中文信息处理技术原理与应用(二).ppt

中文信息处理技术原理与应用 liba2002@ 清华大学出版社 中文信息处理技术原理与应用 liba2002@ 清华大学出版社 * 中文信息处理技术原理与应用（二） 北京信息科技大学计算机学院 李宝安 * 第二章 汉字编码输入原理 汉字和汉字属性 汉字编码输入方法 汉字键盘码的笛卡尔积集分析 汉字信息的熵值 海曼公式与汉字编码的键盘特性 汉字编码输入方法简易评测方法 汉字编码输入方法专业评测方法 汉字键盘码的译码问题 有关中文输入技术现状与发展的几个问题 * 汉字和汉字属性 汉字发展及其分级 汉字的结构分析 汉字的字音和字义 汉字的排序 汉字的属性 * 汉字发展及其分级 据考古发现的甲骨文实物的考证，中国古代汉字的记载可追溯到公元前1300年，至少已有3000多年的历史。 汉字的形态，可以归纳出它包括象形字、表意字、形声字和假借字。 最早可以考证的甲骨文汉字约有3000个左右。 目前中国日常通用的汉字过6000～7000个。其它五万多个属生僻字，却仍然保留在古籍资料，以及某些人名、地名等中使用。目前，六万字以外新造汉字几乎已无必要，而用某些汉字衍生新词则不断有所发展。 虽然现代汉字已压缩到6000～7000之数，但仍然是一个庞大的数字，作为文字信息处理时有不方便之处。和英文的26个字母相比，是一种“大字符集”。实际应用中，这些数量的汉字并不是频率均等地使用的，应按照使用频度对它们分级。GB2312-80基本集，一级字3755个，二级字3008个，共6763个。 * 汉字的结构分析 位点 按照目前用计算机处理汉字的，构成点阵式汉字字模的最小单位是“位点”，也就是二进制信息中的一位。 笔画 楷书汉字的基本笔画有六种。即 一，丨，丿，乀，，乚 这六种笔形，按其方向来区分，可以分为两类： 1、单向笔画，如 一，丨，丿，乀， ノ 2、复向笔画，如 弯笔（，乛，） 拐笔（乚, 巜, ） 实际上，在按笔形编码的汉字输入方案中，根据需要，可以另行定义其它的复笔结构，以提高汉字的编码效率。 部首 汉字部首的数量也较大，楷体汉字共有部首214个，作为传统的部首一直沿用到现在。实用角度出发，适当地简化部首，把汉字部首简化到100个左右 字根 单字 * 字根 字根是汉字形体的基本结构单元。字根这一概念，通常人们对它比较模糊。同时也无统一的选择标准。在名称上也存在多种叫法，例如，称作字母、形母、部件、组件、字元、构件、符号等。 字根的数目，也无一定标准，少的可选数十个，多至二三百，甚至四五百个。实际上，字根可以从通用的二百多个部首的基础上，根据应用情况需要，做出选择。过少或过多都不相宜。 在按字型分解的汉字编码输入方案设计中，为了获得高的编码效率，要严格选择字根数目。在按字形分解的汉字编码方案设计中，除了采用一些基本部首作的字根外，在部首的基础上，按需要添加某些笔画，作为补充的字根，有助于提高编码效率。 汉字字根可以分为单结构字根和复结构字根。只有一笔画就形成一个独立结构的字根，称作单结构字根，二笔画或多笔画形成一个独立结构的字根，称作复结构字根。 构成字根的笔画间有“单、散、连、交”四种形式。只有单笔关系的字根是：一，丨，丿，乀， ，乚；只有散笔关系的字根如：二，三，八，习，夕，冫，氵；只有连笔关系的字根如：工，厂，匚，歹，卜，止，冂，月，口，足，日，目，四；只有交笔关系的字根如：十，犭，乂，卄，卅；兼有散、连二种关系的字根如：彳，讠，衤，疒；兼有散交二种关系的字根如米，卜；兼有连、交二种关系的字根如：耳，王，大，禾，巾；散、连、交三种关系都有的字根如雨，西，舟，鱼。 * 单字 单字的字根构成种类 :按照单字中所含字根数目的多少，可以分为四类： （1）?????单根单字，如：一，女，十，木，口，日，马，又，力，…，等。 （2）?????二根单字，如：从，劝，权，旦，早，杏，另，…，等。 （3）?????三根单字，如：树，查，曼，驾，萌，盟，…，等。 （4） 四根（或多根）单字，如，楂，碳，疑，爵，壹，恣，…，等。 字的字型分类:字型是单字结构的字根相互间的结构类型，可以分成四种。 （1）独体型。由单式、连式、交式字根组成的单字，结构紧密，独自成为一体，这 样的构型称作独体型。 单式独体型如：三，石，鱼，米，山，…，等，属于单根结构。 连式独体型如：天，下，千，少，尺，…，等，属于复根连笔结构。 交式独体型如：夫，丈，事，秉，半，坐，…，等，属于复根交笔结构。 （2）左右型。单字内分成左根和右根二半，中间有一定间隙的散式构型，称为左右型。例如，相，鸠，邢，炳，锉，…，等 （3）上下型。单字内分成上根和下根二半，中间