自然语言处理
什么是自然语言处理？
什么是自然语言处理？
自然语言处理（Natural Language Processing，NLP）是一门人
工智能技术领域中的一个分支，其主要研究计算机与人类语言之间
的交互关系，即如何让计算机“理解”人类语言，并自己能够处理和
产生语言信息。
自然语言处理涉及语音识别、语音合成、文本分析、语言生成等方面，在信息检索、智能对话等领域具有广泛的应用，
能够帮助人们更加高效地处理语音和语言信息。
自然语言处理的难点在于人类语言的复杂性和多样性，不同的
语言、方言和语境中表达出的意思也会有所不同。
NLP技术要求具
备深厚的语言学、计算机科学、数学等多方面的知识，需要掌握文
本分析、机器研究、深度研究、神经网络等多种算法方法，以及大
量的数据支撑。
因此，目前实际应用场景仍然有限，但是随着技术
的不断迭代，自然语言处理的应用前景非常广阔。
近年来，随着互联网、智能移动设备等技术的发展，人们愈加
依赖于语音和文字交流，自然语言处理的意义也变得越来越重要。
可以预见，自然语言处理技术将会在金融、医疗、客服、智能家居
等领域得到广泛应用，带来颠覆性的变化和巨大的经济效益。
什么是自然语言处理技术？
什么是自然语言处理技术？自然语言处理（NLP）技术，是计算机从自然语言法律可获取的内容，来的研究和发展相应的程序，处理机器与人类之间的语言交流，是一门研究计算机与人类之间语言解释机制和模型的科学。
它是人工智能（AI）及其计算机科学范畴里的一个重要研究领域和技能。
本文将简要介绍自然语言处理技术：1. 什么是自然语言处理技术自然语言处理技术（NLP），是一组计算机技术，它以结构化的自然语言文本作为输入，并尝试输出具有特定意义的结果。
在一般的解释中，NLP的应用范围涵盖两个主要的方面：自然语言理解和自然语言生成。
自然语言理解是指计算机系统对自然语言文本的理解能力，它既要求计算机理解自然语言文本的含义，又要求其将机器理解和表示到其中转化为机器可识别的语言。
而自然语言生成则是指计算机系统接受机器识别的输入，并能够想象出文字的输出，使机器能够明白自然语言的意思。
2. NLP 的应用（1）NLP可以帮助机器理解和理解自然语言文本，并将获得的信息转换为机器识别的语言。
（2）NLP可以被应用在多个领域，如文字分析，图像识别，国际化（机器翻译），口语理解等。
（3）NLP 可以用于新闻文本的分类、意图识别、时间预测、自动文摘等等应用场景，扩大人们的数据以及意见的获取范围。
3. 自然语言处理技术的发展（1）伴随着深度学习和强化学习技术的发展，机器学习技术已被许多公司和企业广泛应用于AI产品的搭建，为自然语言处理带来更多算法上的支持；（2）大数据的发展，也提供了更多的数据库，为自然语言处理技术提供了更多练习库，改善了计算机系统的理解能力；（3）产业规范的完善也为更多领域的应用，提供了基础条件，而这一切都将提升自然语言处理技术在行业应用的准确率。
4. NLP对我们的生活有什么影响（1） NLP技术可以提升自动答复的准确度，更加方便我们与计算机系统的交流；（2）NLP技术也可以提升搜索引擎的准确度，让我们更快找到所需资源；（3）NLP技术还可以改善文字分析，帮助我们快速定位文本中的信息。
自然语言处理
20世纪90年代中期以 后，计算机的运算 速度和存储量大幅 提升，使得语音和 语言处理的商品化 开发成为可能
1994年，互联网商业 化和网络技术的发 展使得基于自然语 言的信息检索和信 息抽取的需求变得 更加突出。这两件 事从根本上促进了 自然语言处理研究 的复苏与发展
自然语言处理的研究方向
（1）文字识别 文字识别（OCR）借助计算机系统自动识别 印刷体或者手写体文字，将其转换为可供计 算机处理的电子文本。
移动项数的多少要依据现象发展的特点和统计分析的要求确定 实际应用中，移动平均法主要用来有效的消除不规则变动和季节变动对原
数列的影响 移动平均采用奇数项移动能一次对准被移动数据的中间位置，若采用偶数
项移动平均，一次移动平均后的数值将置于居中的两项数值之间
长期趋势的分析方法——指数平滑
指数平滑法是对过去的观测值加权平均进行预测，使第期的预 测值等于期的实际观测值与第期指数平滑值的加权平均值
