overtrue/pinyin-resources

汉语拼音相关参考资料

此项目为我在开发 overtrue/pinyin 时所用到的参考的资料收集，旨在方便有同样需求的朋友。

汉字的多音字处理

以下内容摘自: 《汉语同音字和多音字处理方法研究》- 杨宪泽,谈文蓉,刘玉萍,张 楠,殷 锋

中文是象形文字,字数多,字形复杂。西文是拼音文字，英文只有 26 个字母，加上大写小写及数字符号，总数不超过 128 个，用七位二进制码就可表达。而中文字成千上万,要用十几位二进制码才能把它们区别开来, 这给存储乃至输入方式等都造成困难。

多音字判别方法中技术的关键是基于统计特征， 特征提取使多音字正确判音有效。特征包含在特征词典中, 采用规则描述。共定义了以下特征:

• 词内左右邻接字

  通式为: X_i-1 X_i 和 X_i X_i+1。X_i 是当前要判断读音的多音字，这是处理多音字在不同的词语中读不同的音的情况 。例如 “人参” 与 “参加”、“银行” 与 “行程”、“重量” 与 “重复” 等等 。

• 左右邻接词

  通式为:W_i-1 X_i 和 X_iW_i+1 。X 是当前要判断读音的多音字，W_i-1 和 W_i+1 是多音字 的左右邻接词，这是处理多音字与不同的邻接词读不同的音的情况 。例如“相当长”、“大队长”、“长方形” 等等。

• 当前词的词性

  例如 “数” 作名词的读法和作动词的读法，“更” 作名词的读法和作副词的读法等等。

• 边界条件

  该特征是有的字在句首 、句末或不同位置读音不同，更多地体现在一些语气助词上面 。例如 “了” 在句中和句末时读音往往不会相同 。

参考资料

页面

• 《汉语转拼音-----带音调和多音字识别》
• 《C#分词算法：正向、逆向、双向最大匹配算法》
• 汉字改革 - 维基百科

统计分析与规范文档

• 《Frequency statistics 频率统计 - 音素和音节频率》- http://lingua.mtsu.edu
• 《Syllable frequencies with tones 记调音节频率》- http://lingua.mtsu.edu
• 《Character frequency lists 汉字单字频率列表》- http://lingua.mtsu.edu
• 《普通话异读词审音表》1985 年 12 月修订 - 国家语言文字工作委员会

需求设计

• 汉字转拼音 (hz2py)

网站

• CC-CEDICT
• UNICODE CHARACTER DATABASE
• lingua.mtsu.edu - 中文文本计算
• 汉典
• 开源词典
• 中华语文知识库（大陆版）
• 中華語文知識庫（台灣版）

论文

• 《汉语同音字和多音字处理方法研究》- 杨宪泽,谈文蓉,刘玉萍,张 楠,殷 锋

开源项目

• janx/ruby-pinyin
• hotoo/node-pinyin
• mozillazg/python-pinyin
• "结巴"中文分词
• 中文书刊排版相关标准和规范

License

CC0 1.0 Universal