【立委按】以前在语言学圈子里有些高雅的沙龙，譬如在冯志伟老师回忆 中津津乐道过的语言学沙龙，每周一次，通常在北大，参与的圈子很小，都是精英之精英，朱德熙（语言学大家，北大副校长）、陆捡明（汉语语法学家）、马希文（计算语言学家，传奇人才，白老师的导师）、冯志伟（计算语言学家）等。坐而论道，雅致之极，令人羡慕嫉妒恨不能入。如今时代不同了，这种沙龙还有吗？回答是，有，譬如白老师主持的【新智元语义计算群】即是：谈笑皆鸿儒，往来有白丁，微信群使得高大上的沙龙平民化了，但高度、大度、上度不浅反深，盖因所延揽的精英早已不再局限于小小的京城，而是遍及全球。白老师树大招风，与NLP有关的华裔背景的顶级专家学者毛姑姑也有90%了，或高论，多潜水，胜景跌出，风光无限。甚至连中国NLP旗手董振东老前辈也上了“贼船”，乐在其中。此番繁荣，拜技术所赐，先给张小龙敬个礼。

白:
“这本书的匆忙de出版，险些坏了大事。”  这里的“de”，是“的”还是“地”，为什么？
如果按照“从里到外”的原则，是“匆忙de”先跟“出版”结合，彼时“出版”尚未被强制，因此还是满格的动词属性，de理应为“地”。但是……个人语感为什么倾向于“的”，而且理论上找不出理由。
“今天真遗憾，错过了大师的精彩de指挥。” 这个就是百分之百的“的”了。
我:
既然白老师爱钻牛角尖儿，咱们就钻钻。
白:
难道这个“指挥”不是被强制的？
我:
不能说 100% 可能是 90%+ 吧。验证的话，可以用大数据。
白:
大数据里有错别字
我:
哪怕大数据里面出来的结果是 100%，用“超大数据” 也会发现不是 100% 而且不仅仅是由于错别字。
白:
验证如果找100个文字编辑，我没意见。
我:
这里面的道理就不是大数据这种表象了，而是某种语言学。
动词概念被性状概念的词修饰，在具体语言中的形式应该是怎样的？就是这个问题。到了汉语，默认的形式是：（1）前置 （2） 加“地”。凡是默认 必有例外。如果 大数据发现了例外 或者 100 个文字编辑的内在句法趋向于一种例外的结果 这个例外就有语言学上的说法。
这里面还有一个微妙之处：口语中是de1 de2不分的，因此上述形式的讨论只限于书面汉语，而书面汉语受到了文法规范化教育的灌输。因此至少从一个层面看，这个问题就是一个 moot point，因为每个人的受教育程度是不同的，而每个人的儿童时学会语言的过程则是相当类同的。这二者打架的结果就会出现不一致，因此 100% 很难。如果聚焦到 100 个文字编辑做裁判的话，实际上是放大了教育的影响。有意思的问题于是成为：本来 “的”是 de 的默认，而非默认的“地”的使用是受教育的结果，因此文字编辑应该趋向于在形状类概念修饰动词性概念的时候，使用“地”而不是“的”。但是，这个 case 却不是（假如白老师的语感或修养靠谱的话），正相反，受过教育的人在这个 case 中，更趋向于用 “的”。这是为什么呢？这里面必有更深层的说法。
还要继续吗？或者谁继续牛角尖下去？
白:
其实，我是在对“从里到外”和“从左到右”的原则在质疑。如果“从左到右”，名物化结构强制的痕迹在不断加重，用“的”就理所当然了。如果“从里到外”，强制在外层，里层在不确定情况下会追随标配。
我:
其实我也正想说到这点儿，就是发散太远，还没收回来。
白:
所以，我认为是“从左到右”的分析策略在起作用。
我:
左右就是词序形式。抽象一点，不是词序，而是【层次性】与【去层次性】在语义表达或理解中的矛盾体现。这在句法学界已经打了很久很久了。层次性是一派，去层次性（扁平化）是另一派。公、婆各有理。
白:
不需要那么极端，就是已经读进来但还没有构造成树的成分，是完全被动地等在那里，还是对后续的消岐有所影响的问题。