自然语言处理
语言是人类智慧的结晶，它经历了漫长而缓慢
的发展过程，是人类交际、思维和传递信息的最重 要工具。
自然语言是指人们日常使用的语言，它是 随着人类社会不断发展演变而来的，是人类 沟通、交流的重要工具，也是人类区别于其 他动物的根本标志。
自然语言处理（Natural Language Processing， NLP）是指利用计算机对自然语言的形、音、 义等信息进行处理，即对字、词、句、篇章
（2）语音识别
语音识别，也称为自动语音识别，目标是将人类语 音中的词汇内容转换为计算机可读的输入。语音识 别技术的应用包括语音拨号、语音导航、室内设备 控制、语音文档检索、简单的听写数据录入等。
1956年，乔姆斯基 （Chomsky）提出 了上下文无关语法， 并把它运用到自然 语言处理中。他们 的工作直接开创了 基于规则和基于概 率这两种不同的自 然语言处理技术。
《自然语言处理》课件
模型在训练数据上表现良好，但在测试数据上表现不佳，这是因为模型过于复 杂并过度拟合训练数据。为了解决这个问题，可以采用正则化、早停法、集成 学习等技术。
语义理解的深度与广度问题
深度问题
目前自然语言处理模型主要关注词义和 句子的表面结构，难以理解更深入的语 义信息和语境。为了解决这个问题，需 要研究如何让模型更好地理解语境、把 握对话进程、理解比喻和隐喻等。
句法分析可以采用基于规则 的方法或基于统计的方法进 行。
基于规则的方法主要依靠人 工制定的规则进行句法分析 ，而基于统计的方法则通过 训练模型进行句法分析。
语义分析
01
语义分析是指对句子进行语义理解，识别句子中的 概念、实体、关系等语义信息。
02
语义分析是自然语言处理中的高级任务，需要结合 上下文信息和领域知识进行理解。
03
分词算法可以分为基于规则的方法和基于统计的方法两类。
04
基于规则的方法主要依靠人工制定的规则进行分词，而基于统计的方 法则通过训练模型进行分词。
词性标注
01 02 03 04
词性标注是指在分词的基础上，对每个词进行语义分类，确定其词性 。
词性标注是自然语言处理中的重要任务之一，有助于理解句子的结构 和语义。
06
自然语言处理前沿技术
预训练语言模型
预训练语言模型概述
预训练语言模型是一种深度学习模型，通过对大量文本数据的学 习，获得对语言的内在理解和生成能力。
代表性模型
如Transformer、BERT、GPT系列等，这些模型在自然语言处理任 务中表现出色，具有强大的语言生成和理解能力。
预训练语言模型的应用
VS
广度问题
自然语言处理模型在处理不同领域Байду номын сангаас不同 语言的文本时，表现往往不够稳定。为了 提高模型的泛化能力，需要研究如何让模 型更好地适应不同领域和语言的文本。
自然语言处理
自然语言处理自然语言处理（Natural Language Processing，NLP）是人工智能领域的一个重要分支，主要研究如何使计算机能够理解和处理人类语言。
通过NLP技术，人们可以利用计算机自动处理、理解和生成自然语言，实现人机交互、文本挖掘、机器翻译、智能问答等应用。
1. NLP的背景和意义在信息时代，海量的文字信息需要进行处理和理解。
但由于语言的复杂性和多样性，传统的机器处理技术无法有效处理和分析自然语言。
因此，NLP应运而生，旨在解决这一问题。
2. NLP的基本任务NLP的基本任务可以分为以下几类：(1) 分词：将连续的文本切分为有意义的词语。
(2) 词性标注：为句子中的每个词语标注其词性，如动词、名词、形容词等。
(3) 句法分析：分析句子的结构和成分关系，如主谓宾等。
(4) 语义分析：理解句子的语义，包括词义消歧、语义角色标注等。
(5) 机器翻译：将一种语言的文本转化为另一种语言的文本。
(6) 问答系统：根据用户提问，自动回答问题。
3. NLP的核心技术(1) 语言模型：用于计算一句话的概率，常用的方法有n-gram模型和神经网络模型。
(2) 词向量表示：将词语映射为向量形式，常用的方法有Word2Vec和GloVe等。
(3) 语义角色标注：标注句子中每个词语的语义角色，用于语义分析和问答系统。
