从50年代的机器翻译和人工智能研究算起，NLP（Natural

Language Processing，自然语言处理）已有长达半个世纪的历史。 在

这个进程中，学术界曾提出许多重要的理论和方法，取得了丰富的成果

。笔者认为，近二十年在这一领域中堪称里程碑式的贡献有如下三个：

（1）复杂特征集和合一语法；（2）语言学研究中的词汇主义；（ 3）

语料库方法和统计语言模型。这三个成果将继续对语言学、计算语言学

和NLP研究产生深远影响。为了更好地理解这些成果的意义， 先介绍与

此相关的两个事实。

2. 两个事实

2.1 事实之一——短语结构语法不能有效地描写自然语言

在自然语言处理中，为了识别一个输入句子的句法结构，首先要把

句子中的词一个一个地切分出来，然后去查词典，给句子中的每个词指

派一个合适的词性（part of speech）；之后再用句法规则把句子里包

含的句法成分，如名词短语、动词短语、小句等，逐个地识别出来。进

而判断每个短语的句法功能，如主语、谓语、宾语等，及其语义角色，

最终得到句子的意义表示，如逻辑语义表达式。这就是一个句法分析的

全过程。

本文要提到的第一个事实是：短语结构语法（Phrase Structure

Grammar，简称PSG）不能有效地描写自然语言。PSG在Chomsky语言学理

论中占有重要地位，并且在自然语言的句法描写中担当举足轻重的角色

。但是它有一些根本性的弱点，主要表现为，它使用的是像词类和短语

类那样的单一标记，因而不能有效地指明和解释自然语言中的结构歧义

问题。请看汉语中“V＋N”组合。假如我们把“打击、委托、调查”等

词指派为动词（V）；把“力度、方式、盗版、 甲方”等词视为名词（

N），并同意“打击力度”、“委托方式”是名词短语（NP）， “打击

盗版”、“委托甲方”是动词短语（VP），那么就会产生如下两条有歧

义的句法规则：

（1）NP→VN

（2）VP→VN

换句话讲，当计算机观察到文本中相邻出现的“V＋N”词类序列时，仍

不能确定它们组成的究竟是NP还是VP。我们把这样的歧义叫做“短语类

型歧义”。例如：

·该公司正在招聘〔销售V人员N〕NP。

·地球在不断〔改变V形状N〕VP。

下面再来看“N＋V”的组合，也同样会产生带有短语类型歧义的规

则对，如：

（3）NP→NV 例：市场调查；政治影响。

（4）S→NV 例：价格攀升；局势稳定。

其中标记S代表小句。

不仅如此，有时当机器观察到相邻出现的“N＋V”词类序列时，甚

至不能判断它们是不是在同一个短语中。也就是说，“N＋V”词类序列

可能组成名词短语NP或小句S，也有可能根本就不在同一个短语里。 后

面这种歧义称为“短语边界歧义”。下面是两个相关的例句：

·中国的〔铁路N建设V〕NP发展很快。

·〔中国的铁路N〕NP建设V得很快。

前一个例句中，“铁路 建设”组成一个NP；而在后一个例句中，这两

个相邻的词却分属于两个不同的短语。 这足以说明， 基于单一标记的

PSG不能充分地描述自然语言中的句法歧义现象。 下面再看一些这样的

例子。

（5）NP→V N1 de N2

（6）VP→V N1 de N2

其中de代表结构助词“的”。例如，“〔削 苹果〕VP的刀”是NP；而

“削〔苹果 的 皮〕NP”则是VP。这里既有短语类型歧义，又有短语

边界歧义。比如，“削V苹果N”这两个相邻的词，可能构成一个

VP，也可能分处于两个相邻的短语中。

（7）NP→P N1 de N2

（8）PP→P N1 de N2

规则中P和PP分别表示介词和介词短语。例如，“〔对 上海〕PP 的印

象”是NP；而“对〔上海的 学生〕NP”则是PP。相邻词“对P上海N”

