構造漢語的統(tǒng)計計算語言模型

1、漢字編碼,1,漢字編碼,漢字編碼,2,漢字編碼現(xiàn)狀及其根源,多種編碼方案共存，不利于交流和共享新舊標準同臺使用，需相互轉換統(tǒng)一標準正在形成中、日、韓、新等多國同時使用漢字簡繁體漢字并存地區(qū)、國家間的文化、政治差異增加了漢字統(tǒng)一編碼的難度,漢字編碼,3,主要漢字(文字)編碼標準與規(guī)范,ASCII(英文)GB2312GBKGB13000GB18030BIG5Shift_JISISO/IEC 10646Unicode

2、,漢字編碼,4,漢字的幾種通行名稱,Hanzi,Hantsu,漢字Ideographic character,表意字符，中文字符Kanji-日文中的叫法Hanja-朝鮮文中的叫法CJK-中日韓通用字符集Unihan,漢字編碼,5,ASCII碼,,美國信息交換標準編碼(“美標”)用從0到127的128個數(shù)字來代表信息的規(guī)范編碼包括33個控制碼，一個空格碼，和94個形象碼形象碼中包括了英文大小寫字母，阿拉伯數(shù)字，標點符號等

3、國際上大部分電腦的通用編碼,漢字編碼,6,文本文件與二進制文件,,字符大都是用一個八位二進制數(shù)字表示，美標只規(guī)定了128個編碼，剩下的另外128個數(shù)碼沒有規(guī)范，美標中的33個控制碼，各廠家用法也不盡一致文本文件(ASCII Text Files) ：美標形象碼或空格碼組成，通?？稍诓煌娔X系統(tǒng)間直接交換二進制文件(Binary Files) ：含有控制碼或非美標碼的文件，通常不能在不同電腦系統(tǒng)間直接交換,漢字編碼,7,國標、區(qū)位、“

4、準國標” 、機內碼,,國標：中華人民共和國國家標準信息交換用漢字編碼國標(GB2312-80)表（基本表）把七千余漢字、以及標點符號、外文字母等，排成一個94行、94列的方陣每一橫行叫一個“區(qū)”，每個區(qū)有九十四個“位”一個漢字在方陣中的坐標，稱為該字的“區(qū)位碼”例如“中”字在方陣中處于第５４區(qū)第４８位，它的區(qū)位碼就是5448,漢字編碼,8,區(qū)位碼表,,區(qū)位碼來源于信息交換用漢字編碼字符集（基本集）國家標準(GB2312-80)，

5、該標準收漢字6763個，第一級3755個，位于16至55區(qū)，55區(qū)的最后5個字符沒有定義；第二級3008個，位于56至87區(qū)第一級漢字按照漢語拼音字母順序排列，同音字以筆形順序橫（一）、直（丨）、撇（丿）、點（丶）、折（乙）為序。起筆相同按第二筆，依次類推。第二級漢字按部首排序，本標準采用的部首與一般字典用的部首基本相同，略有改變。部首次序及同部首字按筆劃數(shù)排列，同筆劃數(shù)的字以筆形順序橫（一）、直（丨）、撇（丿）、點（丶）、折（乙）

6、為序。起筆相同按第二筆，依次類推。查表時先查區(qū)號，再查行、列，例如：“、”是0102，“藹”是1610。,漢字編碼,9,例,,,,漢字編碼,10,例,,,,,漢字編碼,11,例,,,漢字編碼,12,例,,,漢字編碼,13,例,,,漢字編碼,14,例,,,漢字編碼,15,國標、區(qū)位、“準國標”、機內碼,94:美標中形象碼的總數(shù),33--126 漢字區(qū)、位碼各加上32，就會與美標形象碼的范圍重合,稱為該字的“國標碼”,與其相對應的兩個

7、美標符號，為該字的“國標符” 如何區(qū)分國標符與美標符：國標碼的兩個數(shù)字各加上128，稱“準國標”或“機內碼”機內碼=（區(qū)位碼）H + 8080H +2020H,漢字編碼,16,BIG5碼,針對繁體漢字的編碼，在臺灣、香港的電腦系統(tǒng)中得到普遍應用,,漢字編碼,17,ISO/IEC 10646,一個國際標準編號,國際標準化組織（ISO）1993年正式頒布 英文全稱：Information technology - Universal

8、 Multiple - Octet Coded Character Set,簡稱UCS 中文全稱：信息技術--通用多八位編碼字符集，亦稱大字符集宗旨:全球所有文種統(tǒng)一編碼,漢字編碼,18,Unicode,,英文Universal Code的縮略語統(tǒng)一編碼是對國際標準ISO/IEC 10646編碼的一種稱謂是一個企業(yè)聯(lián)盟集團的名稱,由美國的HP、Microsoft、IBM、Apple等幾家知名的大型計算機企業(yè)所組成,成立該集團的

9、宗旨就是要推進多文種的統(tǒng)一編碼就內容而言，Unicode和ISO/IEC 10646是一致的，并行的,漢字編碼,19,CJK-中日韓統(tǒng)一漢字,把中國、日本與韓國的英文稱謂的首字母用于ISO/IEC 10646中的中、日、韓統(tǒng)一編碼漢字的簡稱UnihanCJKV或許更準確，V代表越南,漢字編碼,20,ISO/IEC 10646 的體系結構,,四維的編碼空間總體上分為128個三維組（group）, group的值范圍是從00到7F

