思鄉(xiāng)的詩詞范文

導語：如何才能寫好一篇思鄉(xiāng)的詩詞，這就需要搜集整理更多的資料和文獻，歡迎閱讀由公文云整理的十篇范文，供你借鑒。

篇1

2、今不見，但山川滿目淚沾衣?！翖壖病赌咎m花慢·席上送張仲固帥興元》

3、巴山楚水凄涼地，二十三年棄置身?！獎⒂礤a《酬樂天揚州初逢席上見贈》

4、百結愁腸郁不開，此生惆悵異鄉(xiāng)來?！镨毒湃崭匈x》

5、墻外行人，墻里佳人笑?！K軾《蝶戀花·春景》

6、送老薤鹽何處是，我緣應在吳興?！惪恕杜R江仙·四海十年兵不解》

7、淚鴻怨角，空教人瘦?！度瘕堃鳌に兔方颉?/p>

8、唼流牽弱藻，斂翮帶馀霜?！蚣s《詠湖中雁》

9、老至居人下，春歸在客先?！獎㈤L卿《新年作》

10、吠犬雜鳴雞，燈火熒熒歸路迷?！{蘭性德《南鄉(xiāng)子·秋暮村居》

11、湖海倦游客，江漢有歸舟?！獜埿⑾椤端{(diào)歌頭·過岳陽樓作》

12、自從一閉風光后，幾度飛來不見人?！钜妗端鍖m燕》

13、近鄉(xiāng)情更怯，不敢問來人。——宋之問《渡漢江》

14、他鄉(xiāng)共酌金花酒，萬里同悲鴻雁天?！R照鄰《九月九日玄武山旅眺》

15、相顧無相識，長歌懷采薇?！蹩儭兑巴?/p>

16、古臺搖落后，秋日望鄉(xiāng)心?！獎㈤L卿《秋日登吳公臺上寺遠眺》

17、永夜角聲悲自語，客心愁破正思家?！粼俊锻稀び闹菥湃铡?/p>

18、薊城通漠北，萬里別吾鄉(xiāng)。——李頎《古塞下曲》

19、眇眇孤舟逝，綿綿歸思紆。——陶淵明《始作鎮(zhèn)軍參軍經(jīng)曲阿作》

20、誰問旗亭，美酒斗十千?！R鑄《行路難·縛虎手》

21、海人無家海里住，采珠役象為歲賦。——王建《海人謠》

22、日落征途遠，悵然臨古城?！畎偎帯肚锿淼枪懦恰?/p>

23、傍鄰聞者多嘆息，遠客思鄉(xiāng)皆淚垂?！铐牎堵牥踩f善吹觱篥歌》

24、磧里征人三十萬，一時回向月明看。——李益《從軍北征》

25、正見空江明月來，云水蒼茫失江路?！獨W陽修《晚泊岳陽》

26、醉后莫思家，借取師師宿?！處椎馈渡樽印ぢ涿吠ラ肯恪?/p>

27、悠悠天宇曠，切切故鄉(xiāng)情?！獜埦琵g《西江夜行》

28、一年將盡夜，萬里未歸人。——戴叔倫《除夜宿石頭驛》

29、旅枕元無夢，寒更每自長?！獏伪局小赌细枳印んA路侵斜月》

30、半窗燈暈，幾葉芭蕉，客夢床頭。——《訴衷情·秋情》

31、內(nèi)苑只知含鳳觜，屬車無復插雞翹?！钌屉[《茂陵》

32、我夢揚州，便想到揚州夢我?！嵺啤稘M江紅·思家》

33、詩酒社，水云鄉(xiāng)。——辛棄疾《鷓鴣天·送元濟之歸豫章》

34、到家應是，童稚牽衣，笑我華顛?！獏羌ぁ对V衷情·夜寒茅店不成眠》

35、春風一夜吹鄉(xiāng)夢，又逐春風到洛城?！湓狻洞号d》

36、畫圖省識春風面，環(huán)佩空歸夜月魂。——杜甫《詠懷古跡五首·其三》

37、遙窺正殿簾開處，袍袴宮人掃御床。——薛逢《宮詞》

38、憑高遠望，見家鄉(xiāng)、只在白云深處。——王瀾《念奴嬌·避地溢江書于新亭》

39、白水滿春塘，旅雁每迥翔。——沈約《詠湖中雁》

40、萬頃煙波萬頃愁。——淮上女《減字木蘭花·淮山隱隱》

41、夜寒茅店不成眠，殘月照吟鞭。——吳激《訴衷情·夜寒茅店不成眠》

42、莫道春來便歸去，江南雖好是他鄉(xiāng)?！豕А洞貉恪?/p>

43、幾度思歸還把酒，拂云堆上祝明妃?！拍痢额}木蘭廟》

44、金甌已缺總須補，為國犧牲敢惜身！嗟險阻，嘆飄零。——秋瑾《鷓鴣天·祖國沉淪感不禁》

45、刷羽同搖漾，一舉還故鄉(xiāng)?！蚣s《詠湖中雁》

46、夜聽胡笳折楊柳，教人意氣憶長安?！鹾病稕鲋菰~二首》

47、共看明月應垂淚，一夜鄉(xiāng)心五處同?！拙右住锻掠懈小?/p>

48、兒童見說深驚訝，卻問何方是故鄉(xiāng)?！髨蚍锻荻宋纭?/p>

49、其三阻涉鯨波寇盜森，中原回首涕沾襟。——李綱《渡海至瓊管天寧寺詠阇提花三首》

50、移家雖帶郭，野徑入桑麻?！ㄈ弧秾り戻櫇u不遇》

51、升高欲自舒，彌使遠念來。——柳宗元《湘口館瀟湘二水所會》

52、門有車馬客，駕言發(fā)故鄉(xiāng)。——陸機《門有車馬客行》

53、故國山川，故園心眼，還似王粲登樓。——周密《一萼紅·登蓬萊閣有感》

54、雁足無書古塞幽。——史達祖《鷓鴣天·衛(wèi)縣道中有懷其人》

55、從今后，夢魂千里，夜夜岳陽樓?！炀龑毱蕖稘M庭芳·漢上繁華》

56、淮南皓月冷千山，冥冥歸去無人管?！纭短ど小ぷ糟鏂|來》

57、不道中原歸思、轉凄涼?！獏伪局小赌细枳印んA路侵斜月》