可能组成一个PP，也可能分处于两个短语中。

（9）NP→NumP N1 de N2

其中NumP表示数量短语。规则（9）虽然表示的是一个NP， 但可分别代

表两种结构意义：

（9a）NumP〔N1 de N2〕NP 如：五个〔公司的职员〕NP

（9b）〔NumP N1〕NP de N2 如：〔五个公司〕NP的职员

（10）NP→N1 N2 N3

规则（10）表示的也是一个NP，但“N1＋N2”先结合，还是“N2＋N3”

先结合，会出现两种不同的结构方式和意义，即：

（10a）〔N1 N2〕NP N3 如：〔现代 汉语〕NP词典

（10b）N1〔N2 N3〕NP 如：新版〔汉语词典〕NP

以上讨论的第一个事实说明：

·由于约束力不够，单一标记的PSG 规则不能充分消解短语类型和

短语边界的歧义。用数学的语言讲，PSG规则是必要的， 却不是充分的

。因此，机器仅仅根据规则右边的一个词类序列来判断它是不是一个短

语，或者是什么短语，都有某种不确定性。

·采用复杂特征集和词汇主义方法来重建自然语言的语法系统，是

近二十年来全球语言学界对此作出的最重要的努力。

2.2 事实之二——短语结构规则的覆盖有限

通过大规模语料的调查，人们发现一种语言的短语规则的分布符合

齐夫率（Zipf's Law）。Zipf是一个统计学家和语言学家。他提出，如

果对某个语言单位（不论是字母还是词）进行统计，把这个语言单位在

一个语料库里出现的频度（frequency）记作F，而且根据频度的降序对

每个单元指派一个整数的阶次（rank）R。结果发现R和F 的乘积近似为

一个常数。即

F[*]R≈const（常数）

或者说，被观察的语言单元的阶次R与其频度F成反比关系。在词频的统

计方面，齐夫律显示，不管被考察的语料仅仅是一本长篇小说，还是一

个大规模的语料库，最常出现的100 个词的出现次数就会占到语料库总

词次数（tokens）的近一半。假如语料库的规模是100万词次， 那么其

中频度最高的100个词的累计出现次数大概是50万词次。 如果整个语料

库含有5万词型（types），那么其中的一半（也就是2.5 万条左右）在

该语料库中只出现过一次。即使把语料库的规模加大十倍，变成1000万

词次，统计规律大体不变。

有趣的是，80年代Sampson对英语语料库中的PSG规则进行统计，发

现它们的分布同样是扭曲的，大体表现为齐夫率（Aarts et al. 1990）

。也就是说，一方面经常遇到的语法规则只有几十条左右，它们的出现

频度极高；另一方面，规则库中大约一半左右的规则在语料库中只出现

过一次。随着语料库规模的扩大，新的规则仍不断呈现。Chomsky 曾提

出过这样的假设，认为对一种自然语言来说，其语法规则的数目是有限

的，而据此生成的句子数目是无限的。但语料库调查的结果不是这样。

这个发现至少说明，单纯依靠语言学家的语感来编写语法规则不可能胜

任大规模真实文本处理的需求，我们必须寻找可以从语料库中直接获取

大规模语言知识的新方法。

几十年来，NLP学界发表过大量灿烂成果，有词法学、语法学、 语

义学的，有句法分析算法的，还有许多著名的自然语言应用系统。而对

该领域影响最大的、里程碑式的成果应数下面三个。

3. 三个里程碑

3.1 里程碑之一：复杂特征集

复杂特征集（complex feature set）又叫多重属性（multiple

features）描写。在语言学里，这种描写方法最早出现在语音学中，后

来被Chomsky学派采用来扩展PSG的描写能力。现在无论是在语言学界还

是计算语言学界，几乎所有语法系统在词汇层的描写中均采用复杂特征

集，并利用这些属性来强化句法规则的约束力。一个复杂特征集F 包含

任意多个特征名f[,i]和特征值v[,i]对。其形式如：

F＝｛…，fi＝vi，…｝，i＝1，…，n

特征值v[,i]既可以是一个简单的数字或符号， 也可以是另外一个复杂

特征集。这种递归式的定义使复杂特征集获得了强大的表现能力。如北

京大学俞士汶等（1998）开发的《现代汉语语法信息词典详解》，对一

