论文部分内容阅读
现在使用的汉字有简体和繁体两种形式,中国大陆普遍使用简化字,而中国香港、澳门、台湾以及其他国家和地区的大部分华人聚居区普遍使用繁体字。繁简汉字的差异给两岸四地的沟通与交流造成了巨大的障碍,运用中文信息处理技术实现繁简中文的自动转换是消除这一障碍的迫切需要。
繁体字与简化字并非一一对应,存在着转换模糊,这是中文繁简转换的关键难点。此外,中文繁简转换还面临编码、词汇及语法等方面的转换问题。
本文根据对各地用字标准的比较分析,整理出具有非一一对应关系的繁简字共126组,针对这些繁简字建立了一定规模的以句为单位的繁简对照语料库。以HNC(Hierarchical Network of Concepts,概念层次网络)理论为指导,通过分析繁体中文和简体中文的区别,研究了中文繁简转换的基本问题和处理策略,并开发了一个转换正确率高、具有自学习功能的智能型中文繁简转换系统。
本文的研究内容主要有以下六个方面:
(1)在大量真实文本语料的基础上,以HNC的概念类别和概念组合结构为纲,对具有非一一对应关系的126组繁简字进行了基于规则的逐字分析处理;
(2)分析了中文繁简转换中的词处理的范围、词语差异模式以及处理策略;
(3)讨论了服务于非一一对应关系繁简字转换的字知识库、规则库的建设方法和内容;
(4)整理建立了繁简对照专名库,以解决繁体中文和简体中文在译名方面的转换问题;
(5)对中文繁简转换系统的应用需求和可构建的产品模式进行了分析;
(6)采用C#语言,根据面向对象的编程思想实现了一个繁简中文转换系统。该系统考虑了用户的一些常见的个性化需求。
以上研究内容有利于实现中文信息资源的共享,对促进汉字文化圈内语言文化和经济信息的交流与发展都有重要意义。
中文繁简转换中还有一些问题本文尚未研究和解决,如一些繁简汉字的历时转换问题、非常用词语的繁简转换问题等。