58、風露浩然，山河影轉，今古照凄涼?！惲痢兑粎不āは猛嬖伦鳌?/p>

59、芳草已云暮，故人殊未來?！f莊《章臺夜思》

60、不忍登高臨遠，望故鄉(xiāng)渺邈，歸思難收。——柳永《八聲甘州·對瀟瀟暮雨灑江天》

61、明朝望鄉(xiāng)處，應見隴頭梅?！沃畣枴额}大庾嶺北驛》

62、烽火平安夜，歸夢到家山?！夼c之《水調(diào)歌頭·題劍閣》

63、辜負枕前云雨，尊前花月。——張元干《石州慢·寒水依痕》

64、我醉歌時君和，醉倒須君扶我，惟酒可忘憂?！K軾《水調(diào)歌頭·安石在東?！?/p>

65、夜來風雨，春歸似欲留人?！翖壖病渡衔髌健に投攀甯摺?/p>

66、滿衣血淚與塵埃，亂后還鄉(xiāng)亦可哀。——高啟《送陳秀才還沙上省墓》

67、未老莫還鄉(xiāng)，還鄉(xiāng)須斷腸?！f莊《菩薩蠻·人人盡說江南好》

68、江漢思歸客，乾坤一腐儒?！鸥Α督瓭h》

69、二月江南花滿枝，他鄉(xiāng)寒食遠堪悲?！显魄洹逗场?/p>

70、茂苑人歸，秦樓燕宿，同惜天涯為旅。——《齊天樂·新煙初試花如夢》

71、那邊云筋銷啼粉，這里車輪轉別腸?！翖壖病耳p鴣天·送元濟之歸豫章》

72、上有流思人，懷舊望歸客?！x朓《送江水曹還遠館》

73、綺羅心，魂夢隔，上高樓。——孫光憲《酒泉子·空磧無邊》

74、東風漸綠西湖柳，雁已還、人未南歸?！苊堋陡哧柵_·送陳君衡被召》

75、萬里歸船弄長笛，此心吾與白鷗盟。——黃庭堅《登快閣》

76、鄉(xiāng)國真堪戀，光陰可合輕?！拙右住堵鍢蚝橙兆魇崱?/p>

77、臥龍躍馬終黃土，人事音書漫寂寥?！鸥Α堕w夜》

78、青山朝別暮還見，嘶馬出門思舊鄉(xiāng)?！铐牎端完愓赂Α?/p>

篇2

洛陽城里見秋風，欲作家書意萬重。

復恐匆匆說不盡，行人臨發(fā)又開封。

2、《歸家》唐·杜牧

稚子牽衣問，歸來何太遲？

共誰爭歲月，贏得鬢邊絲？

3、《九月九日憶山東兄弟》唐·王維

獨在異鄉(xiāng)為異客，每逢佳節(jié)倍思親。

遙知兄弟登高處，遍插茱萸少一人。

4、《鄉(xiāng)思》宋·李覯

人言落日是天涯，望極天涯不見家。

篇3

一、 “同類二次根式”與“同類項”

【解析】（1）（2）組中的二次根式被開方數(shù)相同，稱為同類二次根式；而第（3）組中二次根式，經(jīng)過化簡后被開方數(shù)也相同，所以也是同類二次根式.

【感悟】七年級時確定同類項的方法：一看字母要相同，二看相同字母的指數(shù)分別相同，三不看系數(shù). 現(xiàn)在判斷同類二次根式的方法：一化為最簡，二看被開方數(shù)，三不看根號外的系數(shù).

二、 “合并同類二次根式”與“合并同類項”

【感悟】整式的加減的實質(zhì)就是合并同類項，而二次根式加減的實質(zhì)就是合并同類二次根式；利用類比的思想可歸納二次根式加減的步驟：一化簡，二尋找，三合并.

三、 “二次根式的乘除運算”與“整式的乘除運算”

【解析】二次根式的乘除運算中，出現(xiàn)了類似多項式乘以單項式、多項式除以單項式，多項式乘以多項式的運算，因此整式的乘法法則和乘法公式仍然適用. 同學們自己嘗試計算.

篇4

為什么在歷史研究中出現(xiàn)了這樣的修辭轉向，其原因比較復雜，除了對以往在歷史研究中一直強調(diào)歷史的事實和規(guī)律的不同認識之外，再就是對歷史研究的客體有了新的理解。如果說歷史研究是對過去的世界，或者說社會做出解釋，那么現(xiàn)在，歷史學家已經(jīng)開始將這個過去的世界與社會分為兩種：一是實體性的社會，二是由儀式、象征與語言所構成的虛體社會，即如霍布斯所說的"人工的世界"。過去，歷史研究關注于實體的世界，現(xiàn)在開始重視這個"人工的世界"。而這個"人工的世界"的變化則在某種程度上是由于我們所運用不同的語言而引起的，或者說，我們是通過運用不同詞語進行描述與評價的方式來改變與建構著這個"人工的世界"。正是在這一意義上，修辭就成為理解這個"人工的世界"的獨特的重要內(nèi)容，修辭性的再描述和再評價的功能自然也就在歷史研究中發(fā)揮著重要的作用，成為了歷史研究的一種方法。

具體而言，就思想史研究與這個"人工的世界"的關系來說，它包括以下幾個方面：

第一，在一個社會中，人們所運用的某些特定的詞匯改變了內(nèi)容或視角，或者該詞匯本身被廢棄，我們需要對此進行追溯和研究。例如"政府"，在16、17世紀時的一批思想家那里，都稱為"公民政府"（civil government），為什么后來就不再這樣稱呼，而沒有了"civil"這樣的前綴詞。（例如，洛克的《政府論》這個標題就是用"civil government"這樣的詞語）

