陈振宁，陈振宇

(1.浙江大学 人文学院 浙江 杭州，310058；2.复旦大学 中国语言文学系 上海，200433)

基于偏向相似性的自然语言关联和聚类研究

陈振宁1，陈振宇2

(1.浙江大学 人文学院 浙江 杭州，310058；2.复旦大学 中国语言文学系 上海，200433)

聚类按关联进行分类，关联和聚类分析的基础是相似性计算。通常相似性是指绝对相似性，具有对称性。但自然语言研究中发现大部分规律都是偏向的，具有不对称性，需要用偏向的思路来考察不对称的关联和聚类策略:以类似条件概率的概率蕴涵指标来描写特征间的不对称关联，并在此基础上定义优势关系、紧密关系、控制中心、中途岛等关联特性；基于偏向相似性的聚类策略，从而能更好地处理语言本体研究中的“假性孤立点”、数据稀疏问题和家族象似性类型的聚类。

不对称性，条件概率，关联，聚类

1 引言

聚类分析是在无监督情况下将对象按一组特征进行分类的统计方法:按研究问题要求确定特征和对象“相似性”或“距离”的计算方法，并根据计算得到的距离或相似性，按一定策略聚类[1-3]。

针对自然语言系统的聚类研究，目前为止主要的应用领域是对自然语篇的聚类，聚类后的类型主要和语篇的题材、话题、语体、风格有关[2]。从语言学的角度来看，就是对语篇级别的“语用、修辞”领域的研究。而在句法语义这些语言本体研究的“重镇”，相关研究还非常有限。

在语言本体尤其是句法语义研究中，研究者常常遇到这样一个问题:研究的特征和对象表现出很强的“偏向”，偏向的规律也往往是语言本体研究的重点。……