个动词界定了约40项属性描写，对一个名词界定了约27项属性描写。

一条含有词汇和短语属性约束的句法规则具有如下的一般形式：

〈PSG规则〉：〈属性约束〉

：〈属性传递〉

一般来说，PSG 规则包括右部（条件：符号序列的匹配模式）和左部（

动作：短语归并结果）。词语的“属性约束”直接来自系统的词库，而

短语的“属性约束”则是在自底向上的短语归并过程中从其构成成分的

中心语（head）那里继承过来的。在Chomsky的理论中这叫做X-bar 理

论。X-bar代表某个词类X所构成的、仍具有该词类属性的一个成分。

如果X＝N，就是一个具有名词特性的N-bar。当一条PSG 规则的右部匹

配成功，且“属性约束”部分得到满足，这条规则才能被执行。此时，

规则左部所命名的短语被生成，该短语的复杂特征集通过“属性传递”

部分动态生成。

20世纪80年代末、90年代初学术界提出了一系列新的语法，如广义

短语结构语法（GPSG）、中心语驱动的短语结构语法（HPSG）、词汇功

能语法（LFG）等等。 这些形式语法其实都是在词汇和短语的复杂特征

集描写背景下产生的。合一（unification ）算法则是针对复杂特征集

的运算而提出来的。“合一”是实现属性匹配和赋值的一种算法，所以

上述这些新语法又统称为“基于合一的语法”。

3.2 里程碑之二：词汇主义

在NLP领域中，第二个里程碑式的贡献叫词汇主义（lexicalism ）

。语言学家Hudson（1991）曾宣称词汇主义是当今语言学理论发展的头

号倾向。其出现原因也同前面所观察的两个事实有关。词汇主义方法不

仅提出了一种颗粒度更细的语言知识表示形式，而且体现了一种语言知

识递增式开发和积累的新思路。

这里首先要解释一下这样一个矛盾。一方面，语言学界一向认为，

不划分词类就无法讲语法，如前面介绍的短语结构语法。也就是说，语

法“不可能”根据个别的词来写规则。但是另一方面，人们近来又注意

到，任何归类都会丢失个体的某些重要信息。所以从前文提到的第一个

事实出发，要想强化语法约束能力，词汇的描写应当深入到比词类更细

微的词语本身上来。换句话讲，语言学呼唤在词汇层采用颗粒度更小的

描写单元。从本质上来说，词汇主义倾向反映了语言描写的主体已经从

句法层转移到词汇层；这也就是所谓的“小语法，大词库”的思想。下

面我们来看与词汇主义有关的一些工作。

3.2.1 词汇语法（Lexicon-grammar）

法国巴黎大学Gross教授在20世纪60 年代就创立了一个研究中心叫

LADL，并提出词汇语法的概念（http://www. ladl. jussieu. fr/）。

·把12，000个主要动词分成50个子类。

·每个动词都有一个特定的论元集。

·每一类动词都有一个特定的矩阵，其中每个动词都用400 个不同

句式来逐一描写（“＋”代表可进入该句式；“－”表示不能）。

·已开发英、法、德、西等欧洲语言的大规模描写。

·INTEX是一个适用于大规模语料分析的工具， 已先后被世界上五

十多个研究中心采用。

3.2.2 框架语义学（Frame Semantics）

Fillmore是格语法（Case Grammar）的创始人，他前几年主持了美

国自然科学基金的一个名为框架语义学的项目（http://www. icsi.

berkeley. edu/framenet）。该项目从WordNet上选取了2000个动词，从

中得到75个语义框架。例如动词“categorize”的框架被定义为：

一个人（Cognizer）把某个对象（Item）视为某个类（Category）。

同原先的格框架相比， 原来一般化的动作主体被具体化为认知者

Cognizer，动作客体被具体化为事物Item，并根据特定体动词的性质增

加了一个作为分类结果的语义角色Category。

项目组还从英国国家语料库中挑出相关句子50，000个， 通过人工

给每个句子标注了相应的语义角色。例如：

Kim categorized the book as fiction.