第二，我們用來描寫和評價我們這個社會與世界的詞匯的含義始終并不固定，有時甚至相反。例如馬基雅維里將慷慨看成為美德，而在歐洲其他地區(qū)則為惡行。

第三，在任何社會中，我們所接受的概念含義和觀念的變化（如轉換，衰退、取消或者不被接受）常常體現(xiàn)為一種修辭。斯金納說："沒有一般概念的歷史，只有其在辯論中用法的歷史。"（李宏圖、胡傳勝譯：前引書，第37頁）這里的"辯論"指的就是修辭。因此，"概念"不能僅僅歸結為意義，相反，某個概念的意義維度始終與語言行動相關聯(lián)。（李宏圖、胡傳勝譯：前引書，第37頁）如對社會價值的變化與重新評價，在我們接受了某種社會價值觀的時候，可能僅僅是由于修辭的勸說我們才得以接受。還有，同一件事情，起初人們并不接受，而在當你重新描寫后，并且勸說了你的聽眾接受了你的重新描寫，你也就接受了這一件事情，但沒有人意識到這些修辭所表述的只是同一件事情。因此，修辭上所說的"打動"(move)就格外重要。對此，最為典型的莫過于在古代希臘，據(jù)記載，卡尼德斯前一天令人信服地說服人們支持這場正義的戰(zhàn)爭，在隨后的第二天，他又同樣將這場戰(zhàn)爭說成是非正義的，并成功地說服他們反對這場非正義的戰(zhàn)爭。因此，正如霍布斯所說，即使如果用演繹的方式來論證道德和政治原則是可能的，但我們的論點也決不會有說服力，除非我們用修辭藝術來加強這些論點。

第四，在政治領域，修辭不僅是一種文法技巧，而且也成為了一種政治文化，從而影響了不同國家的政治體制的發(fā)展。早在古代希臘時期，著名的思想家西塞羅就反復強調(diào)，公民科學的思想是由兩種不可或缺的成分構成：一種是理性，這是使我們有能力揭示真理的能力；另外一種是修辭，這是使我們有能力以雄辯的方式展示真理的藝術。由于理性缺乏任何說服我們并把我們帶向真理光芒的內(nèi)在能力，這樣，公民科學的一個關鍵性內(nèi)容就是要有雄辯的藝術形式，即修辭學，其功能是以一種精心設計的說服人們的方式來說服人。這樣的一種公民民主政治文化傳統(tǒng)一直延續(xù)了下來，成為了很多國家的政治文化傳統(tǒng)。如英國議會有論辯的傳統(tǒng)，而法國則沒有。英國議會的論辯在本質(zhì)上則是一種修辭，由此，也使修辭成為了英國特有的一種政治活動、政治傳統(tǒng)和政治文化。而這樣兩個不同的政治文化傳統(tǒng)反過來又對兩個國家的政治體制產(chǎn)生了重要的影響。正是從這樣的一種修辭性的政治文化傳統(tǒng)中，我們可以揭示出，為什么英國的議會成為了能夠?qū)ν鯔嗥鹬撤N制約的力量，而在法國，則在幾百年內(nèi)沒有召開過三級議會，形成了強大的王權。應該看到，這里所講的修辭不僅是指文字上的，而且還包括了"雄辯"的演說。如果從歷史上來看，早在古代希臘和羅馬時期，它就已經(jīng)成為了民主政治的重要內(nèi)容，因此也就成為了一個國家特有的政治文化。這樣，我們就需要從修辭的視角來對此加以進行研究。

篇5

關鍵詞：詞相似度；詞表示；免疫原理；分布式語義假設

中圖分類號：TP391.41 文獻標識號：A 文章編號：2095-2163（2014）02-

Word Similarity Measure based on Immune Principles Inspired Word Representation

YANG Jinfeng， GUAN Yi

（School of Computer Science and Technology， Harbin Institute of Technology， Harbin 150001， China）

Abstract： Word similarity measure is important to researches on natural language processing， information extraction， etc. Corpus based similarity computing is a most important type of methods for the task， by which word vector-representations are learnt from corpuses and are applied for word similarity measure with a cosine function. This research proposes a new method for word similarity computing based on immune principles inspired word representations. The proposed method is validated on the data set of SemEval 2012 Task 4 and is compared with other published researches. Experimental results show that the proposed method is effective and outperforms most other published researches.

Keywords： Word Similarity； Word Representation； Immune Principle； Distributional Hypothesis

0 引 言

面向詞的語義相似度問題主要體現(xiàn)在兩個方面的研究，一個是基于屬性相似的詞語義相似度，一個是基于模式相似的詞關系相似度[1]。本研究主要關注基于屬性相似的詞語義相似度計算。如果兩個詞之間有較高的屬性相似度，那么稱這兩個詞為義詞。詞相似度計算是為了挖掘語義相似的詞或者相關的詞，用于緩解數(shù)據(jù)稀疏的問題，因而在自然語言處理、信息抽取、信息檢索等任務中發(fā)揮重要作用，比如特征抽取、查詢擴展、問句匹配等。詞語義相似度計算方法主要有兩類，一類是基于詞典或敘詞表的方法，這類方法的典型特點是通過計算詞典中與兩個詞相關聯(lián)的邊的數(shù)量計算詞的相似度；另一類方法是基于語料的方法，這類方法的典型特點是獲取詞的上下文信息，處于相似上下文的詞具有一定的相似度[2]。第二類方法不受限于詞典的規(guī)模，可擴展性好，逐漸成為主流方法。本研究采用第二類方法，從語料中學習詞的向量表示，并基于詞表示計算詞的相似度。現(xiàn)有的詞表示方法研究都不具備持續(xù)學習能力，無法適應新的語料或者新的領域。為此，一種新的基于適應性免疫原理的多詞主體自治學習模型[3]和基于免疫原理的詞表示方法[4]被提出來?；诿庖咴淼脑~表示實際上也是從詞所在的語句中獲取與該詞相關的上下文信息，因而基于免疫原理的詞表示用于詞相似度計算是很自然的應用點。本文提出一種新的基于免疫原理詞表示的詞相似度計算方法，并在SemEval 2012 Task 4數(shù)據(jù)上進行了驗證。通過對比實驗證明，本文提出的詞相似度計算方法不僅可行、而且有效。

1 相關工作

詞相似度計算在應用中具有非常重要的意義，因而該研究一直備受關注?；谠~典的方法簡單易行，并且準確率較高，但是受限于詞典的規(guī)模。在開放領域，常用的詞典有：英文詞典是WordNet，中文詞典是Hownet、同義詞詞林（擴展版）等。在其他特定領域，為了能準確判斷兩個詞的語義相同，不惜花費大量人力維護一個龐大的知識庫，比如醫(yī)療領域中的UMLS。知識庫如此重要，以至于需要采用基于語料的方法計算詞的相似度來挖掘同義詞或相關詞，完善知識庫。

