名句取名十篇

名句取名篇1

来自王维的《山中送别》“春草明年绿，王孙归不归”，有山的静雅舒适，让人觉得男孩性格十分清冷。年本来是表时间，用在男孩的名字中体现了时间的沉淀为男孩营造的美丽氛围。归表示归来，寄予了父母对于孩子的挂念，希望男孩走到哪里都不要忘了家乡。

2、独江

取自于柳宗元的名诗名句“孤舟蓑笠翁，独钓寒江雪。 ”一个独字体现了男孩的清高，不与世俗同流合污的高尚品质。江一般被用作大江大河，表现为男孩有着豁达的胸襟。从诗人的诗句中可以联想到岸边矗立着的高挺身姿，让人感受到男孩的仙气和清冷。

3、无隐

出自唐朝大诗人王维《送綦毋潜落第还乡》：“圣代无隐者，英灵尽来归。”无隐给人一种无踪无影的感觉，让人感受到男孩的神秘色彩。隐本就是隐匿的意思，而仙人一般都是隐者，用隐字突出了男孩身上的绝代仙人气息。搭配无字增添了古风元素，更显清冷意

4、梧寒

名句取名篇2

—陶渊明《饮酒》“山气日夕佳，飞鸟相与还。”

这两句是景物描写，隐隐可知诗人不光在勉励自己“还”含蓄寄托了与山林为伍的情意，也在规劝其他人，因此起名“佳夕”给人一种美好的意境，就像鸟儿相伴回家，令人向往，也是一种鼓励自己的方式，从字义来说“佳”体现了女孩出众、优秀的特点，是父母对孩子的祝福。

2、无忧

—王奕《陈月观二首》“袅娜少女羞，岁月无忧愁。”

此诗句表达的是美丽的少女，阿娜多姿，无忧无虑，也是在告诉大家时光不会因为你年少而放慢，希望你们能够珍惜现在的时光，起名“无忧”寓意着女孩快乐、无忧无虑的成长，做一名单纯的小女孩，有突出了她们的美丽大方的气质。

3、芳兮

—刘彻《秋风辞》“兰有秀兮菊有芳，怀佳人兮不能忘。”

名句取名篇3

名言名句蕴含着深邃的哲理，闪耀着理性的光辉，在议论文中既可作为论点，又可作为论据，其作用之大，不可低估。

名言名句作为中心论点具有一矢中的的作用。在作文时经常遇到这样的问题：一个论点若用自己的语言来表达，往往拖沓冗赘，词不达意，但若能找到一句恰当的名言来替代，那就会进入柳暗花明、豁然开朗的境界，给人一种“千军易得，一将难求”的感受。 若把名言名句作为文章的题目，往往能够开宗明义，统摄全篇。 例如：章炳元的《畏惧错误就是毁灭进步》一文，题目就是怀特黑德的名言，它蕴含着丰富的哲理，使文章显得观点鲜明，针对性强。好的题目能为写好下文打下良好的基础，是作文的重要一环。

名言名句还可以作为分论点使用 。如去年的高考作文，有位考生拟定的题目是《移植记忆≠获取能力》，在论述了“即使记忆真可移植，也只能是移植知识”之后，作者又灵活化用名句提出了“纸上得来终觉浅，绝知此事要躬行”这一分论点，论述移植记忆无法提高自己的能力，即便靠移植记忆得到了某些知识，也不可能提高素质。 能力只能在实践中培养，不要妄想凭空“嫁接”！全文论述呈递进关系，结构严谨，论点明确，说服力强，真正让人领略到了名言名句的巨大作用。

在论述中引用名言名句作论据，效果显著 。因为名言名句生动形象，言简意赅，本身就具有很强的说服力和感染力。如“与善人居，如入兰芷之室，久而不闻其香；与恶人居，如入鲍鱼之肆，久而不闻其臭”。这一名句既可作为论点“近墨者黑”的有力论据，又能作为引子引出自己的议论、评价和感受，开拓思路，达到进一步论述的目的。如在论述“磨难，生活的馈赠”这一论点时，引用巴尔扎克的名言“不幸，是天才的进身之阶，信徒的洗礼之水，强者的无价之宝，弱者的无底之渊”。这时，我们自然会从名言中汲取力量，悟出道理，自己对这一问题的见解便接踵而至了。 此外，名言名句还是行文中的点缀，能使文章平添几分亮丽的色彩 。如吴晗的《谈骨气》一文在引用文天祥的英雄事迹论述我们中国人自古以来就有骨气的时候，引用了他的两句诗：“人生自古谁无死，留取丹心照汗青。”诗句有力表现了文天祥大义凛然，视死如归，要把碧血丹心奉献给抗元复国事业的英雄气概。因诗句极富感染力，而增强了文章的感彩。

对于名言名句，我们要注意积累和运用 。关键是要理解，只有理解了它才能随手拈来，为我所用。 把名言名句作为论点使用时，一定要以准确为前提，不可勉强为之，以免立意失误。 把名言名句当做论据使用时，则要求我们平时在这方面的储备非常丰富，并且对其内涵把握得十分准确。这样才有可能运用得当，妙笔生花。

名句取名篇4

一、讲故事，引人入胜

一则小故事蕴含着深刻的道理，一段小经历浓缩生命的真谛。因此，在话题作文中，根据要求恰当讲述一些名人故事、成语故事、寓言故事、哲理故事等，会使文章引人入胜。例如在写以“勤奋”为话题的作文时，可以讲述古人勤奋读书的故事；韩愈“口不绝吟于六艺之文，手不停披于百家之编”；匡衡“凿壁偷光”；苏秦“引锥刺股”；古希腊演说家德摩斯梯口含石子五十年如一日苦练演讲口才的故事等等。在写以“好奇心”为话题的作文时，可以讲述牛顿在果园里看到苹果落地而产生疑问：它为什么落到地上而不飞向天空落到月亮上呢?也可以讲爱迪生看到母鸡孵蛋自己也去尝试的故事。

又如以“追求”为话题作文，可以引用这样一则寓言故事：有只鹤在河边觅食蜗牛，忽然有只美丽的天鹅来到它的身边。鹤从来没有见过天鹅，就问：“你从哪里来的?”天鹅说：“我是天鹅，从天堂来的。我住的地方美丽无比，金碧辉煌……”鹤听得不耐烦了：“你只要告诉我，天堂里有蜗牛吗?”“恐怕没有。”天鹅耸了耸脖子说。“那我就不想去了，我只在乎有没有蜗牛可吃。”鹤果断地声明。这个故事的主题是“追求”，可用来阐述追求成为一个什么样的人，比追求某种需要重要得多的观点。

中学生在平时阅读中，如果能有意识地积累一些各种类型的故事，在写话题作文时恰当引用，慢慢地就能感受到“写作文是一种享受，不是一种负担”。如果话题是“立志”，可以讲这样一个小故事：在非洲有一个卖气球的老人，他卖的气球五颜六色，非常漂亮。一天他在街头叫卖，旁边坐着一个非洲小男孩，他托着双腮，聚精会神地欣赏着老人的气球，突然小男孩问了老人这样一句话：“你说黑色的气球能不能飞?”老人沉思片刻回答说：“黑色的气球也能飞，气球能不能飞不在于它外表的颜色，而在于它肚子里是不是有一股气。”由此，可以联想到，一个人能否对社会有责任有贡献，也不在于他的肤色、高矮与家境，而在于他肚子里是否有一股气。如果同学们从小就有胸怀远大理想的志气，克服苦难的勇气，蓬勃向上、奋发进取的朝气，你也就能“飞”。

二、引名言，别开生面

名人名言往往能体现出名人的思维水平和思想深度，能够引起读者的注意，耐人回味，引人共鸣。如能置名言于篇首，或置名言于文中关键处，就能起到画龙点睛、辉映全篇的作用。如谈“爱”的话题时，可引用意大利诗人但丁的“爱是美德的种子”；法国雨果的“人生是花，而爱是花的蜜”；印度泰戈尔的“爱是理解的别名”。谈“理想”，可引用的“理想，就是为了生活的理想”；法国蒙田的“一个人若是没有确定航向的目标，任何风向对他都不是顺风”。谈“自信”，可引用马克思的“伟人之所以看起来伟大，只是因为我们在跪着，站起来吧!”法国大仲马的“自信和希望是青年的特权”。谈“立志”可引用徐悲鸿的“人不可有傲气，但不可无傲骨”；法国福楼拜的“最贫的是天才，最贱的是无志”等名人名言。

