思乡的诗词范文

导语：如何才能写好一篇思乡的诗词，这就需要搜集整理更多的资料和文献，欢迎阅读由公务员之家整理的十篇范文，供你借鉴。

篇1

2、今不见，但山川满目泪沾衣。——辛弃疾《木兰花慢·席上送张仲固帅兴元》

3、巴山楚水凄凉地，二十三年弃置身。——刘禹锡《酬乐天扬州初逢席上见赠》

4、百结愁肠郁不开，此生惆怅异乡来。——秋瑾《九日感赋》

5、墙外行人，墙里佳人笑。——苏轼《蝶恋花·春景》

6、送老薤盐何处是，我缘应在吴兴。——陈克《临江仙·四海十年兵不解》

7、泪鸿怨角，空教人瘦。——《瑞龙吟·送梅津》

8、唼流牵弱藻，敛翮带馀霜。——沈约《咏湖中雁》

9、老至居人下，春归在客先。——刘长卿《新年作》

10、吠犬杂鸣鸡，灯火荧荧归路迷。——纳兰性德《南乡子·秋暮村居》

11、湖海倦游客，江汉有归舟。——张孝祥《水调歌头·过岳阳楼作》

12、自从一闭风光后，几度飞来不见人。——李益《隋宫燕》

13、近乡情更怯，不敢问来人。——宋之问《渡汉江》

14、他乡共酌金花酒，万里同悲鸿雁天。——卢照邻《九月九日玄武山旅眺》

15、相顾无相识，长歌怀采薇。——王绩《野望》

16、古台摇落后，秋日望乡心。——刘长卿《秋日登吴公台上寺远眺》

17、永夜角声悲自语，客心愁破正思家。——汪元量《望江南·幽州九日》

18、蓟城通漠北，万里别吾乡。——李颀《古塞下曲》

19、眇眇孤舟逝，绵绵归思纡。——陶渊明《始作镇军参军经曲阿作》

20、谁问旗亭，美酒斗十千。——贺铸《行路难·缚虎手》

21、海人无家海里住，采珠役象为岁赋。——王建《海人谣》

22、日落征途远，怅然临古城。——李百药《秋晚登古城》

23、傍邻闻者多叹息，远客思乡皆泪垂。——李颀《听安万善吹觱篥歌》

24、碛里征人三十万，一时回向月明看。——李益《从军北征》

25、正见空江明月来，云水苍茫失江路。——欧阳修《晚泊岳阳》

26、醉后莫思家，借取师师宿。——晏几道《生查子·落梅庭榭香》

27、悠悠天宇旷，切切故乡情。——张九龄《西江夜行》

28、一年将尽夜，万里未归人。——戴叔伦《除夜宿石头驿》

29、旅枕元无梦，寒更每自长。——吕本中《南歌子·驿路侵斜月》

30、半窗灯晕，几叶芭蕉，客梦床头。——《诉衷情·秋情》

31、内苑只知含凤觜，属车无复插鸡翘。——李商隐《茂陵》

32、我梦扬州，便想到扬州梦我。——郑燮《满江红·思家》

33、诗酒社，水云乡。——辛弃疾《鹧鸪天·送元济之归豫章》

34、到家应是，童稚牵衣，笑我华颠。——吴激《诉衷情·夜寒茅店不成眠》

35、春风一夜吹乡梦，又逐春风到洛城。——武元衡《春兴》

36、画图省识春风面，环佩空归夜月魂。——杜甫《咏怀古迹五首·其三》

37、遥窥正殿帘开处，袍袴宫人扫御床。——薛逢《宫词》

38、凭高远望，见家乡、只在白云深处。——王澜《念奴娇·避地溢江书于新亭》

39、白水满春塘，旅雁每迥翔。——沈约《咏湖中雁》

40、万顷烟波万顷愁。——淮上女《减字木兰花·淮山隐隐》

41、夜寒茅店不成眠，残月照吟鞭。——吴激《诉衷情·夜寒茅店不成眠》

42、莫道春来便归去，江南虽好是他乡。——王恭《春雁》

43、几度思归还把酒，拂云堆上祝明妃。——杜牧《题木兰庙》

44、金瓯已缺总须补，为国牺牲敢惜身！嗟险阻，叹飘零。——秋瑾《鹧鸪天·祖国沉沦感不禁》

45、刷羽同摇漾，一举还故乡。——沈约《咏湖中雁》

46、夜听胡笳折杨柳，教人意气忆长安。——王翰《凉州词二首》

47、共看明月应垂泪，一夜乡心五处同。——白居易《望月有感》

48、儿童见说深惊讶，却问何方是故乡。——殷尧藩《同州端午》