在各類互聯(lián)網(wǎng)應用蓬勃發(fā)展的時代，獲得海量的文本數(shù)據(jù)變得很便捷，因而基于語料的詞相似度計算能自動挖掘出更多的同義詞（或候選）。本文主要關注基于普通文本語料的詞相似度計算研究。這類研究最常見的思路是學習每個詞的向量表示，基于詞的向量表示，計算詞的相似度，一般采用余弦相似度方法作為相似度值的度量。Baroni[5]等對語料進行依存分析后構建分布式詞表示，在RG-65[6]評價數(shù)據(jù)上取得評價結果僅次于最好的系統(tǒng)。Turney[9]突破了常規(guī)思路，把詞表示成兩個向量，一個向量表示詞的領域?qū)傩裕渚S度由當前詞上下文中的名詞組成，一個向量表示詞的功能屬性，其維度由當前詞上下文中的動詞組成，基于詞的功能屬性計算算詞之間的語義相似度，基于詞的領域?qū)傩裕嬎阍~之間的語義相關度，該方法在Chiarello等[7]構建的評價集上對相關度和相似度有較好的區(qū)分能力。Mikolov等[8]首次將詞嵌入（由神經(jīng)網(wǎng)絡學習到的分布式詞表示）成功應用于詞相似度計算，并開發(fā)了開源工具word2vec，使詞嵌入研究迅速成為自然語言研究中的熱點之一。Levy等[9]則是先對語料進行依存分析后，把詞所處的依存弧也作為神經(jīng)網(wǎng)絡的輸入學習詞嵌入，在WS-353[10]評價數(shù)據(jù)上取得結果要優(yōu)于上下文特征抽取算法Skip-gram。Levy等[11]比較了詞嵌入和分布式詞表示在詞相似度計算任務上的表現(xiàn)，詞嵌入并不總是優(yōu)于分布式詞表示，而且認為在詞嵌入上的成功經(jīng)驗也能遷移到分布式詞表示上，并通過實驗驗證。Yih等[12]整合語料庫、搜索日志和詞典構造混合分布式詞表示，計算詞的相似度，該方法在多種評價數(shù)據(jù)上（WS-353[10]，WS-sim和WS-rel[13]，RG-65[6]，MC-30[14]，Mturk-287[15]）都取得了最好的結果。

在中文方面，基于語料的詞相似度計算研究也開始引起研究者的關注，但是中文詞相似度評價數(shù)據(jù)比較缺乏，有些研究采用同義詞詞林（擴展版）進行評價，或者參照英文的評價數(shù)據(jù)自行構建中文的評價數(shù)據(jù)。石靜等[16]在新華社新聞語料和搜狗網(wǎng)絡語料分別基于窗口上下文特征和基于依存關系構建詞的向量表示，用余弦相似度方法計算詞的相似度，根據(jù)詞語在語料中出現(xiàn)的頻次，選擇一批出現(xiàn)在同義詞詞林（擴展版）中的高頻詞，進行評價。這類方法可以比較系統(tǒng)在不同詞性上的評價值，但是不便于客觀公正地和其他研究對比。王石等[17]采用詞在二詞名詞短語中的搭配詞作為其上下文抽取特征構造詞的向量表示，在自行構建的評價數(shù)據(jù)上進行了評價。而且，同時又參照英文同義詞評價集MC-30[14]構建了包含70個詞對的評價集，詞性包括名詞、動詞和形容詞三類。在該評價數(shù)據(jù)的名詞、動詞和形容詞中，這一方法分別取得了0.703、0，50.9和0.700的相關系數(shù)。目前公開并且可獲取到的中文詞相似度評價數(shù)據(jù)是SemEval-2012 Task 4的數(shù)據(jù)，該評價數(shù)據(jù)參照WS-353[10]構建，包含348個詞對，50個詞對用于開發(fā)。在評測提交的結果中，最好的結果達到0.05的相關系數(shù)[18]。本文實驗采用這個評價數(shù)據(jù)。

2 基于免疫原理詞表示的詞相似度計算

2.1 詞的表示

文獻[4]提出了基于免疫原理的詞表示和學習模型，該詞表示受B細胞和詞的一致性啟發(fā)。在語句的依存結構中，一個詞既處于支配的上下文中，又處于依賴的上下文中，因此基于免疫原理的詞表示是把詞表示成兩個向量，一個向量表示詞的支配屬性，另一個向量表示詞的依賴屬性。詞表示方法如圖1所示。

圖1 基于免疫原理的詞表示

Fig.1 Immune principles inspired word representation

詞 的形式化表示如式（1）和式（2）所示，互補位 表示詞 的支配屬性及對應的權重，獨特性 表示詞 的依賴屬性及對應的權重。

（1）

（2）

2.2詞相似度計算

分布語義假設（Distributional Hypothesis）認為出現(xiàn)在相似上下文的詞具有相似的語義[19-20]。在本研究中，有關詞的上下文分開為支配上下文和依賴上下文，因此，可把分布語義假設擴展為：如果兩個詞具有相似的支配上下文和相似的依賴上下文，那么兩個詞具有相似的語義?；谠摷僭O，詞 和詞 的相似度計算公式如式（3）所示。

（3）

在式（3）中， 是余弦相似度函數(shù)， 和 分別表示詞的支配屬性向量和依賴屬性向量。余弦相似度函數(shù)的值域為[-1，1]，式（3）要求相似度值不能小于0，否則就改變了函數(shù)值的正負號，在計算式（3）之前，需要把余弦相似度函數(shù)值通過函數(shù) 轉換到[0， 1]區(qū)間。

3 實驗結果與分析

SemEval-2012第4個任務了一套標準的中文詞相似度評價數(shù)據(jù)，該數(shù)據(jù)能客觀公平地評價詞相似度計算模型的準確率。本文接下來介紹基于免疫原理的詞表示在該數(shù)據(jù)上的實驗和評價結果。