（Cog）（Itm） （Cat）

3.2.3 WordNet

WordNet是一个描写英语词汇层语义关系的词库，1990 年由普林斯

顿大学Miller开发（http://www.cogsci. princeton. edu:80/～wn/），

到现在已有很多个版本，全部公布在因特网上，供研究人员自由下载。

欧洲有一个Euro-WordNet，以类似的格式来表现各种欧洲语言的词汇层

语义关系。WordNet刻意描写的是词语之间的各种语义关系， 如同义关

系（synonymy）、反义关系（antonymy）、上下义关系（hyponymy），

部分一整体关系（part-of）等等。 这种词汇语义学又叫做关系语义学

。这一学派同传统的语义场理论和语义属性描写理论相比，其最大的优

势在于第一次在一种语言的整个词汇表上实现了词汇层的语义描写。这

是其他学派从来没有做到的。其它理论迄今仅仅停留在教科书或某些学

术论文中，从来没有得到工程规模的应用。下面是WordNet的概况：

·95，600条实词词型（动词、名词、形容词）

·被划分成70，100个同义词集（synsets）

3.2.4 知网（How-Net）

知网是董振东和董强（1997）设计的一个汉语语义知识网（http:

//www.keenage. com）。

·自下而上地依据概念对汉语实词进行了穷尽的分类。

·15，000个动词被划分成810类。

·定义了300个名词类，100个形容词类。

·全部概念用400个语义元语来定义。

知网的特点是既有WordNet 所描写的同一类词之间的语义关系（如

：同义、反义、上下义、部分－整体等），又描写了不同类词之间的论

旨关系和语义角色。

3.2.5 MindNet

MindNet是微软研究院NLP组设计的（http://research. microsoft.

com/nlp/）。其设计思想是试图用三元组（triple ）作为全部知识的

表示基元。一个三元组由两个节点和一条连接边组成。每个节点代表一

个概念，连接这两个概念节点的边表示概念之间的语义依存关系。全部

三元组通过句法分析器自动获取。具体来说，就是通过对两部英语词典

（Longman Dictionary of Contemporary English和American Heritage

Dictionary）及一部百科全书（Encarta）中的全部句子进行分析， 获

得每个句子的逻辑语义表示（logical form，简称LF）。而LF本来就是

由三元组构成的，如（W1，V-Obj，W2）表示：W1是一个动词， W2是其

宾语中的中心词，因此W2从属于W1，它们之间的关系是V-Obj。 比如（

play，V-Obj，basketball）便是一个具体的三元组。又如（W1，H-Mod

，W2），W1代表一个偏正短语中的中心词（head word），W2 是其修饰

语（modifier），因此W2从属于W1，它们之间的关系是H-Mod。

这种资源完全是自动做出来的，所得的三元组不可能没有错误。但

是那些出现频度很高的三元组一般来说是正确的。MindNet 已经应用到

语法检查、句法结构排歧、词义排歧、机器翻译等许多场合。

3.3 里程碑之三：统计语言模型

第三个贡献就是语料库方法，或者叫做统计语言模型。如果用变量

W 代表一个文本中顺序排列的n个词，即W＝w[,1]w[,2]…w[,n]， 则统

计语言模型的任务是给出任意一个词序列W在文本中出现的概率P（W ）

。利用概率的乘积公式，P（W）可展开为：

P（W）＝P（w[,1]）P（w[,2]│w[,1]）P（w[,3]│w[,1]w[,2]）.

..P（w[,n]│w[,1]w[,2]…w[,n-1]）（1）

式中P（w[,1]）表示第一个词w[,1]的出现概率，P（w[,2]│w[,1]）表

示在w[,1]出现的情况下第二个词w[,2]出现的条件概率，依此类推。不

难看出，为了预测词w[,n]的出现概率， 必须已知它前面所有词的出现

概率。从计算上来看，这太复杂了。如果近似认为任意一个词w[,i] 的

出现概率只同它紧邻的前一个词有关，那么计算就得以大大简化。这就

是所谓的二元模型（bigram），由（1）式得：

P（W）≈P（w[,1]）Ⅱ[,i=2，…，n]P（w[,i]│w[,i-1]） （2）

式中Ⅱ[,i=2，…，n]P（w[,i]│w[,i-1]）表示多个概率的连乘。

需要着重指出的是：这些概率参数都可以通过大规模语料库来估值

。比如二元概率

P（w[,i]│w[,i-1]）≈count（w[,i-1]w[,i]）／count（w[,i- 1

]） （3）

式中count（…）表示一个特定词序列在整个语料库中出现的累计次数。

若语料库的总词次数为N， 则任意词w[,i]在该语料库中的出现概率可估

计如下：

P（w[,1]）≈count（w[,i]）／N

同理，如果近似认为任意词w[,i]的出现只同它紧邻的前两个词有关，

就得到一个三元模型（trigram）：

P（W）≈P（w[,1]）P（w[,2]│w[,1]）Ⅱ[,i=3，…，n]P（w[,i]

