、伴飛小衛(wèi)星、草根管理、常態(tài)包機(jī)、超級用戶名、蟲柑、川震、窗口售票機(jī)、垂直式浴室、代購手、蛋殼族、?？汀?，結(jié)合這些詞語出現(xiàn)的上下文，從這些詞語的字面上就能理解其意義，不需要進(jìn)行著重說明，也沒有什么特殊的含義，所以沒有加引號。

綜上所述，詞語新義絕大部分都使用引號，而新詞形使用引號的大概占總數(shù)的86%，由此我們可以對新詞語與引號的關(guān)系做個簡單的估計(jì)：引號內(nèi)的字符串大概覆蓋了86%左右的新詞語。但反過來，帶引號的字符串，不一定就是新詞語，統(tǒng)計(jì)表明，帶引號的字符串大部分不是新詞語。

四、獲取2009年度語料中新詞語候選集的實(shí)驗(yàn)

新詞語一般先出現(xiàn)在網(wǎng)絡(luò)，然后進(jìn)入平面媒體、有聲媒體（《中國語言生活狀況報(bào)告2008》（下編），2009）。它們在這些媒體上剛出現(xiàn)時，都會使用引號，我們的目的是檢驗(yàn)利用引號提取新詞語的方法，所以，選擇哪種媒體形式的語料進(jìn)行實(shí)驗(yàn)不會影響實(shí)驗(yàn)結(jié)果是關(guān)鍵。我們利用2007、2008年有聲媒體語料，在2009年有聲媒體語料上，提取該年度帶引號的字符串，然后過濾、去重，以獲得該年度的新詞語候選集。

（一）從新詞語的長度、構(gòu)成方面過濾候選字符串，然后去重

引號具有引用的功能，其中的字符串可能是引用的文字，從現(xiàn)有新詞語來看，其長度一般不超過4個漢字，為了過濾明顯不是新詞語的字符串，提取時我們限定引號內(nèi)字符串的長度在4個漢字以內(nèi)。在2007年度有聲媒體語言語料庫上提取了63487個含有引號的字符串，其中，4個漢字長度以內(nèi)的字符串有41839個，占總數(shù)的66%。在2008年度有聲媒體語言語料庫上我們提取了38640個含有引號的字符串，其中，4個漢字長度以內(nèi)的字符串有28313個，占總數(shù)的73%。在2009年度有聲媒體語言語料庫上提取到了87818條引號內(nèi)的字符串，其中，4個漢字長度以內(nèi)的字符串有55693個，占總數(shù)的65%。

包含有字母、數(shù)字、標(biāo)點(diǎn)符號的字符串一般不是新詞語；另外，2009年度有聲媒體語料中帶有引號的部分字符串，在2009年前的語料中以相同形式出現(xiàn)過。2009年語料上提取的4個漢字長度以內(nèi)的字符串共55693個，我們過濾帶有上述符號的1716條，過濾與2007、2008兩年重合的14571條，一共過濾16287條，還剩下39406條，減少約29.2%。

可以看出，過濾后字符串的數(shù)量還是很多，從中進(jìn)行人工篩選新詞語的話，工作量仍很大。由于新詞語主要在三字以內(nèi)，我們可以進(jìn)一步縮小候選詞語的數(shù)量。2009年的39406條候選串中，三字長度以內(nèi)的有19527條，占總數(shù)的49.5%，候選串?dāng)?shù)量縮小了50.5%，篩選范圍縮小了很多。

經(jīng)對比，我們發(fā)現(xiàn)上述2009候選字符串包含了《2009漢語新詞語》詞典中的絕大部分新詞語，這說明利用這種方法提取的字符串可以很好地覆蓋新詞語。如果進(jìn)一步限制字符串的長度，比如兩個漢字的長度，可以過濾更多的字符串。如2009年39406條候選串中，兩字以內(nèi)的有9309條，只占總數(shù)的23.6%，對這些詞進(jìn)行人工判斷的工作量就小了很多。

（二）利用頻次進(jìn)行過濾

我們分別統(tǒng)計(jì)了2007、2008、2009各年語料中帶引號字符串的頻次，發(fā)現(xiàn)各年頻次為1的字符串的數(shù)量占總數(shù)的比例分別為66.9%、65.5和66.8%，而且，頻次為1的字符串一般不是本年度的新詞語。以2009年度有聲媒體語料中的帶引號字符串為例，按頻次的分布見表1：

我們可以先過濾頻次為1的字符串，然后按前面所說方法再次過濾，候選字符串的數(shù)量就會少很多，可以極大減輕人的工作量。以2009年語料為例，頻次大于1的字符串有27825條，其中，四字以內(nèi)的字符串有21208，占76%，對四字以內(nèi)的21208條字符串與2007、2008比對去重后還剩下12241條，其中三字以內(nèi)的僅6902條，候選集的數(shù)量大為減少，減輕了人排查的工作量?？梢?，將以上兩種方法結(jié)合起來，能取得很好的過濾效果。

五、結(jié)語

根據(jù)對語料的觀察，我們發(fā)現(xiàn)新詞語（包括新義）與引號有很強(qiáng)的關(guān)聯(lián)。為了印證這個直觀判斷，我們考察了年度新詞語詞典以及我們搜集的詞語新義，發(fā)現(xiàn)86%左右的新詞語使用了引號，即引號內(nèi)的字符串大概覆蓋了86%左右的新詞語。

但帶引號的字符串絕大部分不是新詞語，需要過濾。我們根據(jù)新詞語在長度、構(gòu)成、頻次方面的特點(diǎn)，對候選字符串進(jìn)行了過濾：過濾頻次為1的字符串；過濾包含有數(shù)字、標(biāo)點(diǎn)符號的字符串，這些字符串所占比例較?。贿^濾四個漢字長度以上的詞語，因?yàn)樾略~語以四個漢字以內(nèi)為主；過濾年度語料間重合的部分。在2009年度語料中進(jìn)行提取并過濾帶引號字符串的結(jié)果表明，這種方法簡單而且有效。

（基金項(xiàng)目：本文系2014年度河北省社會科學(xué)發(fā)展研究課題[項(xiàng)目編號：2014041702]“面向語言監(jiān)測的詞語新義識別研究”。）

參考文獻(xiàn)：

[1]何偉，侯敏，文采菊.流行語時空監(jiān)測模型研究[A].內(nèi)容計(jì)算的研究與應(yīng)用前沿——第九屆全國計(jì)算語言學(xué)學(xué)術(shù)會議論文集[C].2007.

[2]侯敏，周薦主編.2007漢語新詞語[M].北京：商務(wù)印書館，2008.

[3]侯敏，周薦主編.2008漢語新詞語[M].北京：商務(wù)印書館，2009.

[4]周薦主編.2006漢語新詞語[M].北京：商務(wù)印書館，2007.

[5]周麒主編.出版校對培訓(xùn)教程[M].北京：商務(wù)印書館，2009：380-382.

[6]中國語言生活狀況報(bào)告課題組.中國語言生活狀況報(bào)告2008（下編）[M].北京：商務(wù)印書館，2009：289-306.

（王宗華，石彥霞 天津 河北工業(yè)大學(xué)人文與法律學(xué)院 300401）