在引用名人经典名言的同时，对一些凝聚集体智慧的谚语、成语、格言、俗语、座右铭等，也可以恰当引用。因为这些名句是思想和智慧的结晶，闪烁着灵感和诗意的光芒，散发着超越时空的魅力。高尔基说：“我在警句的思维中，学到了很多东西。”马尔顿以为：“许多人的成功，都是得力于一句格言的鼓励。”他们的话，指出了名句在人成长过程中所发挥的激励和促进作用。

在话题作文中善于引用名人名言、成语、格言、谚语等，常能点石成金，化腐朽为神奇，使文章别开生面。但是，引用名言也要注意以下几点：首先，引名言要忠实于原文，不可随意改动，特别是对一些经典著作中的语句的援引，更应准确无误。另外，对于一些名句，也不必过于尊崇，名句说一，我们就不能说二，这也不是对待名言的正确态度。有些名句中包含的哲理就是有局限性的。拿“近朱者赤，近墨者黑”来说，它强调了环境对人的影响力，却忽视了人的主观能动性。如果从反面来说“近朱者未必赤，近墨者未必黑”也并非站不住脚。所以，对于一些名句完全可以重新解读，赋予它们以新的含义，推陈出新。

三、写诗句，文采斐然

著名华人物理学家李政道在北京作学术报告时，引用了杜甫的名句“细推物理须行车，何用浮名伴此身”，表达了他忠于科学探索，不为浮名所累的科学精神。在话题作文中引用诗句，更能增强表情达意的功效，使文章文采斐然。例如一考生在话题作文《欲望》一文的结尾写道：“‘尔曹身与名俱裂，不废江河万古流’，大自然生生相息，而多少人却由于物欲膨胀而落下千古骂名。追求物欲的人啊，请卸下你沉重的背囊，去感受亲情、友情、爱情，去‘领取而今现在’。要知道，‘富贵贫贱，总难称意，知是即为称意；山水花竹，无恒主人，得闲便是主人’。”短短一句话，先后引用了杜甫的诗、朱敦颐的词，以及古楹联。又如为了表达对祖国大好河山的热爱，有的学生用了这样一组句子“我爱那‘飞流直下三千尺，疑是银河落九天’的庐山瀑布；我爱那‘荡胸生层云，决眦入归鸟’的泰山极顶；我爱那‘奔流到海不复回’的黄河九曲；我爱那‘两岸猿声啼不住’的长江三峡；我爱那‘秦时明月汉时关’的古朴塞北；我爱那‘日出江花红胜火’的秀丽江南。”这些句子除了排比之外，还使用了引用、对偶等修辞方法，列举祖国的名山河川，写得具体形象，气势磅礴。

在话题作文中，为印证、补充、对照自己的本意，援引诗文名句，可分为明引和暗引。引用时明白指出所引文字的出处和来源，是“明引”；不明白指出的是“暗引”。引用诗句，必须准确理解诗句含义，不能牵强附会，断章取义，要使之与自己文章的语境、风格相协调，才能收到以一当十之效。例如在以“关注”为话题的作文中，一学生把视点聚集在“美中撞机事件”上，在文中引用了李清照《一剪梅》中的诗句，“才下眉头，却上心头”。诗句巧妙地写出了我“驻南使馆被炸”事件的沉重阴影刚从中国人眉宇间散去，“美中撞机事件”的悲痛之情又涌上中国人民心头。这一引用紧扣题旨，情真意切，富含文化底蕴，令人击节赞叹。另外，也可以化用诗文名句的形式来抒发感情，属于“旧瓶装新酒”。如在写“环保”话题作文中，出现了这样的诗句“前不见青山，后不见绿水。念天地之污染，独怆然而涕下”(仿《登幽州台歌》)；“清明时节沙纷纷，路上行人满面尘。借问青山何处有，学童遥指盆景中”(仿《清明》)。作者仿陈子昂和杜牧的诗句，对环境污染进行辛辣的讽刺，机智幽默，发人深省。这是在仿名句的基础上，更进一步到对“名篇”的仿作。化用诗句(篇)，应注意选取最佳诗句(篇)。取法于上，保持高起点。同时，由于原作为读者所熟知，读来如故友重逢，分外亲切，易唤起好感。“机遇总是垂青有准备的人”，要想在话题作文中熟练恰当地引用、化用诗句，平时就要注意熟背大量诗词。例如作家梁衡写《跨越百年的美丽》时，写到居里夫人淡漠名誉，说“她漫把浮名换了精修细研”，写完了才悟出是从柳永“忍把浮名换了浅斟低唱”的词句中化出。如果没有多年背诵柳词的积累，是很难产生出这样的灵感的。

名句取名篇5

关键词：观点句识别；机器学习；话题；规则

中图分类号：TP18 文献标识码：A 文章编号：1009-3044（2014）01-0123-05

1 概述

随着网络信息量的日益增长，人们想要从巨大的冗余信息中准确、迅速地获取对一个事物或对象的评价，这就需要快速的识别出语段中的观点句。目前，观点句识别已经成为自然语言处理领域中的一个研究热点，对于观点句这种不受语言表达约束的非规范文本，很难使用规则方法将观点句全面地识别出来，机器学习的方法在这方面体现出了一定优势，所以现今的观点句识别系统大多是基于机器学习的方法来进行二元分类[1]。但是，缺乏标注训练数据和话题间差异性一直都是机器学习分类的研究难点。基于机器学习的观点句识别系统也同样存在着这样的问题，网络上并没有这种大量用于观点句识别的标注数据集，若要进行人工标注，这需要花费大量的人力和物力。而且由于不同话题间的差异性，使用同一个分类器对不同话题去进行观点句识别，识别效果会有所影响。针对这些问题，我们首先通过一些人工规则对网络上获取的资源进行自动标注，然后将这部分自动标注的语料加入到原有的少量训练语料中，以扩充训练语料，再进行分类器分类，并做了一些常用分类器的性能比较。同时为了验证话题会影响观点句的识别，我们针对话题做了经验研究，对比了通用分类模型和分话题分类模型的性能。该文中的实验使用NLP&CC 2012中文微博情感分析评测中的数据集， 该数据集来自于20个微博话题，实验中定义的观点句只限定于对特定事物或对象的评价，不包括内心自我情感、意愿或心情。实验结果表明，加入基于规则的自动标注数据，对机器学习分类模型的训练是有帮助的，微博话题间也存在着差异性，分话题模型比通用模型有更好的效果。

文章其他部分安排如下：第二节将进行相关工作的介绍，对观点句识别进行概述，介绍观点句的概念和观点句识别的研究现状；第三节将介绍规则与机器学习相结合的观点句识别方法；第四节，针对微博话题差异性做了经验研究，话题会影响观点句的识别；第五节给出在NLP&CC 2012中文微博情感分析评测数据集上的实验数据，并进行分析讨论；第六节是进行总结和展望。

2 相关工作

观点句，即在表达的过程中带有某种情感和观点的句子，它是对特定事物或对象的评价，这种观点可以是作者本人的、引用于他人的、或是某群体、组织发表的[1]。国外对观点句的研究起步较早，较有代表性的工作有：Wiebe [2]选择某些词类（代词、形容词、序数词、情态动词和副词）、标点和句子位置作为特征，实现对观点句识别。Riloff [3]等人利用boot-strapping算法学习得到主观性名词，单独使用主观性名词为特征，采用朴素贝叶斯分类器对观点句识别。Wiebe和Riloff [4]他们依靠先前研究中确定的主观特征，分别建立了主观分类器和客观分类器，自动从未标注的文本中获得大量主观句和客观句，再从这些句子中得到更多主观性词语搭配，再用准确性很高的词语搭配更新原始的主观特征。Yu和Hatzivassiloglou[5]利用相似性方法、朴素贝叶斯分类和多重朴素贝叶斯分类等三种统计方法进行观点句识别研究。近几年，由于微博的兴起，针对微博数据，Alexander Pak等人[6]选取n-gram和微博中的词性标注作为特征，利用朴素贝叶斯分类器对微博中的观点句进行识别研究，Luciano Barbosa等人[7]采用微博中的词性信息、词本身的主观性、词的情感极性以及否定词作为特征，训练分类器，对微博主客观性进行分类。D. Davidiv等人[8]提取Twitter 中的标签和表情符号作为训练集，训练了一个类似KNN的分类器，对微博情感极性进行分类。

