@普通话和英语词汇语义结构的比较

comparing-the-semantic-structures-of-lexicon-of-mandarin-and-english

• 作者: Yi Yang, R. Harald Baayen
• 发表: Language and Cognition (2025)
• DOI: 10.1017/langcog.2024.47

摘要

• 研究框架: 分布语义学 (distributional semantics)。
• 核心目标: 跨语言（普通话 vs. 英语）词汇语义研究。
• 核心方法:
  • 词向量: 使用 FastText 词嵌入。
  • 降维技术: 应用了三种方法将高维向量映射到二维平面。
    • 多维尺度分析 (MDS)
    • 主成分分析 (PCA)
    • t-分布随机邻域嵌入 (t-SNE)
  • 空间对比: 采用 Procrustes 分析对齐和比较两个语义空间。
• 主要发现:
  • 方法层面: t-SNE 在语义类别聚类上效果最清晰，优于 PCA 和 MDS。
  • 共性层面: 两种语言在“动词-形容词-名词”以及“具体-抽象”词汇的区分上表现出相似的结构。
  • 差异层面: Procrustes 分析等方法成功揭示了两种语言语义词库结构中的细微差异。

1. 引言

• 中心假设: 词汇在不同语言中的用法差异，会反映在其基于语料库的语义向量（词嵌入）中。
• 研究目标:
  • 可视化: 揭示中英文词汇语义组织的系统性异同。
  • 方法比较: 评估不同无监督聚类方法在语言学研究中的表现。
  • 探索新方法: 检验 Procrustes 分析在跨语言语义空间比较中的应用潜力。

2. 数据

2.1 语义类别与词汇选取

• 类别构建: 手动定义了 21 个部分具有文化特定的语义类别（如：食物、植物、动物、身体、五种动词、正负向形容词等）。
• 数据来源: 综合参考了双语视觉词典、现代汉语词典、频率词典及 WordNet。
• 选取标准:
  • 主要选择常用、熟知的词汇。
  • 对于多义词，选取其最主要的词义进行分类。
• 最终词汇量: 普通话 2173 个词，英语 2150 个词。

2.2 类别有效性验证

• 验证方法: 采用三种监督学习分类器（LDA, SVM, RF）来验证手动分类的准确性和类别的可区分性。
• 验证结果: 分类准确率高（例如普通话的 LDA 模型准确率达 91.95%），这有力地支持了所定义语义类别的有效性。

3. 语义类别间的关系

• 分析工具: 使用 MDS、PCA 和 t-SNE 三种降维技术来探索词汇在语义空间中的分布。

3.1 普通话语义空间

• MDS & PCA:
  • 能大致区分名词与其他词性（动词、形容词等）。
  • 观察到一个主要维度源于 FastText 训练语料库中混合了“简体中文”和“繁体中文”的缘故。
• t-SNE:
  • 提供了最清晰的聚类结果。
  • 各类名词（自然物、人工制品、人）分离得非常好。
  • 动词和形容词类别之间存在较多重叠。

3.2 英语语义空间

• MDS & PCA:
  • 显示出一定的类别区分，但各类别的重叠程度很高。
• t-SNE:
  • 再次展现出卓越的聚类能力，名词类别被清晰地分离开。
  • 与普通话不同，英语中的“正面形容词”和“负面形容词”形成了两个分离的簇。

4. 中英文对比：聚类的相对位置

4.1 基于降维结果的质心比较

• 分析对象: 比较各个语义类别在降维空间中的质心（centroid）位置。
• 共同点:
  • 名词聚类与非名词聚类（动词、形容词等）在空间上是分离的。
• 差异点:
  • 动物/身体: 在普通话中，“动物”和“身体”类别非常接近，但在英语中则不然。
  • 拟声词: 在两个语言空间中的相对位置差异巨大。

4.2 基于平均向量的质心比较

• 分析方法: 直接计算各类别下所有词的 300 维平均向量，并使用 MDS（分析距离）和余弦相似度（分析网络结构）进行研究。
• 网络分析发现:
  • 共性: 名词和动词在两种语言中都各自形成一个大的聚类。形容词与动词聚类更近。
  • 差异:
    • 拟声词 (Onomatopoeia):
      • 普通话: 作为一个孤立的节点存在，更像副词。
      • 英 语: 与动词集群（特别是运动和感知动词）紧密相连。
    • 人 (Person):
      • 普通话: 是连接名词集群和动词/形容词集群的“枢纽”，凸显社会互动的重要性。
      • 英 语: 在名词集群中处于一个相对边缘的位置，仅与“超自然”和“动物”有强连接。
    • 运动动词 (Motion verbs):
      • 英语中与“交通工具”和“家居”有名词连接，体现了运动与工具的强关联。
      • 普通话中这种直接连接不明显。

5. 质心向量的 Procrustes 分析

• 核心目的: 将两个语言的语义空间进行数学对齐，从而进行更精确的量化比较。
• 分析过程:
  • 对两个语言的 21 个类别质心进行对称 Procrustes 分析。
  • 结果: 两个空间的结构高度相似（相关性度量高达 0.88 和 0.94）。
  • 残差分析: 揭示了最难对齐（即语言特性最强）的类别，如 TIME、COLOR 和 PERSON。
• 共享空间分析:
  • 将普通话的所有词汇向量旋转对齐到英语空间中，形成一个共享的语义空间。
  • 在此空间中，词汇主要按语义类别聚类，而不是按语言聚类，证明了对齐的有效性。
  • 微观洞察:
    • 人: 普通话的亲属称谓词分为“核心家庭”和“远亲/社交称谓”两簇；英语则形成一个大簇。
    • 食物: 词汇分布清晰地反映了两国不同的饮食文化和烹饪习惯。
    • 身体: 词汇的聚类反映了对身体部位认知和划分的细微差异。

6. 总结讨论

• 核心结论:
  • 普通话和英语的语义空间既有共性（如名词/动词的基本划分），也有显著的特性。
  • 语言特性和文化差异深刻地体现在特定语义类别（如“人”、“拟声词”）的组织结构和关联方式上。
• 方法论意义:
  • t-SNE: 对于揭示语义类别结构是一种非常有效的可视化工具。
  • Procrustes 分析: 提供了一种不依赖于直接翻译对的、强大的跨语言语义空间比较框架。
• 研究局限性:
  • 词汇样本量相对较小。
  • 将词汇强制分配到单一类别简化了现实。
  • 类别和词汇的选择存在主观性。
  • 词嵌入本身混合了一个词的多种含义。
  • 普通话的词嵌入受到了简繁混合语料的影响。