49、其三阻涉鲸波寇盗森，中原回首涕沾襟。——李纲《渡海至琼管天宁寺咏阇提花三首》

50、移家虽带郭，野径入桑麻。——皎然《寻陆鸿渐不遇》

51、升高欲自舒，弥使远念来。——柳宗元《湘口馆潇湘二水所会》

52、门有车马客，驾言发故乡。——陆机《门有车马客行》

53、故国山川，故园心眼，还似王粲登楼。——周密《一萼红·登蓬莱阁有感》

54、雁足无书古塞幽。——史达祖《鹧鸪天·卫县道中有怀其人》

55、从今后，梦魂千里，夜夜岳阳楼。——徐君宝妻《满庭芳·汉上繁华》

56、淮南皓月冷千山，冥冥归去无人管。——姜夔《踏莎行·自沔东来》

57、不道中原归思、转凄凉。——吕本中《南歌子·驿路侵斜月》

58、风露浩然，山河影转，今古照凄凉。——陈亮《一丛花·溪堂玩月作》

59、芳草已云暮，故人殊未来。——韦庄《章台夜思》

60、不忍登高临远，望故乡渺邈，归思难收。——柳永《八声甘州·对潇潇暮雨洒江天》

61、明朝望乡处，应见陇头梅。——宋之问《题大庾岭北驿》

62、烽火平安夜，归梦到家山。——崔与之《水调歌头·题剑阁》

63、辜负枕前云雨，尊前花月。——张元干《石州慢·寒水依痕》

64、我醉歌时君和，醉倒须君扶我，惟酒可忘忧。——苏轼《水调歌头·安石在东海》

65、夜来风雨，春归似欲留人。——辛弃疾《上西平·送杜叔高》

66、满衣血泪与尘埃，乱后还乡亦可哀。——高启《送陈秀才还沙上省墓》

67、未老莫还乡，还乡须断肠。——韦庄《菩萨蛮·人人尽说江南好》

68、江汉思归客，乾坤一腐儒。——杜甫《江汉》

69、二月江南花满枝，他乡寒食远堪悲。——孟云卿《寒食》

70、茂苑人归，秦楼燕宿，同惜天涯为旅。——《齐天乐·新烟初试花如梦》

71、那边云筋销啼粉，这里车轮转别肠。——辛弃疾《鹧鸪天·送元济之归豫章》

72、上有流思人，怀旧望归客。——谢朓《送江水曹还远馆》

73、绮罗心，魂梦隔，上高楼。——孙光宪《酒泉子·空碛无边》

74、东风渐绿西湖柳，雁已还、人未南归。——周密《高阳台·送陈君衡被召》

75、万里归船弄长笛，此心吾与白鸥盟。——黄庭坚《登快阁》

76、乡国真堪恋，光阴可合轻。——白居易《洛桥寒食日作十韵》

77、卧龙跃马终黄土，人事音书漫寂寥。——杜甫《阁夜》

78、青山朝别暮还见，嘶马出门思旧乡。——李颀《送陈章甫》

篇2

洛阳城里见秋风，欲作家书意万重。

复恐匆匆说不尽，行人临发又开封。

2、《归家》唐·杜牧

稚子牵衣问，归来何太迟？

共谁争岁月，赢得鬓边丝？

3、《九月九日忆山东兄弟》唐·王维

独在异乡为异客，每逢佳节倍思亲。

遥知兄弟登高处，遍插茱萸少一人。

4、《乡思》宋·李觏

人言落日是天涯，望极天涯不见家。

篇3

一、 “同类二次根式”与“同类项”

【解析】（1）（2）组中的二次根式被开方数相同，称为同类二次根式；而第（3）组中二次根式，经过化简后被开方数也相同，所以也是同类二次根式.

【感悟】七年级时确定同类项的方法：一看字母要相同，二看相同字母的指数分别相同，三不看系数. 现在判断同类二次根式的方法：一化为最简，二看被开方数，三不看根号外的系数.

二、 “合并同类二次根式”与“合并同类项”

【感悟】整式的加减的实质就是合并同类项，而二次根式加减的实质就是合并同类二次根式；利用类比的思想可归纳二次根式加减的步骤：一化简，二寻找，三合并.

三、 “二次根式的乘除运算”与“整式的乘除运算”

【解析】二次根式的乘除运算中，出现了类似多项式乘以单项式、多项式除以单项式，多项式乘以多项式的运算，因此整式的乘法法则和乘法公式仍然适用. 同学们自己尝试计算.