国内较早开始该工作的是姚天和彭思威 [9]使用了机器学习的方法进行分类识别。叶强等 [10]提出了一种根据连续双词词类组合模式（2-POS）自动判断句子主观性程度的方法。王根和赵军 [11]提出了一种基于多重冗余标记的CRFs进行观点句识别。蒙新泛和王厚峰 [12]通过对比试验，分析了上下文信息对于主客观分类的影响。张博[9]使用模块串行的方法进行观点句识别。宋乐等人[13]在2009年的第二届COAE评测中文观点句抽取的任务中使用了一种类似最小图个的方法。在2011年第三届COAE评测中，徐瑞峰等人[14]提出一种基于图的句子排序算法SentenceRank。

3 观点句识别系统框架

3.1 方法概述

对于基于机器学习的观点句识别系统，需要一定量的标注数据进行训练，如果标注数据很少，这将会大大降低分类器的性能。针对没有标注训练数据这个问题，张文文和王挺[15]通过基于词典和基于规则的方法自动构造训练样例，再使用SVM分类器进行观点句识别。我们借鉴了这篇文章的工作，通过一些人工规则，先对未标注的网络数据进行自动标注，加入到原始的训练集中以扩充训练集，提高分类器的效果。此外，考虑到不同话题的数据在分类特征方面可能存在差异，除了通用的分类模型外，该文引入了分话题模型进行对比，我们对分类器是否受话题差异性影响做了经验研究，实验结果表明话题会影响观点句识别，分话题模型比通用模型有更好的效果。该文实验训练和分类流程如图1所示：

图 1 规则与机器学习相结合的观点句识别方法流程图

可以看到，系统的主体采用了机器学习的方法，但为了弥补分类器训练集大小的不足，在训练前，我们利用规则模块对从网络中自动挖掘的微博数据进行标注以扩充训练集。在通用分类模型中，我们将规则自动标注的补充数据和原来的标注数据融合在一起作为通用分类模型的训练数据，再由分类训练模块训练分类模型，再对评测数据进行分类；在分话题模型中，我们将规则自动标注的补充数据按话题分类，在各自加上原始的标注集去分别作为相应分类子模型的训练数据，由分类训练模块训练出分类子模型，然后把测试集也按话题分类，再使用相应的分类子模型进行分类，得出分类结果。

3.2基于规则的自动训练集标注

如前所述，在本系统中，使用了规则方法对从网络中挖掘的微博数据进行自动观点句识别。通过对标注数据的分析，我们制定了如下的规则来进行观点句识别。在规则中需要用到情感词典，该词典来源于HowNet情感词典和清华褒贬义词典去重合并而得，共16007个词。

观点句规则：

l…+（代词|人名|地名|专有名词）+….+是+名词+….

l…+（代词|人名|地名|专有名词）+….+副词+形容词+….

l...+副词+情感词+（代词|人名|地名|专有名词）

l...+比较词+（代词|人名|地名|专有名词）+情感词

l（代词|人名|地名|专有名词）+比较动词+（代词|人名|地名|专有名词）

l（代词|人名|地名|专有名词）+指示性动词+（代词|人名|地名|专有名词）+...+情感词

非观点句规则：

l仅包含hashtag，表情符合，标点符号的句子判定为非观点句。

l仅包含网址，无实际信息。

l不满足观点句规则且以动词开头的短句。

l只包含愿望词。

l在单句中不含网络新闻，且不是反问句式判定为非观点句。

我们对从网络上挖掘的微博数据进行规则匹配，凡是满足上面规则的句子我们将其抽取出来进行标注，作为训练语料的补充。

3.3基于机器学习方法的观点句识别

观点句识别可以看成一个二元分类问题，我们使用成熟的机器学习分类算法进行分类。我们在进行分类训练时采用了通用和分话题两种训练方法。通用模型是通过将所有话题的训练数据全部拿给分类器训练出一个通用模型；话题模型是通过该话题相关的训练数据给分类器分别训练出20个话题模型。这两种方法我们采用的特征都是在姚天防[5]，张博[9]使用的特征基础上，加入了主题相关的人名特征，并进行了特征组合实验，最终选取了如下的特征：

1.情感词，我们整合了知网和清华的情感词典，总共约16000个词。

2.指示性动词，我们使用了张博论文[9]中的指示性动词表和根据数据集自己添加的一些动词，总共约100个词。

3.人称代词、专有名词、人名、地名。

4.叹词和语气词。

5.副词。

6.主题中的对象名。

7.标点符号。

8.N-POS，N-POS是指语句中N个连续词性的顺序组合，系统中我们采用了1-pos和2-pos。

我们进行了不同分类器的效果对比实验，实验中使用了以下5种分类器进行了结果分类：（1）朴素贝叶斯分类算法（Na?ve Bayes）（2）支持向量机分类算法（SVM）（3）用于支持向量分类的连续最小优化算法（SMO）（4）随机森林算法（Random Forest）（5）分类与回归树算法（Classification Via Regression）。

4 话题差异性

领域适应性问题一直是自然语言处理领域的一个研究重点，在文本分类，问答系统，自动文摘，机器翻译，文本情感分析等都存在领域适应问题。因为不同的领域数据会有不同的特点，使用同一个模型去处理不同领域的同一个问题，效果也并不理想。对于领域适应性问题，在不同的方向已经有了很多相关研究。在文本情感分类研究中，相同的词语在不同的领域中可能指示着不同的情感倾向，已经有许多研究证明了情感文本分类在分类的精确率上是会受到领域的影响，研究者们也提出了一些方法来解决此类问题[16]。观点句识别作为文本情感分类的基础工作，我们认为也是存在领域差异性的。

本次实验使用的测试数据来自于20个微博话题，我们根据分类器提取的特征对数据进行观察和对比，发现不同话题间的数据是存在着差异性的，下面我们通过对微博话题数据的举例分析来说明这个问题。

1）在不同的话题中，情感倾向偏向不同，导致情感词在不同的话题中分布是不一致的。比如，在话题“90后当教授”里面，总共有观点句123句，其中110句是正面的情感，13句是负面的情感，里面“聪明”、“佩服”、“崇拜”等正面的情感词出现的比较多。而在话题“90后暴打老人”里面，总共有观点句97句，其中3句是正面的情感，94句是负面的情感，里面“畜牲”、“失败”、“流氓”等负面的情感词出现的比较多。由于话题的情感倾向性有差异，有的话题偏向正面情感，有的话题偏向负面情感，那么对于情感词的分布就有所不同。

2）在不同的话题中，与主题相关的人名、地名、专有名词和人称代词有明显的差异。观点句是对一个对象的评价，所以与主题相关的人名、人称代词作为观点句分类系统中的特征是有比较大意义的，但是不同的话题，围绕的对象是不同的，比如在话题“疯狂的大葱”里，“大葱”，“物价局”等出现得比较频繁，而在话题“名古屋市长否认南京大屠杀”里，“名古屋市长”、“日本”等出席得比较频繁。不同的话题评价的对象是不同的。

3）在不同的话题中，使用的句式是有比较大的区别的，所以N-POS在不同话题中是存在着差异的。比如在话题“90后当教授”中，观点句的句式大多是对这个90后的赞扬，“人才！”，“像刘路学习。”，“牛人！”等多是些名词性的短句。而在“彭宇承认撞了南京老太”话题中，多是“说实话，我不太信。”，“这件事绝对不是这样，很可能就是南京市政府搞的鬼！”，“面对政治压力，我觉他是不得已才这样做。”等对这件事的一个看法和评论，基本都是多词性的复合句式。由于在不同话题中表达的句式不一样，抽取出来的N-POS也就存在着很大的差异。

根据上面对测试集数据的分析，可以看出观点句分类器要抽取的文本特征，在不同的话题中，数据分布是存在着差异的，如果我们把所有标注训练数据一起用来训练一个通用的分类器，然后对所有话题进行观点句识别，可能会由于这些数据差异，导致特征稀疏，影响分类器的精确度。针对该问题，我们根据不同的话题，使用相应的话题训练数据去训练话题子模型，对相应的测试集进行观点句识别，以解决话题间差异性的问题，后面的实验结果也表明话题间是存在差异的，我们的分话题训练也是对观点句识别有帮助的。

5 实验结果及讨论

5.1 实验设置

本文实验使用了由中国计算机学会主办的NLP&CC 2012中文微博情感分析评测中任务一的数据集，还有我们从网络上爬取的与评测数据相关主题的微博数据，并与测试集去重后作为补充数据。具体数据信息如下：