我:
层次性的理解涉及多性状概念的 scope 边界，这是乔姆斯基短语结构的真义。去层次性的理解不强调这种 scope 的严密性，而是把他们的配置看成是自由搭配。这是为什么 dependency grammar 的结构树放弃非终结节点的表达。
白:
结构强制发生在有明确结构预期的时刻，而不是真正等来了结构强制对象的时刻。
伟哥可以顺带看看“恢复疲劳”那段。
我:
层次性一派的假设： x1 de x2 de x3 == [x1 de [x2 de [x3]]]
去层次性一派的假设： x1 de x2 de x3 == x2 de x1 de x3
两个假设都可以找到语言事实的支持。
白:
应该有 强去层次 和 弱去层次 之分
强：等价；弱：sometimes等价
我:
相信层次化的理解和去层次化的理解，在相当多的人中其实是模糊的。人的语义，无论表达还是理解，都充满了模糊性，而这种模糊性基本上也不影响语义的语用。换句话说，怎么说都可以，人类在交流中基本不 care。
白:
对分析策略似有影响
我:
歧义不仅可以保留或休眠，直到语用，甚至可以 beyond 语用，一直到死：严格说到死的歧义超越了交流，不能算歧义，最多算伪歧义。从这一点看（伪）歧义，就发现很多问题是人自找的；董老师也说过类似的意思。“人” 指的是系统设计师。
白:
又漂了
我:
漂是因为某个思路还没到终点，意犹未尽，很难受的。
回到分析策略，自底而上最实在。自底而上与层次化自然相配，但也不必然采纳层次化的 representation。
说说 恢复疲劳 吧。这是个固定用法 词典化的条目。
白:
结构强制是个特殊的操作，如果承认在短语“这本书的不出版”中，“不出版”是个状中结构，而再外层是个定中结构，于是结构强制就发生在这两层的衔接当中。“这本书的匆忙de出版”站在层次观点也是一样的，但我质疑层次结构在先结构强制在后。
我:
虽然汉语的 动宾句法 可以有 n 种逻辑语义，但是作为 open-ended 的句法语义解读，这 n 种解读不能是非自然的或满拧的语义。“恢复”与“疲劳”就是满拧。里面省略了的 FROM 就是反映这种蛮拧的。如果 FROM 不出现，那么必然要词典化 用记忆去绑架。
白:
“维持骚乱”的说法也成立
我:
如果要探究为什么这种乍听上去矛盾的说法进入了人类的语言 被词典化，简单的说法就是约定俗成。深究的话 其实是因为矛盾的双方是共现频率极高的相关概念。因为高度相关，所以本来可以明晰的连接双方的句法手段（词序啊，小词 from、against 啊等）就显得太啰嗦，偷懒的人开始省去这些句法元素 共同体开始接受这种省略。最后就进入了集体的固定用法的记忆。“从疲劳中恢复” >> “恢复疲劳”；“维持和平以防骚乱” >> “维持骚乱”。
白:
我的观点是，分析不在乎是不是词典化，生成在乎。哪怕是第一次看到这样的组合，也会放行的，因为张力的指向一览无余。
我:
分析不在乎，是语义不落地，只是休眠。管它什么宾呢 动宾是无疑的。
白:
“维持骚乱”就不必有什么固定记忆，一看这俩词儿，就知道是从不正常状态努力进入正常状态。
我:
没进入固定记忆，是还在过程中。
董:
知网词典的词语，与两位讨论的有关，供参考：

W_C=打扫房间
G_C=verb [da3 sao3 fang2 jian1]
S_C=
E_C=
W_E=clean the room
G_E=verb [51cleanverb-0vi      ]
S_E=
E_E=
DEF={clean|使净:patient={room|房间}}
RMK=

W_C=打扫垃圾
G_C=verb [da3 sao3 la1 ji1]
S_C=
E_C=
W_E=sweep away rubbish
G_E=verb [51sweepverb-0vi      ]
S_E=
E_E=
DEF={remove|消除:patient={waste|废物}}
RMK=