篇4

为什么在历史研究中出现了这样的修辞转向，其原因比较复杂，除了对以往在历史研究中一直强调历史的事实和规律的不同认识之外，再就是对历史研究的客体有了新的理解。如果说历史研究是对过去的世界，或者说社会做出解释，那么现在，历史学家已经开始将这个过去的世界与社会分为两种：一是实体性的社会，二是由仪式、象征与语言所构成的虚体社会，即如霍布斯所说的"人工的世界"。过去，历史研究关注于实体的世界，现在开始重视这个"人工的世界"。而这个"人工的世界"的变化则在某种程度上是由于我们所运用不同的语言而引起的，或者说，我们是通过运用不同词语进行描述与评价的方式来改变与建构着这个"人工的世界"。正是在这一意义上，修辞就成为理解这个"人工的世界"的独特的重要内容，修辞性的再描述和再评价的功能自然也就在历史研究中发挥着重要的作用，成为了历史研究的一种方法。

具体而言，就思想史研究与这个"人工的世界"的关系来说，它包括以下几个方面：

第一，在一个社会中，人们所运用的某些特定的词汇改变了内容或视角，或者该词汇本身被废弃，我们需要对此进行追溯和研究。例如"政府"，在16、17世纪时的一批思想家那里，都称为"公民政府"（civil government），为什么后来就不再这样称呼，而没有了"civil"这样的前缀词。（例如，洛克的《政府论》这个标题就是用"civil government"这样的词语）

第二，我们用来描写和评价我们这个社会与世界的词汇的含义始终并不固定，有时甚至相反。例如马基雅维里将慷慨看成为美德，而在欧洲其他地区则为恶行。

第三，在任何社会中，我们所接受的概念含义和观念的变化（如转换，衰退、取消或者不被接受）常常体现为一种修辞。斯金纳说："没有一般概念的历史，只有其在辩论中用法的历史。"（李宏图、胡传胜译：前引书，第37页）这里的"辩论"指的就是修辞。因此，"概念"不能仅仅归结为意义，相反，某个概念的意义维度始终与语言行动相关联。（李宏图、胡传胜译：前引书，第37页）如对社会价值的变化与重新评价，在我们接受了某种社会价值观的时候，可能仅仅是由于修辞的劝说我们才得以接受。还有，同一件事情，起初人们并不接受，而在当你重新描写后，并且劝说了你的听众接受了你的重新描写，你也就接受了这一件事情，但没有人意识到这些修辞所表述的只是同一件事情。因此，修辞上所说的"打动"(move)就格外重要。对此，最为典型的莫过于在古代希腊，据记载，卡尼德斯前一天令人信服地说服人们支持这场正义的战争，在随后的第二天，他又同样将这场战争说成是非正义的，并成功地说服他们反对这场非正义的战争。因此，正如霍布斯所说，即使如果用演绎的方式来论证道德和政治原则是可能的，但我们的论点也决不会有说服力，除非我们用修辞艺术来加强这些论点。

第四，在政治领域，修辞不仅是一种文法技巧，而且也成为了一种政治文化，从而影响了不同国家的政治体制的发展。早在古代希腊时期，著名的思想家西塞罗就反复强调，公民科学的思想是由两种不可或缺的成分构成：一种是理性，这是使我们有能力揭示真理的能力；另外一种是修辞，这是使我们有能力以雄辩的方式展示真理的艺术。由于理性缺乏任何说服我们并把我们带向真理光芒的内在能力，这样，公民科学的一个关键性内容就是要有雄辩的艺术形式，即修辞学，其功能是以一种精心设计的说服人们的方式来说服人。这样的一种公民民主政治文化传统一直延续了下来，成为了很多国家的政治文化传统。如英国议会有论辩的传统，而法国则没有。英国议会的论辩在本质上则是一种修辞，由此，也使修辞成为了英国特有的一种政治活动、政治传统和政治文化。而这样两个不同的政治文化传统反过来又对两个国家的政治体制产生了重要的影响。正是从这样的一种修辞性的政治文化传统中，我们可以揭示出，为什么英国的议会成为了能够对王权起着某种制约的力量，而在法国，则在几百年内没有召开过三级议会，形成了强大的王权。应该看到，这里所讲的修辞不仅是指文字上的，而且还包括了"雄辩"的演说。如果从历史上来看，早在古代希腊和罗马时期，它就已经成为了民主政治的重要内容，因此也就成为了一个国家特有的政治文化。这样，我们就需要从修辞的视角来对此加以进行研究。

篇5

关键词：词相似度；词表示；免疫原理；分布式语义假设

中图分类号：TP391.41 文献标识号：A 文章编号：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