1.标注数据：NLP&CC 2012中文微博情感分析评测提供的标注数据。共包含已标注毁容案话题约240句和Ipad话题约220句。

2.测试数据：NLP&CC 2012中文微博情感分析评测提供的测试数据，共包含菲军舰恶意撞击、疯狂的大葱等20个话题，每个话题约200句。

3.补充数据：从腾讯微博上爬取的与评测数据相关主题的微博。共包含菲军舰恶意撞击、疯狂的大葱等20个话题，每个话题约2000句。接着使用基于规则的方法对其进行了自动标注，标注后每个话题约600句。

本文使用了weka平台中的机器学习分类算法来进行实验[17]。

本文的实验设置如下：

1. 规则与机器学习实验。在标注数据集中，使用毁容案话题数据集作为训练集，Ipad话题数据集作为测试集，进行只使用毁容案直接分类和加入补充数据后再进行分类的对比实验。以验证本文提出的基于规则对机器学习数据集补充的有效性。

2. 通用模型和分话题模型实验。使用标注数据和补充数据一起作为训练集，测试数据作为测试集，进行实验比较通用模型和分话题模型的性能。

3. 分类器性能实验。使用不同的分类器进行前面2个实验，对比不同分类器在该问题上的性能。

5.2 实验结果

本文进行了多个分类器比较，为了方便下面用标号来表示各个分类器：（1）标准概率朴素贝叶斯分类算法（NB）（2）支持向量机分类算法（SVM）（3）用于支持向量分类的连续最小优化算法（SMO）（4）随机森林算法（RF）（5）分类与回归树算法（CVR）

在进行分类器训练时，由于提供的标注训练语料过少，这会影响到分类结果，我们通过上面提出的规则方法自动标注了从网络中挖掘的微博数据，并将这部分数据作为扩充语料加入到原来的标注集里作为训练集进行分类器的训练。为了证明我们加入这些规则方法自动标注的语料对分类器训练是有帮助的，我们按照实验设置1做了下面的实验。我们用原来标注集中的毁容案话题数据作为训练，和加上了自动标注的扩充数据作为训练，对同样的Ipad话题测试集进行测试，得到了如下各个分类器的对比结果，见表1：

表1 加入扩充数据后对比结果

[标号＼&正确率＼&召回率＼&F值＼&+/-＼&NB＼&0.645＼&0.396＼&0.491＼&＼&NB+Extra＼&0.578＼&0.515＼&0.545＼&+0.084＼&SVM＼&0.560＼&0.782＼&0.653＼&＼&SVM+Extra＼&0.575＼&0.762＼&0.655＼&+0.002＼&SMO＼&0.578＼&0.515＼&0.545＼&＼&SMO+Extra＼&0.583＼&0.733＼&0.649＼&+0.104＼&CVR＼&0.538＼&0.624＼&0.578＼&＼&CVR+Extra＼&0.570＼&0.802＼&0.667＼&+0.089＼&RF＼&0.560＼&0.644＼&0.599＼&＼&RF+Extra＼&0.549＼&0.782＼&0.645＼&+0.046＼&]

没有“Extra”表示训练集中只包含了毁容案的标注数据，“+Extra”表示在原来毁容案的标注数据上，还加入了使用规则自动标注的Ipad话题补充数据。

从表1的结果我们可以看出加入了自动标注的扩充数据进行训练后，基本每个分类器都有或多或少的提升，其中SMO分类器提高的最多，提高了0.104，而CVR分类器在所有分类器中表现最好，F值达到0.667，这表明我们加入的这部分自动标注数据，对训练集数据缺乏的分类器训练是有很大帮助的。

为了实验话题间是否存在差异性，比较通用模型和分话题模型的性能差异。我们按照实验设置2做了下面的实验，这次实验使用标注数据和补充数据一起作为训练集，测试数据作为测试集，对于通用模型，我们直接使用训练集训练出1个通用模型，然后对所有测试集直接进行分类，得出结果；对于分话题模型，我们将补充数据按照20个话题进行分类，每个话题补充集加上原来的标注集作为改话题的训练集，分别训练20个话题子模型，然后测试集也分成同样的20个话题，分别使用相对应的子模型进行分类，得出结果在合并起来进行评测。为了以示区分，我们在分类器简写前加ALL-表示通用模型结果，加Topic-的表示分话题模型的结果，实验结果如表2：

表2 通用模型和话题模型对比结果

[标号＼&正确率＼&召回率＼&F值＼&ALL-NB＼&0.742＼&0.376＼&0.499＼&Topic-NB＼&0.744＼&0.432＼&0.547＼&ALL-SVM＼&0.735＼&0.675＼&0.704＼&Topic-SVM＼&0.735＼&0.682＼&0.708＼&ALL-SMO＼&0.737＼&0.609＼&0.667＼&Topic-SMO＼&0.747＼&0.623＼&0.679＼&ALL-RF＼&0.727＼&0.657＼&0.690＼&Topic-RF＼&0.728＼&0.684＼&0.705＼&ALL-CVR＼&0.720＼&0.657＼&0.687＼&Topic-CVR＼&0.725＼&0.720＼&0.722＼&]

从表2结果可以看出分话题进行训练得到的分类结果都比通用模型的分类结果要好，最高的是NB分类器，高出了0.048个点，但是和其他分类器相比，NB比其他分类器低了很多，可能是由于特征选择的问题，导致了NB分类器的性能比较差。所以分类器中CVR分类器性能最好，分话题模型的F值为0.722比通用的高出了0.035。这些实验数据说明领域间存在着话题差异，使用分话题的训练模型比通用模型更能体现出话题的差异，在性能上也有更好的表现。

6 总结与展望

本文针对基于机器学习的观点句识别系统存在训练语料不足的问题，引人了基于规则的方法，通过使用规则的方法对从网络上挖掘的数据进行了自动标注来扩充训练数据，经过实验证明，加入使用我们规则自动标注的数据对训练分类模型有很大帮助，这解决了在机器学习训练过程中语料不足的问题。实验中使用的数据分了20个话题，我们针对话题进行了分话题模型的训练，5种分类算法结果都表明分话题模型比通用模型分类的结果要理想，这说明了话题间的分类特征是存在差异的，使用分话题模型比通用模型效果更好。

本次实验使用的数据来自于NLP&CC 2012中文微博情感分析评测，处理的数据都是来自于微博，微博的最大特点是简短，不规范，里面不仅包含了大量的网络术语，表情，还有很多错别字，病句，这对我们进行分词，提取特征都有很大的影响。如今，由于网络的迅速发展，微博等形式的网络数据大量出现，对微博这种网络文本如何进行更有效的处理，需要我们更深入的研究。通过多个分类器的性能比较，发现各个分类器有各自的特点，如何利用他们自己的特点，进行融合以提高观点句识别的效果，也是我们未来的工作。

参考文献：

[1] 张博. 基于SVM的中文观点句抽取[D]. 北京：北京邮电大学计算机学院，2011.

[2] Wiebe J， Bruce R， Bell M， et al. A corpus study of evaluative and speculative language[C]. acm， 2001.

[3] Riloff E， Wiebe J， Wilson T. Learning Subjective Nouns using Extraction Pattern Bootstrapping[C]. CoNLL-03， 2003：25-32.

[4] Riloff E， Wiebe J. Learning Extraction Patterns for Subjective Expressions[C]. EMNLP-03， 2003：105-112.

[5] Hong Yu， Hatzivassiloglou V. Towards Answering Opinion Questions： Separating Facts from Opinions and Identifying the Polarity of Opinion Sentences[C]. EMNLP， 2003.

[6] Alexander P， Patrick P. Twitter as a Corpus for Sentiment Analysis and Opinion Mining[C]. Proceedings of International Conference on Language Resource and Evaluation. Lisbon， 2010：1320-1326.

[7] Barbosa Luciano， Feng Junlan. Robust Sentiment Detection on Twitter from Biased and Noisy Data[C]. Proceedings of the 23rd International Conference on Computational Linguistics. Beijing， 2010：36-44.

[8] Davidiv D，Tsur O，Rappoport A. Enhanced Sentiment Learning Using Twitter Hashtags and Smileys[C]. Proceedings of the 23rd International Conference on Computational Linguistics. Beijing， 2010：241-249.

[9] 姚天，彭思威. 汉语主客观文本分类方法的研究[C]. 第三届全国信息检索与内容安全学术会议论文集， 2007：117-123.