W_C=打扫卫生
G_C=verb [da3 sao3 wei4 sheng1]
S_C=PlusEvent|正面事件
E_C=
W_E=cleaning
G_E=noun [7 cleaningnoun-0action,uncount,ofnpa次    ]
S_E=PlusEvent|正面事件
E_E=
DEF={clean|使净:StateFin={spotless|洁}}
RMK=

W_C=恢复疲劳
G_C=verb [hui1 fu4 pi2 lao2]
S_C=PlusEvent|正面事件
E_C=
W_E=recover from tiredness
G_E=verb [51recoververb-0vi      ]
S_E=PlusEvent|正面事件
E_E=
DEF={BeRecovered|复原:StateIni={tired|疲乏}}
RMK=

W_C=恢复知觉
G_C=verb [hui1 fu4 zhi1 jue2]
S_C=PlusEvent|正面事件
E_C=
W_E=recover consciousness
G_E=verb [51recoververb-0vi      ]
S_E=PlusEvent|正面事件
E_E=
DEF={BeRecovered|复原:StateIni={dizzy|昏迷}}
RMK=

W_C=救火
G_C=verb [jiu4 huo3]
S_C=
E_C=
W_E=fight the fire
G_E=verb [51fightverb-0vi      ]
S_E=
E_E=
DEF={remove|消除:patient={fire|火}}
RMK=

W_C=救生
G_C=verb [jiu4 sheng1]
S_C=PlusEvent|正面事件
E_C=
W_E=lifesaving
G_E=noun [3 lifesavingnoun-0action,uncount,ofnpa次    ]
S_E=PlusEvent|正面事件
E_E=
DEF={rescue|救助:StateFin={alive|活着}}
RMK=

W_C=救穷
G_C=verb [jiu4 qiong2]
S_C=
E_C=
W_E=help the needy
G_E=verb [51helpverb-0vi      ]
S_E=
E_E=
DEF={rescue|救助:StateIni={Circumstances|境况:host={group|群体}{human|人},modifier={poor|穷}}}
RMK=

W_C=救命
G_C=verb [jiu4 ming4]
S_C=PlusEvent|正面事件
E_C=
W_E=save somebody's life
G_E=verb [51saveverb-0vt,sobj      ]
S_E=PlusEvent|正面事件
E_E=
DEF={rescue|救助:StateFin={alive|活着}}
RMK=

W_C=救灾
G_C=verb [jiu4 zai1]
S_C=PlusEvent|正面事件
E_C=
W_E=provide disaster relief
G_E=verb [51provideverb-0vi      ]
S_E=PlusEvent|正面事件
E_E=
DEF={rescue|救助:StateIni={mishap|劫难:cause={NaturalThing|天然物}}}
RMK=

白:
比如“打击卖淫嫖娼”为什么不能是“打击卖淫 嫖娼”而必须是“打击 卖淫嫖娼”？就是因为一个正面一个负面，是拧巴的，两个正面，就顺当了。这说的是sentiment对分析的反作用。
我:
“维持骚乱”对我这个个体 目前处于一种不接受的状态。并不因为拧巴 我就接受它合法。如果我是语文老师，我会判错 我自己也避免这样用 也不会这样用。但是如果共同体在这个演变过程的终点选择接受 也就是选择词典化，那么我只得也选择接受 并加入我的词典。这是其一。
其二，拧巴的确在语言交流中起作用。拧巴迫使人放弃默认 去探索其他的语义路径 达成理解 虽然心里可能依然别扭。心里别扭是因为还没有词典化 黑箱化。
白:
参加维和部队，到非洲去维持骚乱。
好点没？
我:
有了上下文，当然别扭感好一些。（同理，我也可以这样加上下文：恐怖主义分子猖獗得很，他们要维持骚乱，我们怎能坐视不理。）
在 sentiment 中，有些故意矛盾的说法来表达讽刺，也是这个拧巴理解的过程。以前说过的 thank you for misleading me，thank 的正面褒扬与 misleading 的反面 是拧巴的。理解放弃了默认，选择了 misleading，是客观sentiment对主观emotion的胜利。thank 的正面语义因此消失，被讽刺取代。
白:
“感谢你八辈祖宗”
我:
英语的 improve 是这样一个褒义词，以至于它不在乎宾语是正面反面。可是 维持 在汉语不是，因此“维持骚乱”的别扭感更强，除非是置于合适的上下文，或被语言共同体词典化绑架。