面向词的语义相似度问题主要体现在两个方面的研究，一个是基于属性相似的词语义相似度，一个是基于模式相似的词关系相似度[1]。本研究主要关注基于属性相似的词语义相似度计算。如果两个词之间有较高的属性相似度，那么称这两个词为义词。词相似度计算是为了挖掘语义相似的词或者相关的词，用于缓解数据稀疏的问题，因而在自然语言处理、信息抽取、信息检索等任务中发挥重要作用，比如特征抽取、查询扩展、问句匹配等。词语义相似度计算方法主要有两类，一类是基于词典或叙词表的方法，这类方法的典型特点是通过计算词典中与两个词相关联的边的数量计算词的相似度；另一类方法是基于语料的方法，这类方法的典型特点是获取词的上下文信息，处于相似上下文的词具有一定的相似度[2]。第二类方法不受限于词典的规模，可扩展性好，逐渐成为主流方法。本研究采用第二类方法，从语料中学习词的向量表示，并基于词表示计算词的相似度。现有的词表示方法研究都不具备持续学习能力，无法适应新的语料或者新的领域。为此，一种新的基于适应性免疫原理的多词主体自治学习模型[3]和基于免疫原理的词表示方法[4]被提出来。基于免疫原理的词表示实际上也是从词所在的语句中获取与该词相关的上下文信息，因而基于免疫原理的词表示用于词相似度计算是很自然的应用点。本文提出一种新的基于免疫原理词表示的词相似度计算方法，并在SemEval 2012 Task 4数据上进行了验证。通过对比实验证明，本文提出的词相似度计算方法不仅可行、而且有效。

1 相关工作

词相似度计算在应用中具有非常重要的意义，因而该研究一直备受关注。基于词典的方法简单易行，并且准确率较高，但是受限于词典的规模。在开放领域，常用的词典有：英文词典是WordNet，中文词典是Hownet、同义词词林（扩展版）等。在其他特定领域，为了能准确判断两个词的语义相同，不惜花费大量人力维护一个庞大的知识库，比如医疗领域中的UMLS。知识库如此重要，以至于需要采用基于语料的方法计算词的相似度来挖掘同义词或相关词，完善知识库。

在各类互联网应用蓬勃发展的时代，获得海量的文本数据变得很便捷，因而基于语料的词相似度计算能自动挖掘出更多的同义词（或候选）。本文主要关注基于普通文本语料的词相似度计算研究。这类研究最常见的思路是学习每个词的向量表示，基于词的向量表示，计算词的相似度，一般采用余弦相似度方法作为相似度值的度量。Baroni[5]等对语料进行依存分析后构建分布式词表示，在RG-65[6]评价数据上取得评价结果仅次于最好的系统。Turney[9]突破了常规思路，把词表示成两个向量，一个向量表示词的领域属性，其维度由当前词上下文中的名词组成，一个向量表示词的功能属性，其维度由当前词上下文中的动词组成，基于词的功能属性计算算词之间的语义相似度，基于词的领域属性，计算词之间的语义相关度，该方法在Chiarello等[7]构建的评价集上对相关度和相似度有较好的区分能力。Mikolov等[8]首次将词嵌入（由神经网络学习到的分布式词表示）成功应用于词相似度计算，并开发了开源工具word2vec，使词嵌入研究迅速成为自然语言研究中的热点之一。Levy等[9]则是先对语料进行依存分析后，把词所处的依存弧也作为神经网络的输入学习词嵌入，在WS-353[10]评价数据上取得结果要优于上下文特征抽取算法Skip-gram。Levy等[11]比较了词嵌入和分布式词表示在词相似度计算任务上的表现，词嵌入并不总是优于分布式词表示，而且认为在词嵌入上的成功经验也能迁移到分布式词表示上，并通过实验验证。Yih等[12]整合语料库、搜索日志和词典构造混合分布式词表示，计算词的相似度，该方法在多种评价数据上（WS-353[10]，WS-sim和WS-rel[13]，RG-65[6]，MC-30[14]，Mturk-287[15]）都取得了最好的结果。

在中文方面，基于语料的词相似度计算研究也开始引起研究者的关注，但是中文词相似度评价数据比较缺乏，有些研究采用同义词词林（扩展版）进行评价，或者参照英文的评价数据自行构建中文的评价数据。石静等[16]在新华社新闻语料和搜狗网络语料分别基于窗口上下文特征和基于依存关系构建词的向量表示，用余弦相似度方法计算词的相似度，根据词语在语料中出现的频次，选择一批出现在同义词词林（扩展版）中的高频词，进行评价。这类方法可以比较系统在不同词性上的评价值，但是不便于客观公正地和其他研究对比。王石等[17]采用词在二词名词短语中的搭配词作为其上下文抽取特征构造词的向量表示，在自行构建的评价数据上进行了评价。而且，同时又参照英文同义词评价集MC-30[14]构建了包含70个词对的评价集，词性包括名词、动词和形容词三类。在该评价数据的名词、动词和形容词中，这一方法分别取得了0.703、0，50.9和0.700的相关系数。目前公开并且可获取到的中文词相似度评价数据是SemEval-2012 Task 4的数据，该评价数据参照WS-353[10]构建，包含348个词对，50个词对用于开发。在评测提交的结果中，最好的结果达到0.05的相关系数[18]。本文实验采用这个评价数据。