[10] 叶强，张紫琼，罗振雄. 面向互联网评沦情感分析的中文主观性自动判别方法研究[J]. 信息系统学报， 2007，1（1）：79-91.

[11] 王根，赵军. 基于多重冗余标记CRFs的句子情感分析研究[J]. 中文信息学报， 2007，21（5）：51-55

[12] 蒙新泛，王厚峰.主客观识别中的上下文因素的研究[C]. 中国计算机语言学研究前沿进展（2007-2009）， 2009：594-599

[13] 徐睿峰，王亚伟，徐军，等. 基于多知识源融合和多分类器表决的中文观点分析[C]. 第三届中文倾向性分析评测会议（COAE）， 济南， 2011：77-87.

[14] 宋乐，何婷婷，王倩，等. 中文情感词句识别及文本观点抽取研究[C]. 第二届中文倾向性分析评测会议（COAE）. 上海， 2009：30-37.

[15] 张文文，王挺. 不规范文本的无监督观点句抽取[J]. 计算机与数字工程， 2013，41（1）：64-68.

名句取名篇6

楹联,通称对联。《辞海》：楹联，也叫“楹帖”、“对联”、“对子”。悬挂或粘贴在壁间柱上的联语。楹，即房柱或门柱。过去对联常常刻写在楹柱上，楹联名称由此得来。楹联是对联的雅称，用起来有强调其文学性质的意味。对联是楹联的泛称和俗称。在一般情况下两者可以通用。此外，楹联还有许许多多五花八门的别称。具体分述于下：常用的有如下几种：

1、联语。这个词有“对联这一语言艺术”之意。如清代前期丁应鼎著《海门联语》。现在将对联称作“联语”也十分普遍。

2、联句。联句本是旧时作诗方式之一﹐由两人或多人共作一首﹐相联成篇﹐多用于上层饮宴或朋友间的酬答。后常用作对联的别称，意思是对联是由两边字数相等的句子组成的艺术。如清林纾有《春觉斋联句》，俞樾有《曲园联句》，近人萨嘉榘有《林则徐联句类集》，而明朝林兆恩、清朝杨梦鲤等人的联书都只称《联句》。

3、联对。对联的倒语。语出清梁章钜《楹联续话》：“严问樵官山左时，寅好中联对，多出其手。”如近人蔡鄇有《联对作法》、王文儒有《联对大全》，今多用于文章。4、对句。本来是指对上他人所出之句，后即作对联别称。如清梁绍王《两般秋雨庵随笔》中云：“尝见有人写对句云：‘拳石画临黄子久，瓶胆花插紫丁香。’”今多用于文章5、对语。对偶词语之意。如清陆以恬《冷庐杂识·对语敏捷》云：“对语不难，难在每捷。”6、对子。对联的通俗叫法。写对联叫做对子，对对联叫对对子。不常用的有如下多种：1、俪言、俪语。本是以对偶形式出现的方辞，后偶作对联代称。俪语，取语句成双配对之意。如清费师洪有《延旭轩俪语》，顾曾烜有《方宦俪语》等。俪言，犹俪语。如清徐世昌有《藤墅俪言》。2、骈言、骈语。义同俪言，由汉魏时的“四六体”骈文演变为对联而名。如骈句：“老当益壮，宁知白首之心；穷且益坚，不坠青云之志。”3、偶语、偶句。本指相对私语，后取偶为“相对”之义作对联别称。如近人有《偶语百联》。清梁恭辰《楹联四话》：偶句有多用虚字者，亦自生动可喜。4、楹帖、帖子。义同楹联。常用于书名和其他，如清罗昌荃《楹帖采腴》。梁章钜《楹联丛话》：楹帖始于桃符。曲滢生《宋代楹联辑要》：楹联一名帖子。5、楹句、楹语，义同楹联。如清末江峰青《里居楹语录》、清杨浚有《冠悔堂楹语》，近人徐鋆有《澹庐楹语》，郑丰稔有《楹语享帚》等。清赵藩有《介庵楹句辑抄》，近人赵式铭《睫巢楹句》、《楹句杂录》等。

6、桃符。由春联源于桃符而得名。清富察敦崇《燕京岁时记·春联》云：“春联者，桃符也。”所谓桃符，即把传说中的降鬼大神“神茶”和“郁垒”的名字，分别书写在两块桃木板上，悬挂于左右门，以驱鬼压邪。这种习俗至少从汉朝起就有，到了五代，人们才开始把联语题于桃木板上。据《宋史·蜀世家》记载，五代后蜀主孟昶“每岁除，命学士为词，题桃符，置寝门左右。末年（公元九年），学士幸寅逊撰词，昶以其非工，自命笔题云：新年纳余庆，嘉节号长春。”这是我国最早出现的一副春联。宋代以后，民间新年悬挂春联已经相当普遍，王安石诗云：“千门万户曈曈日，总把新桃换旧符”。由于对联的出现和桃符有密切的关系，所以古人又称对联为“桃符”。

7、连语。取上下联相连之意而名，今仅见章太炎取自己的对联书名为《荆汉大师连语》。

8、联偶。联语上下骈偶，故称。如近人曾国才有联书名《桔园联偶》。

9、诗余。取对联是诗的变体而名，民国郭立志《曾文正公联语辑录·序》云：“联语亦诗余也。”

10、诗钟。本是兴起于晚清的一种文字游戏，其方法是取意义绝不相同的两个词或分咏，或嵌字。如以尺、蜂为题咏二句：“灯下量衣催五夜，房中酿蜜正三春”。因其对仗工整与对联相同而作代称。

名句取名篇7

关键词：英汉 时名-long/长 结构化 句法特征

一、引言

“英汉‘时名-long/-长’结构化”是指“时间名词-long/-长”的结构化现象，如“year-long”和“周长”，前者是将英语时间名词形容词化，其结果是获得一个复合形容词，表示“特定时长”，后者则是将少数汉语时间名词名词化，得到一个复合名词或非独立的语言结构，如，“天长”不能独立使用，需与“地久”组合成为“天长地久”，方能表意独立成词。

二、相关研究及本文的研究方法与步骤

（一）相关研究与不足

就时间名词的相关研究而言，或研究“时间名词-ly/-的”结构及其句法特征（如：罗思明、王文斌，2015），或关注“大+时间名词（+的）”结构（如：顾倩，2013），或考察时间名词的搭配（如：陈晦，2011；曹瑞芳，2014），却未见有人对英语中“时间名词-long”结构以及汉语中“时间名词-长”结构进行研究，也未见有专文对此二者结构进行对比。鉴于此，本文基于词汇化理论和较为详尽的语料，对比分析英汉“时间名词-long/-长”的结构化及其句法特征。

（二）本文研究方法与步骤

研究方法。首先，基于语料库，定量考察英汉“时间名词-long/-长”结构化及其使用频率。然后，立足定量结果，定性探究其句法异同。

研究步骤。首先，文中的“时间名词”全都是现代英语和汉语中表达基本时间的名词，至于“半天”“双月”等时间名词不包括在内。所有英语时间名词都取自《新牛津英汉双解大辞典》（2007）和《英h大词典》（2007）；所有汉语时间名词都取自《现代汉语词典》（2005）和《辞海》（2009）。其次，借助大型权威语料库的大量语料检索例证，对“时间名词-long/-长”结构的句法异同进行对比，其中，英语例证主要取自英语国家语料库（BNC）和美国当代英语语料库（COCA），汉语例证主要取自北京大学现代汉语语料库（CCL）和百度。为弥补此类语料之不足，自造部分例证，分别请5位英汉母语测试者验证其可接受性。

三、英汉“时间名词-long/-长”结构化的语料库考察

（一）英语“时间名词-long”的形容词化

通过翻阅《新牛津英汉双解大辞典》（2007）和《英汉大词典》（2007），共搜集到33个英语时间名词（其中“twilight”既表示“黎明”，又表示“黄昏”；“quarter”既表示“刻”，又表示“季”），另外发现“life”表示“一生”，表示的也是时间，因此也把它放进此结构中一起研究。通过BNC检索各个时间名词的使用频率发现，“picosecond，nanosecond，submicrosecond，microsecond，millenary”这5个词使用频率很低，其他名词使用频率相对较高。“Long”来自古英语“lang”，初现于893年。

基于BNC语料研究发现，“时间名词-long”形容词化特征有两个：

第一，表示一天当中的各个时刻和一年当中的季节的时间名词后几乎不跟“long”。“twilight，dawn，morning，noon，midday，dusk，midnight，afternoon，evening”后面不能加“long”；“autumn，spring，winter，quarter”后面不能加“long”。