(4) 命名实体识别：识别文本中的人名、地名、组织机构名等实体。
(5) 机器学习算法：包括支持向量机(SVM)、条件随机场(CRF)和深度学习等。
4. NLP在实际应用中的案例NLP技术在众多领域都有广泛应用，以下是几个典型的案例：(1) 机器翻译：将一种语言的文本翻译为另一种语言，如谷歌翻译等。
(2) 情感分析：分析文本中的情感倾向，用于产品评论、社交媒体舆情分析等。
(3) 文本分类：将文本划分为不同类别，如新闻分类、垃圾邮件过滤等。
(4) 自动摘要：提取文本中的关键信息，生成摘要。
(5) 问答系统：根据用户提问，自动回答问题，如智能客服等。
自然语言处理的三个阶段
自然语言处理的三个阶段
自然语言处理（NLP）可以分为三个主要阶段，语言理解、语言生成和语言应用。
首先是语言理解阶段，这个阶段的主要目标是让计算机能够理解人类语言的含义。
这包括词法分析（分词、词性标注）、句法分析（语法结构分析）、语义分析（理解单词和句子的含义）、语篇分析（理解文本的连贯性和逻辑关系）等。
在这个阶段，计算机需要能够识别语言中的实体、事件、关系等信息，并将其转化为计算机能够处理的形式。
其次是语言生成阶段，这个阶段的主要目标是让计算机能够像人类一样生成自然语言。
这包括从计算机内部的语言表示形式生成自然语言文本、对话系统中的回复生成、摘要生成等。
语言生成需要考虑语法正确性、语义连贯性、信息丰富度等方面，使得生成的文本自然流畅、表达准确。
最后是语言应用阶段，这个阶段的主要目标是将自然语言处理技术应用到实际问题中，包括机器翻译、信息检索、问答系统、情感分析、语音识别等。
在这个阶段，NLP 技术需要能够与其他领域
的技术结合，解决实际问题，为人们提供更便捷、智能的服务。
总的来说，自然语言处理的三个阶段相互交织、相互促进，共同构成了NLP 技术体系的重要组成部分。
通过这三个阶段的不断优化和发展，自然语言处理技术能够更好地满足人们在语言交流和信息处理方面的需求，为人们的生活和工作带来更多便利和效率。
什么是“自然语言处理”
什么是“自然语言处理”自然语言处理（Natural Language Processing, NLP）是计算机科学与人工智能领域中的一个重要分支，它涉及将计算机与人类语言相结合，以实现对文本和语言数据的处理与分析。
NLP的定义NLP的目标是使计算机能够理解、处理和生成自然语言。
自然语言是人类日常交流和沟通的方式，包括例如中文、英文、法文等语言。
NLP利用基于统计和机器研究的算法，以及语言学和计算语言学的知识，使计算机能够理解语言的含义、推理逻辑、进行文本分类和信息提取等任务。
NLP的应用领域NLP在当今社会中有着广泛的应用。
以下是一些NLP的应用领域：1. 机器翻译：NLP可以用于将一种语言的文本翻译成另一种语言，例如将英文翻译成中文。
2. 文本分类：NLP可以用于将文本按照不同的类别进行分类。
例如，将新闻文章按照新闻类别进行分类。
3. 信息提取：NLP可以从非结构化文本中提取有用的信息。
例如，从新闻文章中提取关键人物、地点和事件等信息。
4. 情感分析：NLP可以分析文本中的情感倾向。
例如，分析社交媒体上用户对某个产品的评论是积极还是消极的。
5. 问答系统：NLP可以用于构建智能问答系统，根据用户提出的问题提供准确的答案。
例如，智能语音助手可以回答用户的问题。
NLP的挑战尽管NLP在许多领域中被广泛应用，但它仍面临一些挑战：1. 语义理解：计算机理解语言的含义是一个复杂的任务。
人类语言具有丰富的语义和上下文，而准确理解和表达这些语义对计算机来说是具有挑战性的。
2. 多样性和歧义：同一句话可以有多种解释和含义，这使得计算机在理解和处理自然语言时面临歧义和多样性的问题。
3. 数据稀缺性：由于人们使用语言的方式多种多样，获取足够的标注数据用于NLP算法的训练是一个挑战。
4. 文化差异：不同文化之间存在语言和表达方式上的差异，这给NLP的跨文化应用带来了困难。
总之，自然语言处理是一个有挑战性但潜力巨大的领域。
自然语言处理方法
自然语言处理方法自然语言处理（Natural Language Processing, NLP）是计算机科学与语言学领域交叉的研究领域，旨在让计算机能够理解、处理和生成人类语言。