2 基于免疫原理词表示的词相似度计算

2.1 词的表示

文献[4]提出了基于免疫原理的词表示和学习模型，该词表示受B细胞和词的一致性启发。在语句的依存结构中，一个词既处于支配的上下文中，又处于依赖的上下文中，因此基于免疫原理的词表示是把词表示成两个向量，一个向量表示词的支配属性，另一个向量表示词的依赖属性。词表示方法如图1所示。

图1 基于免疫原理的词表示

Fig.1 Immune principles inspired word representation

词 的形式化表示如式（1）和式（2）所示，互补位 表示词 的支配属性及对应的权重，独特性 表示词 的依赖属性及对应的权重。

（1）

（2）

2.2词相似度计算

分布语义假设（Distributional Hypothesis）认为出现在相似上下文的词具有相似的语义[19-20]。在本研究中，有关词的上下文分开为支配上下文和依赖上下文，因此，可把分布语义假设扩展为：如果两个词具有相似的支配上下文和相似的依赖上下文，那么两个词具有相似的语义。基于该假设，词 和词 的相似度计算公式如式（3）所示。

（3）

在式（3）中， 是余弦相似度函数， 和 分别表示词的支配属性向量和依赖属性向量。余弦相似度函数的值域为[-1，1]，式（3）要求相似度值不能小于0，否则就改变了函数值的正负号，在计算式（3）之前，需要把余弦相似度函数值通过函数 转换到[0， 1]区间。

3 实验结果与分析

SemEval-2012第4个任务了一套标准的中文词相似度评价数据，该数据能客观公平地评价词相似度计算模型的准确率。本文接下来介绍基于免疫原理的词表示在该数据上的实验和评价结果。

3.1 评价数据和评价指标

评价数据包含347个词对，其中50个词对用于开发，297个词对用于评价。每一个词对由20位母语为中文的标注者赋予一个相似度值，相似度值范围取值是[0，5]，赋予的值越大，两个词的语义相似度越大，5意味着两个词的语义完全相同，0意味着两个词没有任何关系。每一个词对赋予的相似度值的平均值作为该词对的相似度值。根据相似度值，将这些词对按照相似度值降序排序，此顺序作为评价数据的黄金标准。词相似度计算模型计算每个词对的相似度值，并且按照相似度值排序，模型给出的词对排序与评价数据的排序进行比较，计算两个排序的相关度，相关度计算采用肯德尔系数[21]。肯德尔系数计算公式如式（4）所示。

（4）

其中，N是词对的总数， 和 是对词对的两个排序， 是保证 和 排序相同而需要相邻交换的最小次数。 的意义可解释为排序一致的词对百分比减去排序不一致的词对百分比。 的取值范围是[-1，1]， 的值越大，表明两个排序一致性越高，-1意味着两个排序完全相反，1意味着两个排序完全一致。

3.2 词表示学习语料和实验过程

多词主体自治学习模型的训练语料采用中文滨州树库转换的依存树库[22， 23]，一共18 602句，在该树库上学习特征的权重。词表示学习语料为中文Gigaword第5版，选用了光明日报（gmw_cmn）和新华社（xin_cmn）新闻语料。由于词表示构建需要抽取词在语句中依存结构的上下文特征，所以需要对语料进行分词和词性标注和依存分析。在实验中，分词和词性标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]。词表示构建流程如下：

（1）从中文Gigaword语料中抽取正文

（2）按照句号、问号等规则进行句子切分

（3）对语句依次进行分词、词性标注和依存分析

（4）抽取语句依存结构中依存对的特征，把依存对的上下文特征分别作为依赖词的依赖上下文特征和支配词的支配上下文特征。

（5）合并语料中相同词的依赖上下文特征和支配上下文特征，形成词的两支向量表示，特征的权重从多词主体自治学习模型中获取。

基于该词表示，计算评价数据中每个词对的相似度值并排序。

3.3实验结果

实验在两组数据上展开，一组实验室采用的语料是光明日报语料，另一组实验室采用的语料是光明日报语料和新华社语料，对比试验是为了比较不同语料规模对词表示学习的影响。为了验证本文对分布式语义假设扩展的必要性，研究把词的支配向量和依赖向量合并为一个向量，用余弦相似度函数计算词之间的相似度，并进行比较。