第二，时间名词表示的时间段过短的名词后面几乎也不跟“long”。“picosecond，nanosecond，submicrosecond，microsecond，second，quarter”后面不能加“long”。

不过，像“hour，day”等使用频率高的词后面一般可以加“long”组成一个代表一段时间的形容词。常见的如：“hour-long”意为“持续一小时的”，“night-long”意为“通宵的”，“day-long”意为“全天的”，“week-long”意为“为时一周的”，“month-long”意为“整月的”，“year-long”意为“持续一年的”，“life-long”意为“终生的”。具体使用频率如表1所示。

（二）汉语“时间名词-长”名词化及其使用频率

通过查阅《现代汉语词典》（2005）和《辞海》（2009），共搜集到28个汉语时间名词（其中“周”和“星期”表相同意义）。另外“终生”亦可视作时间名词，故纳入考虑。通过CCL语料检索发现：“皮秒、纳秒、微秒、毫秒”相对使用频率较低，而其他名词使用频率较高。汉语“时名-长”结构按照汉语的语言习惯来说基本不能单独存在或使用，如“天长”不能单独成词，只有与“地久”联合共现才能表“久远”之义。即使形成“时名-长”复合词化，也不像英语是形容词化，而是名词化，如“时长”“周长”等。

表2：汉语“时间名词-长”名词化及其使用频率

序号 时间名词及其频率 “N时-长”结构及其频率 序号 时间名词及其频率 “N时-长”结构及其频率

1 皮秒，5 无，0 15 傍晚，5262 无，0

2 纳秒，15 无，0 16 夜晚，6020 有，2

3 微秒，60 有，1 17 子夜，658 有，9

4 毫秒，105 有，1 18 天，795808 有，1492

5 秒，21170 有，9 19 候，192553 有，59

6 分，37802 有，284 20 周/星期，226278/21224 有，508/3

7 刻，545 有，21 21 旬，17937 有，8

8 时，1304689 有，389 22 节，197780 有，149

9 黎明，3639 无，0 23 月，970641 有，122

10 早晨，10964 有，4 24 季，74566 有，163

11 上午，40287 有，3 25 年，1586426 有，2525

12 中午，11141 无，0 26 代，549383 有，287

13 下午，52742 有，1 27 世纪，88555 有，114

14 黄昏，3762 无，0 28 终生，3090 有，5

四、英汉“时名-long/-长”句法特征的语料库考察

（一）英语“时名-long”形容词化后的句法倾向性（*表不可接受，全文同）

第一，通常充当名词的前置定语，不充当其后置定语。如：

（1）a.His government was defeated by 88 votes to 77 following a day-long debate.

b.*They all took part in the meeting day-long.

第二，通常不充当表语。如：

（2）a.*The debate is night-long. b.*The plan is year-long.

第三，通常不受程度词修饰。如：

（3）a.*The debate is very night-long. b.*The plan is very year-long.

第四，通常不用于比较级或最高级。如：

（4）a.*The debate is as night-long as that one.

b.*The debate is more night-long than that one.

c.*the most night-long debate.

第五，通常不充当主语补足语或宾语补足语。如：

（5）a.*The plan is planned year-long. b.*They planned the plan year-long.

第六，通常不用于评价句。如：

（6）*How month-long the activity is！

第七，通常不用于结果句。如：

（7）a.Tom shouted himself hoarse. b.*Tom shouted himself life-long.

第八，通常不用于祈使句。如：

（8）a.Be patient！ b.*Be day-long！

第九，通常不用于拷贝句。如：

（9）a.It is a big big world. b.*They had a night-long night-long debate.

上述句法特征可概括为表3。

（二）汉语“时间名词-长”名词化后的句法特征

基于CCL和百度研究发现，“时间名词-长”具有以下句法倾向性：

第一，通常不直接充当名词前置定语或后置定语，但“的”字化后可充当前置定语。如：

（10）a.花了5天长的时间来做这个项目。 b.这U盘可存放好几部135分钟长的电影。

第二，通常不充当表语。如：

（11）a.*这份报纸天长。 b.*这首歌分长。

第三，通常不受程度词修饰。如：

（12）a.经过了两年长的时间，他在国外学习到了很多东西。

b.*经过了两非常年L的时间，他在国外学习到了很多东西。

第四，通常不用于比较级或最高级。如：

（13）a.*这场比赛跟那场比赛一样时长。

b.*这场比赛比那场比赛时长。

c.*这场比赛最时长。

第五，通常不充当主语补足语或宾语补足语。如：

（14）a.*这场比赛被视为天长。 b.*大家认为这场比赛天长。

第六，通常不用于评价句。如：

（15）a.您能来真是太好了！ b.*您能来真是太月长了！

第七，通常不用于结果句。如：

（16）a.我的眼睛都哭肿了。 b.*我的眼睛都哭年长了。

第八，通常不用于祈使句。如：

（17）a.耐心点！ b.*天长！

第九，通常不用于拷贝句。如：

（18）a.她那双大大的蓝眼睛里闪出了少见的泪花。

b.*我会唱这首分长分长的歌。

上述句法特征可概括为表4。

五、结语

本文研究发现：英汉语“时名-long/-长”的结构化及其句法特征异同并存：首先在结构化上是“有异无同”，英汉部分高频时间名词可被“时间名词-long/-长”形容词化；汉语“时间名词-长”结构通常不能形容词化，少部分可以名词化。其次，在句法上是“同大于异”，英语“时间名词-long”形容词化和汉语“时间名词-长”名词化后其句法特征名词性显著，作前置定语，通常不能作后置定语、表语、主语补足语、宾语补足语，也均不能用于程度词修饰、比较级、最高级、评价句、结果句、祈使句、拷贝句，差异在于英语作前置定语自由，而汉语必须“的”字结构化。

参考文献：

[1]Dixon，R.Semantics and Syntax[C].Berlin：Mouton de Gruyter，1982.

[2]Givon，T.Syntax：An Introduction[M].Amsterdam：John Benjamins，2001.

[3]Song，J.Linguistic Typology[M].Oxford：OUP，2011.

[4]陈晦.英汉指示词与时间名词的搭配及其语义认知研究[J].南华大学学报（社会科学版），2011，（4）：102-106.

[5]曹瑞芳.时间名词“上”辞书释义辨析[J].语言研究，2014，（1）：21-26.

[6]陈至立.辞海[Z].上海：上海辞书出版社，2009.

[7]董秀芳.词汇化：汉语双音词的衍生和发展[M].成都：四川民族出版社，2002.

[8]顾倩.“大+时间名词（+的）”的情感倾向及其认知解释[J].宁夏大学学报（人文社会科学版），2013，（2）：83-87.

[9]陆谷孙.英汉大词典[Z].上海：上海译文出版社，2007.

[10]罗思明，王文斌.英汉“N-时-ly/-的”结构化及其句法特征考察[J].外语教学与研究，2015，（4）：509-521.

[11]罗思明，徐海，王文斌.当代词汇化研究综合考察[J].现代外语，2007，（4）：414-423.

[12]上海外语教育出版社词典编纂室.新牛津英汉双解大辞典[Z].上海：上海外语教育出版社，2007.

[13]于善志，王文斌.英语时制中的时间关系及其语篇功能[J].外语教学与研究，2014，（3）：323-336.