宋:
“这本书的匆忙的出版”和“这本书的匆忙地出版”都是合乎语法的，而且都是指称语。深入一层，“匆忙的出版”和“匆忙地出版”都受“这本书的”修饰，也都是指称语。再深入一层，“匆忙的出版”中的“出版”是指称语，“匆忙地出版”中的“出版”是述谓语。“匆忙的出版这本书”语法上是错的，“匆忙地出版这本书”没问题。一般来说，动词V的语用功能既可能是指称语，也可能是述谓语，依靠它的句法位置来区别。被“Adj的”修饰的V是指称语，被“Adj地”修饰的V是述谓语。修饰后得到的短语，“Adj的V”是指称语，“Adj地V”与V一样，既可能是指称语，也可能是述谓语，依靠它的句法位置来区别。
我:
基本同意宋老师。
顺便提一句，感觉与白老师对话的时候，常常是，似乎是两股道上跑的车，这不影响互相听得见；这两股道不是完全平行的 而是中间老有交叉点。仔细想来，估计是白老师是广度优先的对话算法；而我是深度优先的算法：一条路径不穷尽不愿意回头，就是所谓 “漂”或发散性思维。因为对话是在有限时空中进行，无论什么算法都不可能穷尽路径，因此就造成白老师提纲挈领 总站在云端俯瞰的效果，而深度优先的算法就成了啥了，捡了芝麻，丢了西瓜的印象。宋老师则不同，广度深度都有，但往往是隐而不发 一锤定音。董老师更是大师了 拈花微笑，howNet 拨千斤。就没有能超出 HowNet 的，简直就是如来佛的手掌心。
董:
“出版”，这对于Hownet曾有重要意义。HowNet当年就此要回答两个问题：第一，“出版”（或类似的“计算”、“分析”等）在汉语里也类似于英文既有动词词性，还有一个名词词性吗？这涉及在知网词典中，它们应有两个词条，还是只有一个词条？第二，“这本书的出版”和“这本树的不出版”，在理论意义上它们的区别是什么？
“出版”的问题，HowNet与宋老师是一致的。以前在我们对这个问题的说明时，我们说：“出版这本书”和“这本书的出版”中两个“出版”在核心语义上没有差别，所差的是：前者是有过程的，而后者是静态的，是一个事实。用比喻说，前者是一段视频，后者是一个镜头。这也就是宋老师的述谓性的和指称性的理论。HowNet基于这样的认识，“出版”这样的词语在词典中，只有一个词性，即动词，但对应着两个英文词条，动词和名词。
白:
“这本书的出版”揭示的结构强制现象概括为三句话：1、修饰语决定整体的词性；2、中心词保持原有的词性；3、修饰语填中心语的坑。
我:
Ontology 是逻辑的 高于语言的。在 ontology 的顶层 也有类似词类的东西,可以称作 逻辑类：逻辑动词 逻辑名词 逻辑形容词。这个思考在hownet 得到印证。我个人的这个思考发源于对世界语的钻研及其与不同类语言的比较。我学过法语 俄语 加上英语 汉语 世界语，有足够的表征支持跨语言、高于语言的逻辑类的探索。特别是世界语的构词法 对于这类研究的启示，当年感觉是醍醐灌顶。
白:
中心词的词性也可以“嫁鸡随鸡”，强制前保持原有词性，强制后由修饰语决定。此处特别容易走向拍脑袋。
我:
强制前强制后，原逻辑类都是恒定不变，它是这个语词概念的本质类别，不随句法词法而变。到了特定语言 会有一个类似的 field，俗称 pos，这个是可以改变的。但是传统上 nlp 定义的 pos 任务 很容易过火 过犹不及 结果是让开发者陷入依赖pos的误区（见【中文处理的迷思之二：词类标注是句法分析的前提】）。尤其是照搬英语pos做法到汉语的人 特别要警惕 pos 的陷阱。【迷思】里蕴涵很多只可意会的实践体会和哲学思考，说给世界听 但并不在乎世界听不听。陷阱本就是为人预备的 栽进去也没啥 不过是重复我们曾经的苦难而已。不说不忍，说了也就是菩萨心肠。