对比实验结果如表1所示。对比实验说明扩大语料规模能学习到更好的词表示，其原因是从更大规模的语料能获取到更多的词上下文信息，这一点对低频词更为重要。如表1所示，合并后的单一向量词表示的评价结果相较于两支向量词表示的评价结果要低，这一比较结果证明了基于免疫原理词表示的词相似度计算方法具有一定的优越性，也说明本文对分布式语义假设的扩展是有效的。

表1 不同语料上词相似度评结果

Tab.1 Evaluations for word similarity on different corpuses

语料集 词表示方式 相似度排序相关性（ ）

光明日报 两支 0.1997

光明日报+新华社 两支 0.2223

光明日报+新华社 合并为一支 0.1910

表2列出了其他研究在该数据集上的实验结果。表中前4个是SemEval-2012在该数据集上的评测结果[18]， 第五个是Peng Jin等[27]在该数据上的进一步研究结果，最后一个是开源工具word2vec在该数据上的结果呈现。运行word2vec的参数为：抽取上下文的算法是skip-gram、输出向两维度是200、窗口最大值5、训练算法是分层softmax，训练语料是光明日报语料和新华社语料。这6个研究都采用基于语料的词相似度计算方法，并且采用的语料都是中文Gigaword，因而和本文的研究具有可比性。

表2其他研究的评价结果

Tab.2 Evaluation results of other researches

对比系统 词对相似度排序相关性（ ）

MIXCC 0.050

MIXCD 0.040

Guo-ngram 0.007

Guo-words -0.011

Peng Jin 2012[27]

0.023

word2vec 0.3405

从表1和表2对比结果可以看出，本文的实验结果明显优于其他研究的结果，但是和word2vec的评价结果有一定的差距。对比结果证明了本研究提出的基于免疫原理的类B细胞词表示以及相似度计算方法在中文词相似度计算这一任务上是有效的，并且有较大的优势和潜力。

4 结束语

本文主要是把基于免疫原理的词表示应用到中文词相似度计算任务上，并提出新的词相似度计算方法，以验证词表示的有效性。本文实验从中文Gigaword新闻语料中构建词表示，在SemEval-2012第四个任务的数据上进行了评价，评价结果明显优于该数据上其他研究结果。实验结果证明了词表示的有效性。词相似度计算是词表示的直接应用，因此提高此相似度计算方法的性能关键在于进一步改善词表示的学习方法。后续工作将继续围绕词表示构建和学习展开，使学习到的词表示能表达出更多的句法和语义信息。

参考文献：

[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] 石静， 吴云芳， 邱立坤， 吕学强.基于大规模语料库的汉语词义相似度计算方法[J]. 中文信息学报， 2013， 27（1）： 1C6.

[17] 王石， 曹存根， 裴亚军， 等. 一种基于搭配的中文词汇语义相似度计算方法[J]. 中文信息学报， 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、学生有了丰富的想象力，就能使文思纵横驰骋，凌空翱翔，从而使写出来的人物栩栩如生、活灵活现，景物描写生动形象、有声有色。

2、惠特曼激励美国之鹰凌空翱翔，这是对于美国文人至关重要的一件大事。

篇7

首先我代表台湾xx集团xx有限公司的全体员工，对各位领导和各位嘉宾前来参加xx县与我公司项目签约仪式表示热烈的欢迎和衷心的感谢！您们的到来，更加增添了我公司与xx合作的喜庆气氛，使我们倍感荣幸和激动。

我们xx公司隶属于台湾xx集团，总部在台湾，在xxxx、xxx设有两家食品公司，主要生产高档脱水包菜、香葱、萝卜等。这次拟在xx投资建设4条具有国际先进水平的脱水菜生产线，可年产6000吨脱水蔬菜。计划项目总投资1亿元人民币，固定资产投资600o万元人民币。主要设备采用国际最先进的热风干燥、冷冻干燥设备及选别设备。公司主要与当地农业部门和广大农民群众合作，建立农业科技研究示范园区及专业化蔬菜种植体系，建设优良的原料供应基地，专业生产各类脱水蔬菜食品。4条生产线全部建成投产后，年可创产值10000万元，利税2500万元。产品主要供应顶新集团，其余出口韩国及欧美等国家和地区。可带动全县10万农户发展蔬菜、水果、食用菌等产业，年实现产值10.4亿元，农民来自特色农业的经济收入可占到农民人均纯收入的75%。