3.1 評價數(shù)據(jù)和評價指標

評價數(shù)據(jù)包含347個詞對，其中50個詞對用于開發(fā)，297個詞對用于評價。每一個詞對由20位母語為中文的標注者賦予一個相似度值，相似度值范圍取值是[0，5]，賦予的值越大，兩個詞的語義相似度越大，5意味著兩個詞的語義完全相同，0意味著兩個詞沒有任何關系。每一個詞對賦予的相似度值的平均值作為該詞對的相似度值。根據(jù)相似度值，將這些詞對按照相似度值降序排序，此順序作為評價數(shù)據(jù)的黃金標準。詞相似度計算模型計算每個詞對的相似度值，并且按照相似度值排序，模型給出的詞對排序與評價數(shù)據(jù)的排序進行比較，計算兩個排序的相關度，相關度計算采用肯德爾系數(shù)[21]?？系聽栂禂?shù)計算公式如式（4）所示。

（4）

其中，N是詞對的總數(shù)， 和 是對詞對的兩個排序， 是保證 和 排序相同而需要相鄰交換的最小次數(shù)。 的意義可解釋為排序一致的詞對百分比減去排序不一致的詞對百分比。 的取值范圍是[-1，1]， 的值越大，表明兩個排序一致性越高，-1意味著兩個排序完全相反，1意味著兩個排序完全一致。

3.2 詞表示學習語料和實驗過程

多詞主體自治學習模型的訓練語料采用中文濱州樹庫轉換的依存樹庫[22， 23]，一共18 602句，在該樹庫上學習特征的權重。詞表示學習語料為中文Gigaword第5版，選用了光明日報（gmw_cmn）和新華社（xin_cmn）新聞語料。由于詞表示構建需要抽取詞在語句中依存結構的上下文特征，所以需要對語料進行分詞和詞性標注和依存分析。在實驗中，分詞和詞性標注均采用斯坦福的模型[24-25]，依存分析采用目前速度最快的模型EasyFirst[26]。詞表示構建流程如下：

（1）從中文Gigaword語料中抽取正文

（2）按照句號、問號等規(guī)則進行句子切分

（3）對語句依次進行分詞、詞性標注和依存分析

（4）抽取語句依存結構中依存對的特征，把依存對的上下文特征分別作為依賴詞的依賴上下文特征和支配詞的支配上下文特征。

（5）合并語料中相同詞的依賴上下文特征和支配上下文特征，形成詞的兩支向量表示，特征的權重從多詞主體自治學習模型中獲取。

基于該詞表示，計算評價數(shù)據(jù)中每個詞對的相似度值并排序。

3.3實驗結果

實驗在兩組數(shù)據(jù)上展開，一組實驗室采用的語料是光明日報語料，另一組實驗室采用的語料是光明日報語料和新華社語料，對比試驗是為了比較不同語料規(guī)模對詞表示學習的影響。為了驗證本文對分布式語義假設擴展的必要性，研究把詞的支配向量和依賴向量合并為一個向量，用余弦相似度函數(shù)計算詞之間的相似度，并進行比較。

對比實驗結果如表1所示。對比實驗說明擴大語料規(guī)模能學習到更好的詞表示，其原因是從更大規(guī)模的語料能獲取到更多的詞上下文信息，這一點對低頻詞更為重要。如表1所示，合并后的單一向量詞表示的評價結果相較于兩支向量詞表示的評價結果要低，這一比較結果證明了基于免疫原理詞表示的詞相似度計算方法具有一定的優(yōu)越性，也說明本文對分布式語義假設的擴展是有效的。

表1 不同語料上詞相似度評結果

Tab.1 Evaluations for word similarity on different corpuses

語料集 詞表示方式 相似度排序相關性（ ）

光明日報 兩支 0.1997

光明日報+新華社 兩支 0.2223

光明日報+新華社 合并為一支 0.1910

表2列出了其他研究在該數(shù)據(jù)集上的實驗結果。表中前4個是SemEval-2012在該數(shù)據(jù)集上的評測結果[18]， 第五個是Peng Jin等[27]在該數(shù)據(jù)上的進一步研究結果，最后一個是開源工具word2vec在該數(shù)據(jù)上的結果呈現(xiàn)。運行word2vec的參數(shù)為：抽取上下文的算法是skip-gram、輸出向兩維度是200、窗口最大值5、訓練算法是分層softmax，訓練語料是光明日報語料和新華社語料。這6個研究都采用基于語料的詞相似度計算方法，并且采用的語料都是中文Gigaword，因而和本文的研究具有可比性。

表2其他研究的評價結果

Tab.2 Evaluation results of other researches

對比系統(tǒng) 詞對相似度排序相關性（ ）

MIXCC 0.050

MIXCD 0.040

Guo-ngram 0.007

Guo-words -0.011

Peng Jin 2012[27]

0.023

word2vec 0.3405

從表1和表2對比結果可以看出，本文的實驗結果明顯優(yōu)于其他研究的結果，但是和word2vec的評價結果有一定的差距。對比結果證明了本研究提出的基于免疫原理的類B細胞詞表示以及相似度計算方法在中文詞相似度計算這一任務上是有效的，并且有較大的優(yōu)勢和潛力。

4 結束語

本文主要是把基于免疫原理的詞表示應用到中文詞相似度計算任務上，并提出新的詞相似度計算方法，以驗證詞表示的有效性。本文實驗從中文Gigaword新聞語料中構建詞表示，在SemEval-2012第四個任務的數(shù)據(jù)上進行了評價，評價結果明顯優(yōu)于該數(shù)據(jù)上其他研究結果。實驗結果證明了詞表示的有效性。詞相似度計算是詞表示的直接應用，因此提高此相似度計算方法的性能關鍵在于進一步改善詞表示的學習方法。后續(xù)工作將繼續(xù)圍繞詞表示構建和學習展開，使學習到的詞表示能表達出更多的句法和語義信息。

參考文獻：

[1] BARONI M， LENCI A.Distributional memory： A general framework for Corpus-Based Semantics [J]. Comput. Linguist.， Dec. 2010， 36（4）： 673C721.

[2] LI Y， BANDAR Z A， MCLEAN D.An approach for measuring semantic similarity between Words using multiple information sources [J]. IEEE Trans. Knowl. Data Eng.， 2003， 15（4）： 871C882.

[3] JINFENG Y， YI G， XISHUANG D.Multi-word-agent autonomous learning model for regulating Word combination strength [J]. Int. J. Multimed. Ubiquitous Eng.， 2015， 10（4）.