名句取名篇8

语文园地

教学目标：

1.学习精彩句子的写法。

2.学习写人物外貌、神态的成语。

3.掌握朗读技巧和方法。

4.熟读背诵古诗《所见》。

教学过程：

一、交流平台

1.自由朗读“交流平台”中的两个句子。

2.指名读。其他同学想一想：这两个句子写得好吗？好在哪里？

3.小组交流。说一说，议一议。

4.指名说一说。说完后，其他同学进行补充。

提示：第一个句子是一个拟人句，把鸟儿、蝴蝶等都当人来写，它们都在听同学们读课文，这样写既生动形象，又能突出同学们读书读得好。

第二个句子，把自己写作一个更夫，做更夫的事情，很有新鲜感。

5.有感情地齐读这两个句子。

6.在积累本上抄写这两个句子。

7.总结：阅读时，有些精彩的句子能使我们读来很有新鲜感，能让我们怦然心动，能够激发我们的想象力，给我们带来启迪等。我们要善于捕捉这样的句子，积累这样的句子。

二、词句段运用

（一）学习第一题。

1.学生自由读一读第一题的成语，想一想，这些成语有什么特点。

2.指名读，其他学生注意认真听，并评价。

3.师指导难读的字，如“张牙舞爪”的“爪”读zhǎo，“面红耳赤”的“赤”是翘舌音，“口干舌燥”的“燥”是平舌音。

4.指名回答，这些成语有什么特点？

提示：这些成语都是表示人的神态和动作的。我们在写作中也可以用到哦！

每个四字词语中，都有一组近义词，前面四个词是第一、三两字为一组，后面四个词是第二、四两字为一组。

5.指名开火车读一读成语。

（二）学习第二题。

1.自由朗读这三个句子。

2.小组内互读，并讨论怎样朗读能更好地表达句子的意思。

提示：朗读的时候，要把感情代入其中，假设句子中的角色就是自己，不同角色的人物应该用不同的语气来读。

注意重音，突出句子的意思。如第一句中的“真的”要重读，第二句中的“一点儿”要重读，第三句中“就是”要重读。

3.小组派代表在全班朗读，比一比，哪一个小组读得好。

4.全班齐读，读出感情。

（三）学习第三题。

1.请一个学生读一读这一题的要求。

2.学生看一看课本上的例子。

3.调查一下，班里学生都有哪些兴趣爱好。

4.将班里的学生对号入座，把有相同兴趣的学生归类到一个小组。

5.小组成员讨论商议，给自己的小组取个响亮的名字。

注意：所取的名字要能体现出兴趣的特点，并且让人印象深刻。

6.商量好以后，用一张好看的卡纸写下自己小组的名字。

7.全班展示自己兴趣小组的名字。

8.评一评，哪个兴趣小组的名字取得最好。

三、日积月累

1.同学们知道古代的孩子都干什么吗？有一位诗人，在路上遇到一个小童，觉得很有趣，于是把这个小孩写进了诗里。这位诗人是清朝的袁枚。（简介袁枚）

2.能让诗人如此喜欢的一个小童，他在干什么呢？自己读一读古诗《所见》，了解一下吧。

3.读完古诗，有谁知道，这个小孩在干什么？（放牛）

4.他一边放牛一边干什么？（唱歌）

5.理解古诗的意思。先自己结合每个字的意思，说一说古诗的意思。再在小组内说一说，最后指名学生在全班说一说。

6.是什么让这个小牧童停止了歌唱呢？（因为他听到树上有蝉在叫，想去捕捉那只蝉，所以突然不唱歌了，凝神听蝉鸣声在哪里。）

7.你喜欢这个小牧童吗？为什么？

名句取名篇9

GKD-BASE数据库是一个具有自主知识产权的数据库管理系统，具有兼容SQL89标准的SQL引擎，能够为用户提供一个统一、有效的数据库访问接口，实现对数据库的各种操作。但是SQL语言缺乏对算法的描述能力，难以胜任复杂的程序设计。为了融合SQL语言强大的集合数据处理能力和第三代语言(3GL)灵活的过程处理能力，主流数据库管理系统产品都已提供了对过程式SQL语言的支持，如Oracle的PL／SQL［1］。为了使GKD-BASE适应发展现状，满足管理人员和开发人员的需求，急需开发GKD-BASE自身的PL／SQL引擎。

本文在数据库管理系统GKD-BASE上设计并实现了兼容Oracle PL／SQL V2．3语言规范的PL／SOL引擎，扩展了GKD-BASE过程处理功能。

1 GKD-BASE PL／SQL引擎的体系结构

GKD-BASE PL／SQL引擎的基本功能是将用户用PL／SQL语言编写的程序通过词法分析程序、语法分析程序进行解析，生成中间代码并解释执行。如果在分析阶段或解释执行阶段发现错误，则向用户报告错误号及相应的错误信息，以便用户排错［2］。根据PL／SQL语言兼有过程式语句和SQL语句的特点，采取分治策略，把过程语句和SQL语句分开处理。PL／SQL引擎在对PL／SQL源程序编译执行时，首先进行预处理，把SQL语句和过程语句分开；然后对SQL语句和过程语句分别解析，生成语法树；最后通过执行模块对中间代码进行解释执行。

图1

GKD-BASE PL／SQL引擎对源程序编译生成中间代码，不能直接在目标机器上执行，需要一个解释中间代码的环境，以提供对PL／SQL语言中的数据类型的支持，保证PL／SQL正确执行。因此GKD-BASE PL／SQL引擎可分为编译器和解释器两部分，如图1。编译器接收到PL／SQL语句块后进行预处理，将句子分为SQL语句和过程语句。对于SQL语句，编译器建立SQL语句节点，进行相应的变量绑定和语法检查；检查无误后产生中间代码。对于过程语句，编译器对语句成分进行语法分析并建立相应的符号表，也生成中间代码。因此，可以把编译器划分为SQL语言解析、过程语言解析、符号表生成与管理、中间代码表示与管理等模块。解释器的作用是对编译器生成的中间代码进行解释执行［3］，与编译器对应，具有独立的SQL语句解释模块和过程语句解释模块。解释器还包括执行状态堆栈的管理、与GKD-BASESQL引擎的调用接口。异常处理模块主要实现程序运行时的错误检查和报告，并支持用户自定义异常和预定义异常的检查和处理。

2 GKD-BASE PL／SQL编译器实现中的一些关键问题

GKD-BASE PL／SQL编译器主要是对PL／SQL源程序进行词法分析、语法分析和语义处理［4］。本文借助构建词法分析器的Lex和编译程序自动产生工具Yacc［5］，实现了对PL／SQL源程序的编译。下面分别说明符号表的设计与管理、SQL语句解析以及游标解析。

2．1 符号表的设计与管理

符号表是一个包含程序中的变量、自定义类型和函数信息的数据库。通过索引对应于库中的一条记录；每条记录对应着一个对象的信息，如变量的类型或函数的返回值等［2］。

考虑到PL／SQL语言的块结构和名字作用域，可以使用名字堆栈存放源程序中所使用的标志符的索引、名字和类型。每个项目只包括名字本身和用来表明它的类型的标志值，以及该名字在符号表中的项目索引。名字堆栈采用层次结构，是链表型的堆栈，堆栈的每一层存放了解析的语句块嵌套层内的所有名字信息，如图2。在进入或退出一个嵌套层时调用相应的压栈和弹栈操作；查找符号时，从栈顶向栈底搜索。名字堆栈实现了标志符名称与相应的符号表索引间的映射，解决了标志符的作用域问题和可见性问题，满足了对符号表管理和调用的要求。

2．2 SQL语句的解析

为了避免SQL语句在执行时出现语法错误，需要提前检查其语法的正确性。SQL语句是面向集合的数据操作语言，只能交由SQL引擎处理。但是PL／SQL语言为了增强SQL语句与过程式语句的交互能力，在SQL语句中引入变量，GKD-BASE的SQL引擎无法识别，必须在提交之前提取出变量，替换为SQL引擎可以识别的格式。如：SELECT empno，name INTO v_empno， v_name FROM empWHERE birthday=v_date；

这个SELECT语句首先把变量v_date绑定到列名birthday，然后根据条件查出相应的结果 (empno，na/！/me)，并赋值给预先定义的变量(v_empno，v_name)。对于GKD-BASE的SQL引擎来说，只能识别出如下格式的SELECT语句：

SELECT empno，name INTO：v_empno，：v_nameFROM emp WHERE birthday=：1；

在把SQL语句交由GKD-BASE SQL引擎处理之前，识别出变量v_empno、v_name及v_date进行格式转换，在into之后的变量前面添加“：”，where后面的变量用带有冒号的数字序号代替，构造出符合SQL引擎要求的语句；完成这些处理之后，把新的语句作为字符串交由SQL引擎进行语法分析，检查这条语句的语法是否正确，以及语句中的变量与对应的列是否匹配；最后返回结果，报错或者生成语法树。

2．3 游标的解析

游标是指向内存中上下文区的句柄或指针。借助于游标，PL／SQL程序可以控制上下文区和语句处理过程中游标的变化。PL／SQL游标按使用方式可以分为显式游标和隐式游标。

显式游标的使用包括声明游标、打开游标、游标检索、关闭游标四个步骤。编译游标声明语句时，首先调用SQL引擎分析SQL语句成分，转换为SQL引擎可以识别的格式，把游标的索引信息加入名字堆栈和符号表中。游标打开操作在名字堆栈中搜索游标名字，获取声明阶段在符号表保存的相关信息并加入到语法树中。游标检索语句的编译首先获取游标的符号表的信息；然后关联游标中SQL语句的信息和取值变量链表的信息，检查游标变量与游标引用列是否匹配；最后保存相关信息，加入语法树。游标的关闭操作释放资源并把游标状态初始化，把游标在符号表中的信息保存并加入语法树。