随着机器学习和人工智能的不断发展，NLP在各个领域的应用越来越广泛。
本文将介绍几种常见的自然语言处理方法。
一、文本预处理在进行自然语言处理之前，通常需要对文本进行预处理，以便更好地应用各种NLP方法。
文本预处理的步骤可以包括去除标点符号、停用词、数字，进行词干提取或词形还原等。
通过预处理可以降低文本的维度，并去除一些干扰信息，帮助模型更好地理解文本。
二、词袋模型（Bag of Words）词袋模型是一种常见的NLP方法，它将文本表示为词汇表中词语的计数向量。
在词袋模型中，文本的顺序和语法结构被忽略，只关注词语的出现次数。
词袋模型可以作为文本分类、文本聚类等任务的基础。
三、词嵌入（Word Embedding）词嵌入是将词语映射为低维实数向量的方法。
通过词嵌入，可以将词语的语义信息编码为向量表示，从而方便计算机进行进一步的处理。
常见的词嵌入方法有Word2Vec、GloVe等，它们通过学习语料库中单词之间的关系，生成高质量的词嵌入模型。
四、文本分类文本分类是自然语言处理中的重要任务之一，它将文本分为不同的类别。
常见的文本分类方法包括朴素贝叶斯分类器、支持向量机（SVM）、深度学习模型等。
这些方法根据文本的特征进行分类，可以广泛应用于情感分析、垃圾邮件过滤等场景。
五、信息抽取信息抽取是从结构化或半结构化文本中提取特定信息的过程。
常见的信息抽取任务包括命名实体识别（Named Entity Recognition, NER）、关系抽取等。
信息抽取可以为后续的知识图谱构建、问答系统等任务提供基础。
六、机器翻译机器翻译是将一种语言的文本自动翻译为另一种语言的任务。
随着神经网络的发展，神经机器翻译（Neural Machine Translation, NMT）成为了机器翻译领域的主流方法。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
自然语言处理2002．11．09中国科学院计算技术研究所1.综述.1.1. 绪论.1.1.1.背景,目标.1.1.1.1. 研究自然语言的动力1．语言是思维的裁体，是人际交流的重要工具。
在人类历史上以语言文字形式记载和流传的知识占到知识总量的80％以上。
就计算机的应用而言，据统计用于数学计算的仅占10％，用于过程控制的不到5％，其余85％左右都是用于语言文字的信息处理。
在这样的社会需求下，自然语言理解作为语言信息处理技术的一个高层次的重要方向，一直是人工智能界所关注的核心课题之一。
2．由于创造和使用自然语言是人类高度智能的表现，因此对自然语言理解的研究也有助于揭开人类智能的奥秘，深化我们对语言能力和思维本质的认识。
.1.1.1.2. 什么是计算语言学计算语言学（Computational Linguistics）指的是这样一门学科，它通过建立形式化的数学模型，来分析、处理自然语言，并在计算机上用程序来实现分析和处理的过程，从而达到以机器来模拟人的部分乃至全部语言能力的目的。
计算语言学（Computational Linguistics）有时也叫计量语言学（Quantitative Linguistics）, 数理语言学（Mathematical Linguistics）, 自然语言理解（Natural Language Understanding）, 自然语言处理（Natural Language Processing）, 人类语言技术（Human Language Technology）。
.1.1.1.3. 图灵测验在人工智能界，或者语言信息处理领域中，人们普遍认为可以采用著名的1950年描述的图灵试验(Turing Test )来判断计算机是否“理解”了某种自然语言。
.1.1.1.3.1.Turing模仿游戏(Imitation Game)●场景：男性被试、女性被试、观察者，3者在3个不同的房间，房间号分别为X, Y, O●规则：观察者用电传打字机与被试们通信，男性被试欺骗观察者、女性被试帮助观察者。
●目标：观察者要判断出X房间里被试的性别。