[4] YANG J， GUAN Y， DONG X， et al. Representing words as lymphocytes [C]//Twenty-Eighth AAAI Conference on Artificial Intelligence， Quebec， Canada：AAAI，2014： 3146C3147.

[5] BARONI M， LENCI A.Distributional memory： A general framework for Corpus-Based Semantics [J]. Comput. Linguist.， Dec. 2010， 36（4）： 673C721.

[6] RUBENSTEIN H， GOODENOUGH J B.Contextual correlates of synonymy [J]. Commun. ACM， 1965， 8（10）： 627C633.

[7] CHIARELLO C， BURGESS C， RICHARDS L， et al. Semantic and associative priming in the cerebral hemispheres： some words do， some words don’t ... sometimes， some places [J]. Brain Lang.， 1990， 38（1）： 75C104.

[8] MIKOLOV T， CHEN K， CORRADO G， et al. Efficient estimation of Word representations in Vector Space [J]. arXiv Prepr.， Jan. 2013.

[9] LEVY O， GOLDBERG Y. Dependency-based word embeddings [C]//Proceedings of the 52nd Annual Meeting of the Association for Computational Linguistics （Volume 2： Short Papers）， Battimore，Maryland：Association for Computational Linguistics，2014： 302C308.

[10] FINKELSTEIN L， GABRILOVICH E， MATIAS Y， et al.Placing search in context： The concept revisited [J]. ACM Trans. Inf. Syst.， 2002， 20（1）： 116C131.

[11] LEVY O， GOLDBERG Y， DAGAN I. Improving distributional similarity with lessons learned from word embeddings [J]. Trans. Assoc. Comput. Linguist.， 2015.

[12] YIH W， QAZVINIAN V. Measuring word relatedness using heterogeneous vector space models [C]// Proceedings of the 2012 Conference of the North American Chapter of the Association for Computational Linguistics： Human Language Technologies， Montr，Canada：June， 2012：616C620.

[13] AGIRRE E， ALFONSECA E， HALL K， et al. A study on similarity and relatedness using distributional and WordNet-based approaches [C]//Proceedings of Human Language Technologies： The 2009 Annual Conference of the North American Chapter of the Association for Computational Linguistics， Boulder， Colorado， USA： Springer2009， 19C27.

[14] MILLER G A， CHARLES W G. Contextual correlates of semantic similarity [J]. Lang. Cogn. Process.， 1991， 6（1）： 1C28.

[15] RADINSKY K， AGICHTEIN E， GABRILOVICH E， et al. A word at a time： computing word relatedness using temporal semantic analysis [C]//Proceedings of the 20th International Conference on World Wide Web， New York， NY， USA：ACM，2011：337C346.

[16] 石靜， 吳云芳， 邱立坤， 呂學強.基于大規(guī)模語料庫的漢語詞義相似度計算方法[J]. 中文信息學報， 2013， 27（1）： 1C6.

[17] 王石， 曹存根， 裴亞軍， 等. 一種基于搭配的中文詞匯語義相似度計算方法[J]. 中文信息學報， 2013， 27（1）： 7C14.

[18] JIN P， WU Y. SemEval-2012 Task 4： Evaluating Chinese word similarity [C]//Proceedings of the First Joint Conference on Lexical and Computational Semantics - Volume 1： Proceedings of the Main Conference and the Shared Task， and Volume 2： Proceedings of the Sixth International Workshop on Semantic Evaluation， Montr＼’eal， Canada：Association for Computational Linguistics，2012： 374C377.

[19] HARRIS Z. Distributional structure [J]. Word， 1954， 10（23）： 146C162.

[20] FIRTH J . A synopsis of linguistic theory 1930-1955 [J]. Stud. Linguist. Anal.， 1957： 1C32.

[21] LAPATA M. Automatic evaluation of information ordering： Kendall’s Tau [J]. Comput. Linguist.， 2006， 32（4）： 471C484.

[22] NIVRE J， HALL J， NILSSON J. MaltParser： A data-driven parser-generator for dependency parsing [C]// Proceedings of LREC， Genoa， Italy：[s.n.]，2006， 6：2216C2219.

[23] ZHANG Y， CLARK S. A tale of two parsers： investigating and combining graph-based and transition-based dependency parsing using beam-search [C]//Proceedings of the Conference on Empirical Methods in Natural Language Processing， Stroudsburg，PA，USA：Association for computational Linguistics，2008： 562C571.

[24] TSENG H， CHANG P， ANDREW G， et al. A conditional random field word segmenter for Sighan Bakeoff 2005 [C]//Proceedings of the Fourth SIGHAN Workshop on Chinese Language Processing，Jeju Island， Korea：ACL-SIGHAN， 2005.

[25] TOUTANOVA K， MANNING C D. Enriching the knowledge sources used in a maximum entropy part-of-speech tagger [C]//Proceedings of the 2000 Joint SIGDAT conference on Empirical methods in natural language processing and very large corpora held in conjunction with the 38th Annual Meeting of the Association for Computational Linguistics -， Hong Kong，China：[s.n.]，2000， 13： 63C70.

篇6

“凌空翱翔”造句：

1、學生有了豐富的想象力，就能使文思縱橫馳騁，凌空翱翔，從而使寫出來的人物栩栩如生、活靈活現(xiàn)，景物描寫生動形象、有聲有色。

2、惠特曼激勵美國之鷹凌空翱翔，這是對于美國文人至關重要的一件大事。

篇7

首先我代表臺灣xx集團xx有限公司的全體員工，對各位領導和各位嘉賓前來參加xx縣與我公司項目簽約儀式表示熱烈的歡迎和衷心的感謝！您們的到來，更加增添了我公司與xx合作的喜慶氣氛，使我們倍感榮幸和激動。