隐式游标一般用于对DML语句的处理。每条DML语句对应于一个隐式游标，编译时可以作为一般的SQL语句来处理，直接调用GKD-BASE的SQL引擎对其进行编译。这些语句的游标处理是由SQL引擎自动完成的，不需要PL/SQL引擎对干涉。

图3

3 GKD-BASE PL/SQL解释器实现中的一些关键问题

解释器实现中的关键问题有语句的执行、执行状态堆栈的设计以及返回值的处理。

对于语句的执行，可分为SQL语句执行和过程语句执行两部分，根据语法树上相应节点分别编写函数来完成解释任务。这些函数例程之间也是树状的层次调用结构，树根的解释执行依赖于其子树上各个节点的解释函数的成功运行。

名句取名篇10

关键词：二价动词；关系化；语义格

中图分类号：H03文献标识码：A 文章编号：1009-0118（2011）-12-0-02

根据格语法理论，句子由情态和命题两部分组成，用公式可以表述为：

SM+P（句子情态+命题）

PV+C1+C2+……Cn（命题动词+深层语义格）

动词是支配成分，支配若干名词或名词短语，是句子语义结构的核心，每一个名词或名词短语在深层结构中都和这个动词有某种句法语义关系，我们将这种深层的语义关系称之为格，管辖与约束理论中称为论旨角色，论旨角色经过一系列转换在句子表层结构中表现为名词或名词短语，称为论元，学者根据动词支配论元的数量将动词分为一价动词、二价动词、三价动词等等。

关于语义格的分类也有很多意见，鲁川（1994）将格系统划分为四个层次22个格；袁毓林确定了常见的17种语义格：施事、感事、致事、主事、受事、与事、结果、对象、系事、工具、材料、方式、场所、源点、终点、范围、命题；邵敬敏（1996）把语义格分为7大类、24小类，各家之说既有交叉也有不同之处，本文暂取邵敬敏一家之言。

下文将格语法和动词的配价理论结合起来，探讨二价动词结构的关系化过程。

二价动词只能支配两个论元，我们记作V2，符号化为：NP1+VP+NP2，在一些情况下还可以带一些格，记作：NP1+P+NP旁格+VP+NP2。

一、“NP1+VP+NP2”的关系化，如：

那位老师教过妹妹。[（）教过妹妹的]（那位老师）。/[那位老师教过她的]妹妹。

妈妈洗衣服。[()洗衣服的]妈妈。/[妈妈洗了它的]（那件衣服）。

我没看过那部电影。[()没看过那部电影的]（我）/[我没看过它的]（那部电影）。

对这些二价动词，一般既可以关系化动词前名词也可以关系化动词后名词，如上文所示。其中V前NP关系化移位后留下一个移迹，二者是同指关系，这类关系小句所修饰限定的核心名词都可以省略，主要是对这类语义格进行关系化后移位来的核心名词在语义上是羡余的，以空语类的形式显现，用符号可以表示为：

NP1+VP+NP2[ti+VP+NP2+的]+NPi

如果对这样的句式话题化后是比较容易关系化的：

妈妈，正在洗衣服。/衣服妈妈正在洗。正在洗衣服的妈妈。/妈妈正在洗的衣服。

我，没看过那部电影。/那部电影我没看过。没看过那部电影的我。/我没看过的那部电影。

关系小句化的结果基本一致，但手段不完全相同。

二、“NP1+P+NP旁格+VP+NP2”的关系化

看一组例子：

哥哥用那沓稿纸写信。哥哥用它写信的那沓稿纸。（提取材料）

我用那把刀削苹果。我用它削苹果的那把刀。（提取工具）

管理员用那根绳子捆书。管理员用它捆书的那根绳子。（提取工具）

用公式表示关系化过程：

NP1++P+NP旁格+VP+NP2[NP1+P+proni+VP+ NP2+的]+NPi

这是代词保留型关系小句，有时二价动词带格，关系化旁格成分时可以形成空缺型关系小句，如：

哥哥用那沓稿纸写信。[哥哥用（ ）写信的]（那沓稿纸）。

[哥哥写信的]（那沓稿纸）

我用那把刀削苹果。[我用（ ）削苹果的]（那把刀）。

[我削苹果的]（那把刀）。

管理员用那根绳子捆书。[管理员用（ ）捆书的]（那根绳子）。

[管理员捆书的]（那根绳子）。

用符号表示这种过程：

NP1++P+NP旁格+VP+NP2[NP1++P+ ti+VP+NP2+的]+NPi

[NP1+VP+NP2+的]+NP旁格

空缺型关系小句主要通过代词保留型关系小句的移位和删除来实现的。由上述实例可以看出，二价动词带旁格成分的关系化主要选择代词保留型和空缺型关系小句，关系小句中和核心名词同指的成分都可以省略不出现。

三、二价双系动词的关系化

沈阳观察到这样一种语言现象:编手提袋（V+结果）/编丝带（V+材料）；浇花（V+受事）/浇水（V+工具）等，“这种动词结构中可能占据宾语位置的不同语义类的名词数量要多于动词后面的宾语位置，或者说动词后面出现了一个显性宾语，仍然可能存在另一个隐性的宾语位置。”沈阳提出了双系动词的名称，并将这种动词分为两类：可逆性和不可逆性的。当这种动词后面所带的常用格共现时，转换过程不完全相同。

（一）不可逆动词的关系化一般是这种形式：如

她编项链（V+结果）――她编丝带（V+材料）

她用丝带编项链。

[她用它编项链的](丝带)。

[她编项链的]（丝带）

*[她编丝带的]项链

用符号可以表示为：

NP施+VP不可逆+NP材料――NP施+VP不可逆+NP结果

NP施+P+NP材料+VP+NP结果

NP施+P+proni

[NP施+VP+NP结果+的]+NP材料

*[NP施+VP+NP材料+的]+NP结果

可以看出，这里的“NP施+VP+NP结果+的”转指NP材料可以，反之则不行，如果进行话题化过程，就可以看出一些端倪：

丝带她编了项链――*项链她编了丝带

可以看出，能话题化的成分一般能关系化，可以构成代词保留型和空缺型的关系小句。

（二）可逆动词的关系化

妈妈浇水（工具NP2）――妈妈浇菜地（受事NP2）

妈妈用水浇了菜地。（水浇了菜）

妈妈给菜浇了水。（菜浇了水）

[妈妈给它浇了水的]（菜地）。

[妈妈用它浇了菜地的]（水）。

[妈妈浇了水的]（菜地）。

[妈妈浇了菜地的]（水）。

这时动词的两系NP2在一个结构中共现，关系化过程可以符号化为：

NP施+VP可逆+NP工具――NP施+VP可逆+NP受事

NP施+P+ NP工具+ VP可逆+ NP受事

NP施+P+ NP受事+VP+ NP工具

[NP施+P+ti VP+ NP工具+的]+ NP受事i

[NP施+P+ ti VP+ NP受事+的]+ NP工具i

[NP施+ VP+ NP工具+的]+ NP受事

[NP施+ VP+ NP受事+的]+ NP工具

可以看出关系小句的类型主要是代词保留型或者空缺型的。仔细考察还可以发现可逆动词的话题化过程：

水妈妈浇了菜地――菜地妈妈浇了水

即动词的两系NP2都可以话题化，也都可以关系化提取名词。

由上述实例可以看出，二价双系动词结构在关系化后都可以省略核心名词独立转指。本文中只举出常见的材料格、工具格的关系化过程，其他的语义格暂不考虑。

同时，我们可以看出，一般情况下一个名词能否被关系化，关系化后的类型不能仅仅看句法表层上的身份，要深入到深层结构的语义中去考察，考察关系小句所修饰限定的核心名词与关系小句是否在语义上有关联，是否与动词有直接或间接的论旨关系，看这个名词性成分的语义格在词库里是怎样描写的，是否能独立转指。

参考文献：

[1][美]伯纳德・科姆里著.沈家煊译.语言共性和语言类型[M].华夏出版社,1989.

[2]文旭,刘润清.汉语关系小句的认知语用观[J].现代外语,2006,(5).

[3]刘丹清.语言学前沿与汉语研究[J].上海教育出版社,2005.