.1.1.1.3.2.Turing测试(Turing Test)●场景：被试人、计算机、观察者3者在3个不同的房间，房间号分别为X, Y, O●规则：观察者用“某种方式”与被试人和计算机通信计算机欺骗观察者、被试人帮助观察者●目标：观察者要判断出被试人在那个房间.1.1.1.3.3.全Turing测试(Total Turing Test)●场景：被试对象（人或计算机）、观察者，观察者可以看到被试对象●规则：观察者可以任意与被试对象通信●目标：观察者要判断出被试对象是人还是计算机.1.1.1.3.4.参考文献1．A. M. Turing，COMPUTING MACHINERY AND INTELLIGENCE，/~asaygin/tt/ttest.html连接的/departments/cog-sci/courses/1998/cs101/texts/Computing-machinery.htm l2．曹存根，《AI历史和问题》讲义，中科院计算所3．Roland Hausser,Foundations of Computational Linguistics,Springer,1999.1.1.2.研究历史.1.1.2.1. 20世纪50年代NLP于20世纪50年代早期开始于美国，当时美国害怕在空间竞赛中落败，需要翻译大量俄文科技文献，于是开发机器翻译系统，特别是俄英机器翻译系统，做法是采用词到词的翻译。
由于成本高而效率低，渐渐撤去了资金支持。
.1.1.2.2. 20世纪60年代60年代开发的自然语言理解系统，大都没有真正意义上的语法分析，而主要依靠关键词匹配技术来识别输入句子的意义。
在这些系统中设计者事先存放了大量包含某些关键词的模式，每个模式都与一个或多个解释(又叫响应式)相对应。
系统将当前输入句子同这些模式逐个进行匹配，一旦匹配成功便立即得到了这个句子的解释，而不再考虑句子中那些不属于关键词的成分对句子意义会有什么影响。
SIRSIR(Semantic Information Retrieval)是1968年B．Raphael完成的，这是他在美国麻省理工学院的博士论文研究工作的一部分。
系统用LISP语言编程。
这是一个理解机器的原型，因为它能把用户通过英语告诉它的事实记住，然后通过对这些事实的演绎来回答用户提出的问题。
SIR有能力接受英语的一个受限子集，它把输入句子同如下类型的24种关键词模式进行匹配：* is ** is part of *Is * * ?How many * does * have ?What is the * of * ?当符号“*”同输入句子中的一个名词相匹配时，该名词前面允许带有像a，the，every，each等冠词、量词或数词的修饰语。
每当匹配到一种模式，便会在程序中触发相应的动作。
STUDENT1968年美国麻省理工学院的博士研究生D．Bobrow完成了另一个基于模式匹配的自然语言理解系统STUDEN丁。
系统能理解和求解中学代数题。
ELIZA1968年，J．Weizenbaum在美国麻省理工学院设计的ELIZA系统，或许是这些基于“模式匹配”的自然语言系统中最有名一个。
系统模拟一位心理治疗医生(机器)同一位患者(用户)的谈话。
TGNoam Chomsky 创建了generative transformational grammar。
机器翻译中开始使用句法分析。
.1.1.2.3. 20世纪70年代进入70年代以后，一批采用句法—语义分析技术的自然语言理解系统脱颖而出，在语言分析的深度和难度方面都比早期系统有了长足的进步。
这个时期的代表作是LUNAR，SHRDLU和MARGIE系统。
LUNARLUNAR是第一个允许用普通英语同计算机数据库对话的人---机接口，是1972年美国BBN公司的W．Woods负责设计的。
系统用来协助地质学家查找、比较和评价阿波罗—11飞船带回的月球岩石和土壤标本的化学分析数据。
SHRDLUSHRDLU系统是1972年Terry Winograd设计的，这是他在美国麻省理工学院的博士学位研究工作。
SHRDLU是一个在“积木世界”中进行英语对话的自然语言理解系统。
系统模拟一个能操纵桌子上一些玩具积木的机器人手臂，用户通过人—机对话方式命令机器人捏弄那些积木块，系统则通过屏幕来给出回答并显示现场的相应情景。