我們xx公司隸屬于臺灣xx集團，總部在臺灣，在xxxx、xxx設有兩家食品公司，主要生產(chǎn)高檔脫水包菜、香蔥、蘿卜等。這次擬在xx投資建設4條具有國際先進水平的脫水菜生產(chǎn)線，可年產(chǎn)6000噸脫水蔬菜。計劃項目總投資1億元人民幣，固定資產(chǎn)投資600o萬元人民幣。主要設備采用國際最先進的熱風干燥、冷凍干燥設備及選別設備。公司主要與當?shù)剞r(nóng)業(yè)部門和廣大農(nóng)民群眾合作，建立農(nóng)業(yè)科技研究示范園區(qū)及專業(yè)化蔬菜種植體系，建設優(yōu)良的原料供應基地，專業(yè)生產(chǎn)各類脫水蔬菜食品。4條生產(chǎn)線全部建成投產(chǎn)后，年可創(chuàng)產(chǎn)值10000萬元，利稅2500萬元。產(chǎn)品主要供應頂新集團，其余出口韓國及歐美等國家和地區(qū)?？蓭尤h10萬農(nóng)戶發(fā)展蔬菜、水果、食用菌等產(chǎn)業(yè)，年實現(xiàn)產(chǎn)值10.4億元，農(nóng)民來自特色農(nóng)業(yè)的經(jīng)濟收入可占到農(nóng)民人均純收入的75%。

我們之所以選擇在xx投資，不僅是因為看中了這里優(yōu)越的生產(chǎn)條件和豐富的蔬菜資源，更重要的是我們看中了這里優(yōu)越的投資環(huán)境。經(jīng)過最近一個時期的參觀考察和對公司前期籌備工作的實際運作，我們深刻體會到，xx縣的環(huán)境非常好，在xx縣投資我們感到非常放心，也非常舒心。借此機會，我代表公司對給予大力支持和幫助的縣領導和縣直有關職能部門表示誠摯的感謝！由于我們公司剛剛起步，企業(yè)的發(fā)展離不開大家的支持和幫助。我們真誠地希望大家像朋友一如既往地支持我們的工作，為企業(yè)發(fā)展創(chuàng)造良好環(huán)境。對社會各界的關愛，我公司將以一流的業(yè)績給予真誠的回報。

篇8

嬉皮笑臉、逢場作戲、吊兒郎當、吊爾郎當、放蕩不羈、游戲人間等。釋義如下：

嬉皮笑臉：形容嬉笑不嚴肅的樣子。逢場作戲：原指舊時走江湖的藝人遇到適合的場合就表演，后指遇到機會，偶爾湊湊熱鬧。吊爾郎當：形容作風散漫，態(tài)度不嚴肅。吊兒郎當：形容儀容不整，作風散漫，態(tài)度不嚴肅或不認真。放蕩不羈：形容行為放縱;不受約束。游戲人間：指把人生當作游戲的一種生活態(tài)度。

（來源：文章屋網(wǎng) ）

篇9

關鍵詞:函數(shù);方程;數(shù)形結合分類討論;整體類比;幾何運動變化;建模

中圖分類號:G633文獻標識碼:A文章編號:1003-2851(2009)10-0059-01

數(shù)學思想是數(shù)學知識的精髓,它在學習和運用數(shù)學知識的過程中,起指導作用。基本知識點是數(shù)學課上首先要掌握的,但更重要的是解決問題的思路和方法,思路和 方法的獲取要靠自己一步一步地去體驗和理解,更重要的是解決問題的過程,在過程中探索、獲取思路和方法。每年的中考數(shù)學題都著重考查了同學們對數(shù)學思想方 法的理解和掌握。因此,同學們在數(shù)學學習中,對重要的數(shù)學思想方法的學習要加強,而不是消弱。

下面談一談“一次函數(shù)”中的數(shù)學思想。

一、函數(shù)的思想:就是根據(jù)題中條件學會用函數(shù)方法解決實際問題?！昂瘮?shù)”是從量的側面去描述客觀世界的運動變化、相互聯(lián)系,從量的側面反映客觀世界的動 態(tài),它們的相互制約性,函數(shù)是研究現(xiàn)實世界變化規(guī)律的一個重要模型。經(jīng)歷函數(shù)、一次函數(shù)等概念的抽象概括過程,體會函數(shù)的模型思想和一次函數(shù)在我們現(xiàn)實生活的廣泛應用,培養(yǎng)同學們“數(shù)學化”的能力。

二、方程思想:就是從分析問題的數(shù)量關系入手,適當設出未知數(shù),通過等量關系列出方程或方程組來解決問題的一種數(shù)學思想方法。主要是指建立方程(組)解決 實際問題的思想方法。函數(shù)思想與方程思想的聯(lián)系十分密切。如解方程就是求函數(shù)y=f(x)當函數(shù)值為零時自變量x的值;用函數(shù)圖象的“交軌”方法,可以求 出或討論方程f(x)=g(x)的根或“函數(shù)組”化的方程組,等等。這種聯(lián)系提供了解決問題過程中轉化的依據(jù)。

三、轉化思想:就是根據(jù)知識間的內(nèi)在聯(lián)系 ,把所要解決的問題轉化為另一個較易解決的問題或已經(jīng)解決的問題,恰當?shù)匕杨}目中的某些關系從一種形式轉化為另一種形式,問題就能比較順利地得到解決,這 就是轉化思想。領悟了轉化思想,能夠幫助同學們打開思路,把一個較復雜或陌生的問題轉化成較簡單或熟悉的問題。 例如,一次函數(shù)的圖、表、式三種表示方法之間的相互轉化,通過方程與函數(shù)的聯(lián)系解決問題,求兩條直線交點的問題轉化為解二元一次方程組的解。使學生學會以 特殊情況為基礎,通過轉化來解決一般問題的方法,培養(yǎng)學生把文字語言轉化為數(shù)學符號的能力。

四、數(shù)形結合思想:就是把問題中的數(shù)量關系和空間形式結合起來加以考查的思想,簡單地說,就是將數(shù)與形結合起來解題的一種方法,在數(shù)學中占有非常重要的地 位。在解題方法上,把“數(shù)”與“形”相互轉化,從而使問題化難為易、化繁為簡,做到靈活進行數(shù)形轉化,達到解決問題的目的。在生活中量與量的關系可以形象 地通過圖象直觀地表現(xiàn)出來,如心電圖、股市行情走勢圖等,圖象中含有著豐富的圖象信息,要善于從圖象的形狀、位置發(fā)展變化趨勢等有關信息中獲取啟發(fā)。教學 中根據(jù)函數(shù)的圖象確定一次函數(shù)的表達式,由函數(shù)圖象獲取信息,由y=kx+b中k、b的值,可畫函數(shù)的圖象;由函數(shù)圖象,能判斷k、b的取值范圍;以及y 隨x的變化而變化的情況。讓學生把一次函數(shù)的性質(zhì)熟練運用,進一步體現(xiàn)數(shù)形結合思想。