│w[,i-2]w[,-1]）（5）

统计语言模型的方法有点像天气预报。用来估计概率参数的大规模

语料库好比是一个地区历年积累起来的气象记录，而用三元模型来做天

气预报，就像是根据前两天的天气情况来预测当天的天气。天气预报当

然不可能百分之百正确。这也算是概率统计方法的一个特点。

3.3.1 语音识别

语音识别作为计算机汉字键盘输入的一种替代方式，越来越受到信

息界人士的青睐。所谓听写机就是这样的商品。据报道，中国的移动电

话用户已超过一亿，随着移动电话和个人数字助理（PDA）的普及， 尤

其是当这些随身携带的器件都可以无线上网的时候，广大用户更迫切期

望通过语音识别或手写板而不是小键盘来输入简短的文字信息。

其实，语音识别任务可视为计算以下条件概率的极大值问题：

W[*]＝argmax[,W]P（W│speech signal）

＝argmax[,W]P（speech signal│W）P（W）／

P（speech signal）

＝argmax[,W]P（speech signal│W）P（W）（6）

式中数学符号argmax[,w]表示对不同的候选词序列W计算条件概率P （W

│speech signal）的值，从而使W[*] 成为其中条件概率值最大的那个

词序列，这也就是计算机选定的识别结果。换句话讲，通过式（6 ）的

计算，计算机找到了最适合当前输入语音信号speech signal的词串W[

*]。

式（6）第二行是利用贝叶斯定律转写的结果，因为条件概率P （

speech signal│W）比较容易估值。公式的分母P（speech signal）对

给定的语音信号是一个常数，不影响极大值的计算，故可以从公式中删

除。在第三行所示的结果中，P（W）就是前面所讲的统计语言模型，一

般采用式（5）所示的三元模型；P（speech signal│W）叫做声学模型

。

到此，读者可能已经明白，汉语拼音输入法中的拼音—汉字转换任

务其实也是用同样方法实现的，而且两者所用的汉语语言模型（即二元

或三元模型）是同一个模型。

目前市场上的听写机产品和微软拼音输入法（3.0 版）都是用词的

三元模型实现的，几乎完全不用句法—语义分析手段。因为据可比的评

测结果，用三元模型实现的拼音－汉字转换系统，其出错率比其它产品

减少约50％。

3.3.2 词性标注

一个词库中大约14％的词型具有不止一个词性。而在一个语料库中

，占总词次数约30％的词具有不止一个词性。所以对一个文本中的每一

个词进行词性标注，就是通过上下文的约束，实现词性歧义的消解。历

史上曾经先后出现过两个自动词性标注系统。一个采用上下文相关的规

则，叫做TAGGIT（1971），另一个应用词类的二元模型，叫做CLAWS （

1987）（见Garside et al.1989）。两个系统都分别对100 万词次的英

语非受限文本实施了词性标注。结果显示， 采用统计语言模型的CLAWS

系统的标注正确率大大高于基于规则方法的TAGGIT系统。请看下表的对

比：

系统名 TAGGIT(1971)CLAWS(1987)标记数 86 133方法 3000条CSG规则 隐马尔科夫模型标注精度 77% 96%测试语料 布朗LOB

令C和W分别代表词类标记序列和词序列，则词性标注问题可视为计

算以下条件概率的极大值：

C[*]＝argmax[,C]P（C│W）

＝argmax[,C]P（W│C）P（C）／P（W）

≈argmax[,C]Ⅱ[,i=1，…，n]P（w[,i]│c[,i]）P（c[,i]│c[,i

-1]）（7）

式中P（C│W）是已知输入词序列W的情况下，出现词类标记序列C 的条

件概率。数学符号argmax[,C] 表示通过考察不同的候选词类标记序列C

，来寻找使条件概率取最大值的那个词类标记序列C[*]。后者应当就是

对W的词性标注结果。

公式第二行是利用贝叶斯定律转写的结果，由于分母P（W）对给定

的W是一个常数，不影响极大值的计算，可以从公式中删除。 接着对公