10、每一組包含256個平面(plane)，每一個平面包含256行(row)，每一行包含256個字位(cell)，又稱為“列”,plane、row、cell的值范圍都是從00到FF全編碼整個編碼字符集的每個字符都是由4個八位序列表示,(按照組八位、面八位、行八位、列八位的順序) 可編碼空間為：128X256X256X256=32KX64K,漢字編碼,21,ISO/IEC 10646體系結構圖,,,漢字編碼,22,基本多文種平面,,第一個

11、平面（00組中的00平面）稱作Basic Multilingual Plane(基本多文種平面)，簡稱BMP，并在其上規(guī)定了雙八位形式，它可以作為雙八位編碼字符集使用,即在此平面上僅用行、列兩個八位就可以表示一個編碼字符,漢字編碼,23,BMP的最新概貌,,A-Zone(00至4D行) ：拼音文字編碼區(qū),拉丁文、阿拉伯文、日文的平假名及片假名、數(shù)學符號等都在此區(qū)域編碼CJK Unified Ideographs，Extension A

12、(3400-4DB5)(6000多碼位 )CJK Unified Ideographs(4E00-9FA5)(20902個編碼漢字 )韓文 (AC至D7這44行（44X256=11264）)S-ZONE (D8至DF行)for UTF-16R-Zone(E0至FF行):限制使用區(qū)，一些兼容字符、字符的變形顯現(xiàn)形式、特殊字符等均放在此區(qū),漢字編碼,24,ISO/IEC 10646空間分配現(xiàn)狀,,00平面:BMP，被用于全球現(xiàn)已規(guī)范

13、語種的基本文字編碼，編碼空間已基本飽和01平面:作為拼音文字輔助平面02平面:作為漢字輔助平面，CJK Extension B即將放入該平面E0至FF平面:作為該標準的專用平面來使用 其它空間尚未分配,漢字編碼,25,ISO/IEC 10646中CJK漢字組成,,CJK統(tǒng)一編碼漢字（20902）CJK擴充集A(6585)CJK擴充集B(4萬--),漢字編碼,26,什么是UTF?,Unicode transformation

14、formatUCS transformation format從Unicode碼點到唯一字節(jié)序列的映射算法，一一映射，保證無損轉換,漢字編碼,27,UTF-16,Unicode標準的16位編碼形式為每個字符指定一個16位的值編碼形式與ISO/IEC 10646中的定義形式相同以一個16位的值來編碼映射到不大于65535數(shù)值的字符，映射到大于65535的數(shù)值的字符則被編碼成一組16位的值（代用對）,漢字編碼,28,UTF-8,為

15、滿足面向字節(jié)、基于ASCII碼系統(tǒng)的需要而制定(主要用于數(shù)據(jù)傳輸、互聯(lián)網(wǎng))用最多達4個字節(jié)的序列來表示每個字符，為有效分析字符串，用第一個字節(jié)指明某個多字節(jié)序列中的字節(jié)數(shù)通常用于數(shù)據(jù)交換,,漢字編碼,29,UTF-32,每個字符都表示成一個32位的整數(shù)碼長相等，便于某些特殊情況的處理Unix系統(tǒng)使用,漢字編碼,30,字節(jié)順序標記(BOM),指示處理器怎樣把連續(xù)的文本放到一個字節(jié)序列中權值最低的字節(jié)位于開頭叫做“l(fā)ittle-e

16、ndian”,權值最高的字節(jié)位于開頭叫做“big-endian”可用作識別文本文件編碼形式的依據(jù),漢字編碼,31,Windows對Unicode的支持,Windows 3.1, Windows NT 4, Windows 2000, Windows XP支持Unicode.如果在這些操作系統(tǒng)上運行非Unicode編碼程序，在處理之前，操作系統(tǒng)在其內部將應用程序的文本轉化為Unicode編碼的文本，在把信息傳回應用程序之前，操作系統(tǒng)把U

17、nicode編碼的文本轉化回所希望的代碼頁編碼形式。Windows 95, Windows 98, Windows Me不是基于Unicode的，它們只提供了基于Windows NT的Windows版本所提供的Unicode支持的一個子集,漢字編碼,32,GBK,漢字內碼擴展規(guī)范，Rules/Specifications defining the extensions of internal codes for Chinese ide

18、ograms為了推進Unicode的實施，同時也是為了向下兼容,由電子部與國家技術監(jiān)督局聯(lián)合頒布 在保持GB2312原貌的基礎上，將其字匯擴充與ISO 10646中的CJK等量，同時也包容了臺灣的工業(yè)標準Big5碼漢字，此外還為用戶留了1894個碼位的自定義區(qū),漢字編碼,33,GB18030-2000,信息技術-信息交換用漢字編碼字符集-基本集的擴充，Information technology-Chinese ideograms

19、coded character set for information interchange-Extension for the basic setGBK的替代、超集,漢字編碼,34,GB18030-2000,完全包含CJK(Unihan) Extension A與GBK完全兼容(code- and character- compatible)的同時，為所有其它Unicode碼點提供了空間定義了4字節(jié)編碼機制,漢字編碼,35,G

20、B18030-2000碼位范圍分配表,,2字節(jié)編碼共23940個碼位4字節(jié)編碼共超過150萬個碼位,漢字編碼,36,ISO 10646/Unicode的實現(xiàn)及其重要意義,,在全球范圍內建立起實時、無障礙的信息交換模式推動了漢字典籍的數(shù)字化為數(shù)字化圖書館的建立鋪平了道路為弘揚漢字文化提供了舞臺Single Binary技術的誕生：同一套基本程序用于多個語言環(huán)境的技術使?jié)h字關聯(lián)活起來：正-異關聯(lián)、中-日關聯(lián)、繁-簡關聯(lián)，正-訛關