quote 需要说明的是，笔者并不反对先POS后Parser的中文处理策略，只是指出POS并非Parser的先决条件，还有一种句法直接建立在词典之上的一步走的策略。顺着这个思路，一步半的策略也许更好。所谓一步半，就是做一个简单的 POS 模块（算是半步）把词类区分中比较大路容易的现象标注好，并不求对所有词类施行标注。

这里要提的建议是：推向极端可以不做汉语 pos，为了工程方便 可以做，但不要过火 不能依赖。
董:
说得太对了。我们在HowNet 那本书的最后单有一章，讲的是中文。其中批评了宾州中文树库，说那是照着英文套中文。特别举得例子是他们标注：年平均（adv）-增长3倍，同句中的年平均（adj）增长率，中文真是如此吗？我们中文的哪本词典里有如此区分词性的。英文词典里look是动词还是名词表的清清楚楚。我们中文是到真实文本中浮动的。英文的文法是百姓的文法，中文的文法是汉语学家的文法。
清:
董老师分析的透彻！
我:
董老师做 HowNet 的30年，所经过的思考，是我们一般人难以企及和想象的，所以我说，真地就好像如来佛的手掌心，有时候我们自以为自己有什么创新思维，最多也不过是个孙猴子，还不等到得意，就发现董老师高高在上 拈花微笑呢。
白:
不过只要伪歧义控制得住，就算多几个POS，技术上也没什么大不了的。至少这不是个技术问题。
我:
问题是，这些都是相互关联的。多数人，特别是没有经过磨练的新毕业生，一头栽进去，根本就无法控制伪歧义。汉语处理一不留神就是个泥淖。
白:
毕业生学什么课太关键了，学了错的课，时间还不够用来消毒的。
杨:
精辟！

白:
NLP的精妙所在就是纵向不确定性（一个位置上取什么标签）和横向不确定性（哪两个标签之间有关联性，独享还是共享）互相交织，最后还给出一个确定的解。
我:
就好比一个迷宫。虽然说走出迷宫 并非只有一条路径 但能走出来的路径真心并不多，而且每条到达终点的路径都必然七曲八拐 暗礁险滩。可以展示最终的形态 很难展示历经的过程。有人认为 只要最终形态是相对确定的 这个路径就必然可以根据最终形态学出来。这就是黑箱子的哲学。似乎天然可行 也赢得了全领域 甚至全人类（大部分是外行）的理所当然的认同。我称它为学习乐观主义。有没有 catch 只有天知道 白老师知道。
白:
七拐八拐真心不是障碍，障碍是目标函数是什么。
我：
七拐八拐关涉多层，不也是毛毛虫的一个部分？