我们之所以选择在xx投资，不仅是因为看中了这里优越的生产条件和丰富的蔬菜资源，更重要的是我们看中了这里优越的投资环境。经过最近一个时期的参观考察和对公司前期筹备工作的实际运作，我们深刻体会到，xx县的环境非常好，在xx县投资我们感到非常放心，也非常舒心。借此机会，我代表公司对给予大力支持和帮助的县领导和县直有关职能部门表示诚挚的感谢！由于我们公司刚刚起步，企业的发展离不开大家的支持和帮助。我们真诚地希望大家像朋友一如既往地支持我们的工作，为企业发展创造良好环境。对社会各界的关爱，我公司将以一流的业绩给予真诚的回报。

篇8

【关键词】社会分工；阶级；国家；人的解放

中图分类号：Fll

文献标识码：A

文章编号：1006-0278（2015）06-027-01

一、第四次社会大分工的到来将可能会使资本主义生产方式下形成的旧式分工消亡

资本主义生产关系把人分为了工人和资本家。在资本主义社会，无产阶级沦为资产阶级的工具，他们把自己作为商品来出卖，而仅能从资本家那里获得勉强用以维持生存和繁衍的微薄工资。工资不是工人在他所生产的商品中占有的一份。工资是原有商品中由资本家用以购买一定量的生产劳动的那一部分。①这种旧式分工只会使无产阶级和资产阶级的矛盾深化，进而引发革命。新的社会分工，即南北分工，立足全人类的幸福，力图消灭旧式分工所带来的压迫和剥削。

在旧式分工中，分工的细化本来是为了给生产者带来便利，但是由于私有制的存在，生产资料隶属于剥削者，所以这种分工变发生了异化变成一种压迫和剥削劳动者的力量。新式分工中，生产资料归全社会所有，分工是出于自愿原则，根据劳动者个人的意愿结合自身的长处，从生产者自身所喜欢的劳动。这种分工打破了地域、职业对个人的束缚，劳动者可以根据白身和社会的需求白由安排自己的劳动，不再为生活资料所困扰。

原来，当分工一出现之后，任何人都有自己一定的特殊的活动范围，这个范围是强加于他的，他不能超出这个范围：他是一个猎人、渔夫或牧人，或者是一个批判的批判者，只要他不想失去生活资料，他就始终应该是这样的人。②新的分工出现以后，那种旧式分工所带来的身份束缚会逐渐消失，劳动者真正开始干自己喜欢干的事。随着教育的普及，科技的进步，个人的白由而全而的发展将不再是遥不可及的梦想。

二、第四次社会大分工的到来将可能会使阶级消亡

阶级不是从来就有的，而是社会发展到一定阶段的而产生的，人类社会的发展史就是一部阶级斗争的历史，阶级斗争是推动社会发展的直接动力。阶级的出现和私有制紧密相连，那么，阶级的消亡也必然伴随着私有制的消亡而消亡。新的分工的出现，是各国基于全人类发展的考虑而共同努力推动的，在新的分工形式下，人们只有一个共同利益，不存在特殊利益集团，也不存在拥有特殊利益的个人，阶级和阶级对抗逐步在社会中消失。要做到这一点，必须在新的社会分工下尽可能的大力发展生产力，生产尽可能多的劳动产品来满足全社会成员的需要。因为，只要生产的规模还没有达到既可满足社会全体成员的需要，又有剩余去增加社会资本和进一步发展生产力，就总会有支配社会生产力的统治阶级和另外一个阶级即贫困和被压迫的阶级存在。③归根结底，阶级之所以会出现，就是因为物质财富的有限性不足以满足全社会成员的需求，社会成员中的极少数占用并支配着绝大多数成员的物质财富。阶级统治就是建立在这种高压和迷惑性的基础之上。随着人类社会的发展，阶级将作为一种淘汰物消泯在历史的长河中。

篇9

关键词:函数;方程;数形结合分类讨论;整体类比;几何运动变化;建模

中图分类号:G633文献标识码:A文章编号:1003-2851(2009)10-0059-01

数学思想是数学知识的精髓,它在学习和运用数学知识的过程中,起指导作用。基本知识点是数学课上首先要掌握的,但更重要的是解决问题的思路和方法,思路和 方法的获取要靠自己一步一步地去体验和理解,更重要的是解决问题的过程,在过程中探索、获取思路和方法。每年的中考数学题都着重考查了同学们对数学思想方 法的理解和掌握。因此,同学们在数学学习中,对重要的数学思想方法的学习要加强,而不是消弱。