式进行近似分析。首先，引入独立性假设，认为任意一个词w[,i] 的出

现概率近似只同当前词的词类标记c[,i]有关， 而与周围（上下文）的

词类标记无关。于是词汇概率可计算如下：

P（W│C）≈Ⅱ[,i=1，…，n]P（w[,i]│c[,i]）（8）

其次，采用二元假设，即近似认为任意一个词类标记c[,i] 的出现概率

只同它紧邻的前一个词类标记c[,i-1]有关。则

P（C）≈P（c[,1]）Ⅱ[,i=2，…，n]P（c[,i]│c[,i-1]） （9）

P（c[,i]│c[,i-1]）是词类标记的转移概率， 也叫做基于词类的二元

模型。

上述这两个概率参数都可以通过带词性标记的语料库来分别估计：

P（w[,i]│c[,i]）≈count（w[,i]，c[,i]）／count（c[,i]） （

10）

P（c[,i]│c[,i-1]）≈count（c[,i-1]c[,i]）／count（c[,i-1]

） （11）

据文献报道，采用统计语言模型方法，汉语和英语的词性标注正确

率都可以达到96％左右（白拴虎1992）。

3.3.3 介词短语PP的依附歧义

在英语中，介词短语究竟依附于前面的名词还是前面的动词，是句

法分析中一种常见的结构歧义问题。下例表明怎样用语料库方法解决这

个问题，以及这种方法究竟能达到多高的正确率。

例句：Pierre Vinken, 61 years old, joined the board as a

nonexecutive director.

令A＝1表示名词依附，A＝0为动词依附，则上述例句的PP依附问题可表

为：

（A＝0，V＝joined，N1＝board，P＝as，N2＝director）

令V，N1，N2分别代表句中动词短语、宾语短语、介宾短语的中心词，

并在一个带有句法标注的语料库（又称树库）中统计如下四元组的概率

P[,r]：

P[,r]＝（A＝1│V＝v，N1＝n1，P＝p，N2＝n2）（10）

对输入句子进行PP依附判断的算法如下：

若P[,r]＝（1│v，n1，p，n2）≥0.5，

则判定PP依附于n1，

否则判定PP依附于v。

Collins &Brooks（1995）实验使用的语料库是宾夕法尼亚大学标注的

《华尔街日报》（WSJ）树库，其中包括：训练集20，801个四元组，测

试集3，097个四元组。他们对PP依附自动判定精度的上下限作了如下分

析：

一律视为名词依附（即A≡1） 59.0％

只考虑介词p的最常见依附 72.2％

三位专家只根据四个中心词判断88.2％

三位专家根据全句判断93.2％

很明显，自动判断精确率的下限是72.2％，因为机器不会比只考虑句中

介词p的最常见依附做得更差；上限是88.2％， 因为机器不可能比三位

专家根据四个中心词作出的判断更高明。

论文报告，在被测试的3，097个四元组中，系统正确判断的四元组

为2，606个，因此平均精确率为84.1％。这与上面提到的上限值88.2％

相比，应该说是相当不错的结果。

4. 结论

语言学家的努力，不论是用复杂特征集和合一语法，还是词汇主义

方法，都是在原先所谓的理性主义框架下作出的重大贡献。词汇主义方

法特别值得推崇，因为它不仅提出了一种颗粒度更细的语言知识表示形

式，而且体现了一种语言知识递增式开发和积累的新思路。尤其值得重

视的是在众多词汇资源的开发过程中，语料库和统计学方法发挥了很大

的作用。这也是经验主义方法和理性主义方法相互融合的可喜开端。笔

者相信，语料库方法和统计语言模型是当前自然语言处理技术的主流，

它们的实用价值已在很多应用系统中得到证实。统计语言模型的研究，

尤其在结构化对象的统计建模方面，仍有广阔的发展空间。

【参考文献】:

Aarts, Jan &Willen Meijs (eds.). 1990. Corpus Linguistics:

Theory and Practice〔C〕. Amsterdam: Rodopi.