【相关】

【中文处理的迷思之二：词类标注是句法分析的前提】

[转载]【白硕 - 穿越乔家大院寻找“毛毛虫”】

【置顶：立委科学网博客NLP博文一览（定期更新版）】

《朝华午拾》总目录

白:
我关心“老婆情人”在那个语境下为啥不是定中结构。
老王卖瓜自开涮，
创新形容瓜特甜。
老婆情人小三见，
买回刀劈报仇般，
我:
没看懂。似乎有个 context：
老婆情人小三见 == 老婆情人见小三 or
老婆情人小三见 == 老婆见情人小三 ？
诗人特权害死人
Nick:
老婆情人小三见==三缺一
洪:
老婆/情人/小三见
两者兼顾，读诗看图，歧义何出？误解消除。
情人/小三，心理概念；原型维度，因人而殊。
RW:
情人/老婆，心理概念；原型维度，因人而殊。
我:
情人（lover）与小三当然不同。小三虽然没有法统地位，但既然排了次序，就有了事实的地位（“事实婚姻”的事实）。因此还有小四小五之说，这个次序也可能有新来后到的意思，或反映了喜新厌旧，数字越大新人可能越受“老爷”的宠（沿袭三妻四妾的旧制度思维），虽然事实的地位在俗众的心目中似乎越低。
陈:
情人一般是有夫之妇？小三是未婚？
我:
情人比较浪漫，超脱，爱情唯上。与世俗的地位和次序脱钩，倒是有某种秘密的刺激。
Nick:
小三是有上位企图的，情人没有。so情人就是炮友的意思。法国人那种关系都叫情人？我:
情人一旦转成小三 就低下了浪漫的头 失去了独立性 成了金屋藏的娇。广义的情人 也可以转成夫人 实现从浪漫到世俗的脱胎换骨。窄义的情人 专对已婚而言 那是法国英国贵族爱玩的公开的秘密游戏。
白:
你们都是发散思维，就我死啃一个点，结果没人回应。
我:
白老师的问题是老婆小三之间的顿号，是怎么进入人的语言心理的？虽然根本就没看见顿号的影子。为什么顿号不是“的”？
为什么呢？因为大数据！
白老师这次不是“窃喜”，而是感叹心有灵犀了吧
@白老师 “大数据" 是不是你心中老婆情人parsing的标准答案
白:
@wei 大数据中，老婆情人的对举用法远多于修饰用法，这是肯定的。另外老婆的情人有个更简约的用法“情敌”，放着不用偏要拐着弯说，浪费能源。现实中两个因素都在起作用。
我:
白老师的问题是太能干 这个世界不够他玩的。又是语言学 又是金融平台 又是什么块什么链。否则的话 拉出来我们搭个档 做做 NLP 多刺激。就依照你那个 RNN 还是啥的路子走。别人的路子不敢信服。别人也很少懂这一边。
白:
身不由己啊
我:
说什么两条路线斗争 宗教门派之别 主流非主流 眼珠转与不转 这些都不是本质 本质就是鸡同鸭讲。隔行如隔山 同行也隔山。隔了山还讲个球。鸡犬之声相闻 老死不相往来。白马非马 计算语言学亦非语言学 只剩下语言的计算 这就是【计算语言学】的尴尬。这是一个非常奇怪的交叉学科 两路完全不是一个类型的人 没有 chemistry 没有基本的共同背景、世界观和方法学 没有共同语言  兴趣迥异 无法正常对话  更甭提恋爱结婚 最简单的办法 就是一派灭了另一派 眼不见为净。结果就是虽然被扫地出门了 语言学对于多数的殿堂内人 依然是格格不入 而又回避不了。某些主流 NLP 大牛 不懂语言学常识的 并不鲜见 这在任何其他学科都是不可思议的。
但是语言学比共产主义还更像一个幽灵，一直在殿堂徘徊 主流可以不转眼珠 可是心里并不是想象的那么有底气 一个潮流来 可以鸡血一下 忘记幽灵的飘荡 但幽灵始终徘徊。

【相关】

【文傻和理呆的世纪悲剧（romance tragedy）】

【科普随笔：NLP主流的傲慢与偏见】

没有语言学的 CL 走不远

老教授回函：理性主义回摆可能要再延迟10几年

【科普随笔：NLP的宗教战争？】

Church - 计算语言学课程的缺陷 （翻译节选）

泥沙龙笔记：从乔姆斯基大战谷歌Norvig说起

【NLP主流的反思：Church - 钟摆摆得太远（1）：历史回顾】

【Church - 钟摆摆得太远（5）：现状与结论】

《泥沙龙笔记：【钟摆摆得太远】高大上，但有偏颇》

【泥沙龙笔记：语法工程派与统计学习派的总结】

【科普小品：NLP 的锤子和斧头】

【新智元笔记：两条路线上的NLP数据制导】

置顶：立委科学网博客NLP博文一览（定期更新版）】

《朝华午拾》总目录