这个系统是想说明让计算机理解语言是可以做到的；MARGIEMARGIE(Meaning Analysis，Response Generation，and lnference on Eng1ish)是由R．Schank及其学生们在美国斯坦福大学的人工智能实验室里建立的一个系统，目的是提供一种自然语言理解过程的直觉模型。
.1.1.2.4. 20世纪80年代实用化和工程化系统进入80年代以来自然语言理解系统的最大特点就是实用化和工程化。
其重要标志就是一批商品化的自然语言人----机接口和机器翻译系统出现在国际市场上。
著名的有美国人工智能公司(AIC)生产的英语人—机接口系统Intellect，美国弗雷公司生产的Themis人----机接口，美国加里福尼亚工学院研制的ASK接口；欧洲共同体在美国乔治敦大学开发的机译系统SYSTRAN的基础上成功地进行了英、法、德、西、意、葡等多语对的机器翻译，加拿大蒙特利尔大学开发的服务于天气预报领域的英法机译系统TAUM—METE0，日本富士通公司开发的ATLAS英日、日英机译系统，日本日立公司开发的HICATS英日、日英机译系统等等。
国内“七五”期间由中国软件总公司开发的商品化英汉机译系统“译星”(TRANSTAR)，也是这方面的一个范例。
语料库语言学(Corpus Linguistics)“语料库语言学(Corpus Linguistics)是80年代才崭露头角的一门计算语言学的新的分支学科。
它研究机器可读的自然语言文本的采集、存储、检索、统计、语法标注、句法语义分析，以及具有上述功能的语料库在语言定量分析、词典编纂、作品风格分析、自然语言理解和机器翻译等领域中的应用”。
语料库语言学(Corpus Linguistics)开始崛起。
首先它顺应大规模真实文本处理的需求，提出了以计算机语料库为基础的语言学研究及自然语言处理的新思想。
这个学派坚持认为语言学知识的真正源泉是大规模活生生的语料，计算语言学工作者的任务是使计算机能自动或半自动地从大规模语料库中获取理解语言所需的各种知识，他们必须客观地而不是主观地对库存的语言事实作出描述。
.1.1.2.5. 20世纪90年代1990年8月，在赫尔辛基召开的第13届国际计算语言学大会上，大会组织者首次提出了处理大规模真实文本的战略目标，并在会前组织了“大型语料库在建造自然语言系统中的作用”、“词典知识的获取与表示”和“电子词典”等专题讲座，预告了语言信息处理的一个新的历史阶段即将到来。
.1.1.2.6. 21世纪初.1.1.2.7. 21世纪20年代.1.1.2.8. 参考文献1）石纯一、黄昌宁、王家钦，《人工智能原理》，清华大学出版社2）Chris Manning and Hinrich Schutze，Foundations of Statistical Natural Language Processing，/fsnlp/3）周强，《基于语料库和面向统计学的自然语言处理技术介绍》，/research/papers/chinese/collection-2/zqlw6.htm.1.1.3.研究内容.1.1.3.1. 从计算的角度来研究语言的性质所谓从计算的角度来看语言的性质，就是要求将人们对语言的结构规律的认识以精确的、形式化的、可计算的方式呈现出来，而不是像其他语言学研究那样，在表述语言的结构规律时一般采用非形式化的表达形式。
.1.1.3.2. 将语言作为计算对象来研究相应的算法所谓将语言作为计算对象来研究相应的算法，是研究如何以机械的、规定了严格操作步骤的程序来处理语言对象（主要是自然语言对象，当然也可以是形式语言对象），包括一个语言片断（比如词组、句子或篇章）中大小语言单位的识别，该语言片断的结构和意义的分析（自然语言理解），以及如何生成一个语言片断来表达确定的意思（自然语言生成），等等.1.1.4.语言分析的不同层次.1.1.4.1. 基于语言构成划分层次.1.1.4.1.1.词汇.1.1.4.1.2.短语.1.1.4.1.3.句子.1.1.4.1.4.段落.1.1.4.1.5.篇章.1.1.4.2. 基于语言特征划分层次.1.1.4.2.1.音韵词与其发音的关系。