Collins, M. and J. Brooks. 1995. Preposition phrase

attachment through a backed-off model〔P〕. In Proceedings of the

3rd Workshop of Very Large Corpora. Cambridge, Mass.

Garside, R., G. Leech and G. Sampson, (eds.). 1989. The

Computational Analysis of English: A Corpus-Based Approach〔C〕.

London: Longman.

Hudson, R. A. 1991. English Word Grammar〔M〕. Cambridge,

Mass.: Basil Blackwell.

白拴虎，1992，汉语词性自动标注系统研究〔MA〕。清华大学计算

机科学与技术系硕士学位论文。

董振东、董强，1997，知网〔J〕。《语言文字应用》第3期。

俞士汶等，1998，《现代汉语语法信息词典详解》〔M〕。 北京：

清华大学出版社。

csny=alltrim(thisform.text10.value) && CSNY是出生年月？是日期型的？

如果是那么改成：

csny=ctod(alltrim(thisform.text10.value))

有此类推：数值型用val转换......用对应的转换函数，全部换成对应的数据类型。

您可以按住COMMMAND+r进入选择语言，实用工具界面，在磁盘工具里面抹掉第一个主磁盘(选择抹掉,右下角抹掉),之后选择屏幕左上角小苹果旁边的”磁盘工具”,点击"退出磁盘工具”,然后选择“重装OSX系统”，即可重装。如果不行，就需要互联网恢复

osx关于恢复功能

1. 关闭电脑，同时按住 command+option+R，然后开机，直到看到屏幕上出现一个地球才松开键盘上的键；

2. 如果尚未联网， 地球下面会出现下拉菜单让您选择网络 ， 联网之后开始读取进度条；

3. 进度条走完后电脑会重启，进入 “OS X 实用工具”界面；

4. 选择“磁盘工具”，然后点按“继续”；

选择左边第一块总磁盘， 选择右边的 “分区”—当前选择“一个分区”下面有个选项

1. 并确保已选择“GUID 分区表”。

2. 确保分区的格式为“Mac OS 扩展（日志式）”。

3. 点按“应用”

8. 退出后请点击第二行的重新安装；

9. 然后根据提示步步进行下去，系统将会开始安装。

装WIN8（win几都一样）

有光驱：安装win7系统的步骤是：

1.您需要准备纯净版安装盘和空白的U盘

2.准备好后，安装光盘放入电脑中，U盘插入电脑，使用电脑右上角的放大镜图标搜索BootCamp助理

2.点击进入，点击继续，选择对话框中的两项选择继续，会让您分区，您就进行分区，点击安装

4.win7系统会重启，重启后您选择相关语言，点击现在安装，选择同意点击下一步，选择升级

5.之后是比较重要的一步：会提示您想要把系统安装在哪，选择BootCamp，点击右下角高级，格式化，点击下一步即可在安装win7系统

6.安装好后，您到win7系统中，找到U盘，点击进入，点击BootCamp文件夹，里面有setup.exe文件双击即可安装驱动

无光驱：安装win7系统的步骤是：

1.在开始安装之前，先下载好iso镜像，您准备8GB的空白的U盘，准备好后，U盘插入电脑。

2.使用电脑右上角的放大镜图标搜索BootCamp助理，点击进入，点击继续，选择对话框中的三项项选择继续

3.现在电脑上应该是显示正在拷贝，之后是正在下载apple最新支持软件，之后会提示您输入管理员账号的密码。4.之后会提示您分区，您自己选择分区，选择好之后点击安装

5.win7系统会重启，重启后您选择相关语言，点击现在安装，选择同意点击下一步，选择升级.

6.之后是比较重要的一步：会提示您想要把系统安装在哪。选择BootCamp，点击右下角高级--格式化，之后点击下一步即可在安装win7系统

7.安装好后，您到win7系统中，找到U盘，点击进入，点击BootCamp文件夹，里面有setup.exe文件双击即可安装驱动

8.如果是使用笔记本电脑，在安装好驱动之后，点击右下角的向上的小箭头，选择boot camp.点击控制面板，之后在触控板中设置您设备的触控板