五、分類討論思想:當研究的問題包含多種可能情況時,必須按所有可能出現(xiàn)的情況來分別討論,從而得到各種情況下相應的結論,這種處理問題的思想稱為分類討 論思想。它既是一種數(shù)學思想,又是一種重要的解題策略。并且需分類討論的問題覆蓋的知識點較多,還要注意分類的方法和技巧,做到明確分類標準,即“不重 復,不遺漏”。如一次函數(shù)圖象經(jīng)過哪些象限需要針對k、b的取值范圍分情況討論;理解某函數(shù)的折線圖象時需分段考慮;實際應用題中涉及多種情況時也需要分 類。

六、整體思想:就是將注意力和著眼點放在問題的整體上,或把一些相互聯(lián)系的量作為整體來處理的思想。不僅能避免復雜的計算,而且能達到解決問題的目的。如 “y-a 與2x+b成正比例”,那么,可以設y-a=k(2x+b),則y=2kx+2b+a,…

七、類比思想:即所謂的“類比發(fā)現(xiàn)法”,就是通過對兩個相類似的數(shù)學研究對象的異同進行觀察和比較,從一個已經(jīng)學過的、熟知的研究對象所具有的性質(zhì),去猜 想另一個研究對象所具有的類似的性質(zhì)。同學們可由題目結構相同或類似,類比可得題目間解題的方法可能相同或類似,以此嘗試確定解題的思路。

八、幾何運動變化思想:適用于常以動態(tài)的形式出現(xiàn)的圖形變換題。將一個圖形或某部分進行平移、旋轉、軸對稱或中心對稱變換后,得到新的圖形,從中探求結 論。不僅要求學生會根據(jù)已知條件作出變換后的圖形,還要求學生能根據(jù)原圖形與變換后的圖形的位置關系說明具體的變換過程。“一次函數(shù)”中主要是了解圖象 (直線)的平移。

篇10

一、陰陽對立

在我國，早在史前的氏族社會就已產(chǎn)生了帶有樸素辯證思想的八卦，到了殷周代，進一步發(fā)展了這種思想?！兑捉?jīng)》載：“易有太極，是生兩儀，兩儀生四象，四象生八卦，八卦定吉兇，吉兇生大業(yè)?！蓖瑫r，孔子在作《易》之十翼時便已經(jīng)充分反映出了其陰陽哲學。

（一）他講自然講陰陽

如《周易.系辭下》：“子曰：‘乾坤，其《易》之門邪？乾，陽物也；坤，陰物也。陰陽合德，而剛柔有體。以體天地之撰，以通神明之德。其稱名也，雜而不越。于稽其類，其衰世之意邪？”

孔子認為客觀世界萬事萬物本身就存在著陰陽對立的自然法則，存在著陰陽對稱、陰陽均衡等各種美學屬性。所以孔子運用對偶這一手段將客觀世界上述各種自然關系、法則表現(xiàn)了出來。

（二）他談生命之本講陰陽、奇偶

如《孔子家語.本命解》：“‘魯哀公問于孔子曰：“人之命與性何謂也？’孔子對曰：‘分于道謂之命，形于一謂之性?；陉庩?，象形而發(fā)謂之生，化窮數(shù)盡謂之死。故命者，性之始也；死者，生之終也。有始則必有終矣。……一陽一陰，奇偶相配，然后道合化成。性命之端，形于此也?！?/p>

孔子的性命觀也以陰陽為兩點論，認為人的生命是由天地自然之道而化生出來的，人的性是受陰陽之氣而形成的，有一定形體發(fā)出來，叫做生；陰陽變化窮盡之后，叫做死。所以說，命就是性的開始，死就是生的終結。有始則必有終。

太極的圖像就是一對對立的陰陽魚狀，但合而為一的圓體。這種圖像就表達了人們對宇宙萬事萬物既是對立的又是和諧統(tǒng)一的認識。同樣，孔子在講自然、人本身的陰陽對立的同時，還講求這種陰陽對立的和諧統(tǒng)一。

二、和諧統(tǒng)一

《論語?子路篇》講：“君子和而不同，小人同而不和。”“和而不同”是孔子思想體系中對重要組成部分。中國自古講求“以和為貴”，孔子的“和而不同”正是對“和”這一理念的的具體闡發(fā)。具體來說孔子的“和”是和諧，是統(tǒng)一，“同”是相同，是一致；“和”是抽象的，內(nèi)在的；“同”是具體的，外在的?！昂投煌保褪亲非髢?nèi)在的和諧統(tǒng)一，而不是表象上的相同和一致。

（一）個人身心的和諧

“君子食無求飽，居無求安，敏于事而慎于言”（《論語?學而篇》）

“貧而樂，富而好禮”（《論語?學而》）

“態(tài)士仁人，無求生以害仁，有殺身以成仁”（《論語?衛(wèi)靈公》）

“其身正，不令而行；其身不正，雖令不從?！保ā墩撜Z?子路篇》）

孔子在這里強調(diào)個人要正確處理理與欲，義與利，精神追求與物質(zhì)追求等的對立關系，做到心態(tài)和諧，思想和諧。

（二）集體社會的和諧

“入則孝，出則銻，事父母，能竭其力”（《論語?學而篇》）

“父母之年，不可不知也，一則以喜，一則以懼”（《論語?里仁篇》）

“四海之內(nèi)皆兄弟”（《論語?顏淵篇》）

“故遠人不服，則修文德以來之"既來之，則安之”（《論語?季氏篇》）

孔子強調(diào)在家庭中，要敬愛父母，友愛兄弟，使孝梯成為人們內(nèi)心的一種情感追求和道德自覺，使每一個家庭都能夠尊老愛幼，和諧相處。同時在民族與民族、國家與國家的關系上，主張和諧共處，協(xié)和萬邦。

孔子很早就認識到客觀世界萬事萬物既具有對立關系又具有統(tǒng)一關系，如自然的上下、左右、花草、山川等的偶體存在狀態(tài)；個體所面臨的義利、貧富、君子小人等的矛盾關系，并且逐步找到了一種化矛盾為和諧的特殊方法。那就是“和而不同”的辯證思維方式。

三、結語