下面谈一谈“一次函数”中的数学思想。

一、函数的思想:就是根据题中条件学会用函数方法解决实际问题。“函数”是从量的侧面去描述客观世界的运动变化、相互联系,从量的侧面反映客观世界的动 态,它们的相互制约性,函数是研究现实世界变化规律的一个重要模型。经历函数、一次函数等概念的抽象概括过程,体会函数的模型思想和一次函数在我们现实生活的广泛应用,培养同学们“数学化”的能力。

二、方程思想:就是从分析问题的数量关系入手,适当设出未知数,通过等量关系列出方程或方程组来解决问题的一种数学思想方法。主要是指建立方程(组)解决 实际问题的思想方法。函数思想与方程思想的联系十分密切。如解方程就是求函数y=f(x)当函数值为零时自变量x的值;用函数图象的“交轨”方法,可以求 出或讨论方程f(x)=g(x)的根或“函数组”化的方程组,等等。这种联系提供了解决问题过程中转化的依据。

三、转化思想:就是根据知识间的内在联系 ,把所要解决的问题转化为另一个较易解决的问题或已经解决的问题,恰当地把题目中的某些关系从一种形式转化为另一种形式,问题就能比较顺利地得到解决,这 就是转化思想。领悟了转化思想,能够帮助同学们打开思路,把一个较复杂或陌生的问题转化成较简单或熟悉的问题。 例如,一次函数的图、表、式三种表示方法之间的相互转化,通过方程与函数的联系解决问题,求两条直线交点的问题转化为解二元一次方程组的解。使学生学会以 特殊情况为基础,通过转化来解决一般问题的方法,培养学生把文字语言转化为数学符号的能力。

四、数形结合思想:就是把问题中的数量关系和空间形式结合起来加以考查的思想,简单地说,就是将数与形结合起来解题的一种方法,在数学中占有非常重要的地 位。在解题方法上,把“数”与“形”相互转化,从而使问题化难为易、化繁为简,做到灵活进行数形转化,达到解决问题的目的。在生活中量与量的关系可以形象 地通过图象直观地表现出来,如心电图、股市行情走势图等,图象中含有着丰富的图象信息,要善于从图象的形状、位置发展变化趋势等有关信息中获取启发。教学 中根据函数的图象确定一次函数的表达式,由函数图象获取信息,由y=kx+b中k、b的值,可画函数的图象;由函数图象,能判断k、b的取值范围;以及y 随x的变化而变化的情况。让学生把一次函数的性质熟练运用,进一步体现数形结合思想。

五、分类讨论思想:当研究的问题包含多种可能情况时,必须按所有可能出现的情况来分别讨论,从而得到各种情况下相应的结论,这种处理问题的思想称为分类讨 论思想。它既是一种数学思想,又是一种重要的解题策略。并且需分类讨论的问题覆盖的知识点较多,还要注意分类的方法和技巧,做到明确分类标准,即“不重 复,不遗漏”。如一次函数图象经过哪些象限需要针对k、b的取值范围分情况讨论;理解某函数的折线图象时需分段考虑;实际应用题中涉及多种情况时也需要分 类。

六、整体思想:就是将注意力和着眼点放在问题的整体上,或把一些相互联系的量作为整体来处理的思想。不仅能避免复杂的计算,而且能达到解决问题的目的。如 “y-a 与2x+b成正比例”,那么,可以设y-a=k(2x+b),则y=2kx+2b+a,…

七、类比思想:即所谓的“类比发现法”,就是通过对两个相类似的数学研究对象的异同进行观察和比较,从一个已经学过的、熟知的研究对象所具有的性质,去猜 想另一个研究对象所具有的类似的性质。同学们可由题目结构相同或类似,类比可得题目间解题的方法可能相同或类似,以此尝试确定解题的思路。

八、几何运动变化思想:适用于常以动态的形式出现的图形变换题。将一个图形或某部分进行平移、旋转、轴对称或中心对称变换后,得到新的图形,从中探求结 论。不仅要求学生会根据已知条件作出变换后的图形,还要求学生能根据原图形与变换后的图形的位置关系说明具体的变换过程。“一次函数”中主要是了解图象 (直线)的平移。

篇10

一、阴阳对立

在我国，早在史前的氏族社会就已产生了带有朴素辩证思想的八卦，到了殷周代，进一步发展了这种思想。《易经》载：“易有太极，是生两仪，两仪生四象，四象生八卦，八卦定吉凶，吉凶生大业。”同时，孔子在作《易》之十翼时便已经充分反映出了其阴阳哲学。

（一）他讲自然讲阴阳

如《周易.系辞下》：“子曰：‘乾坤，其《易》之门邪？乾，阳物也；坤，阴物也。阴阳合德，而刚柔有体。以体天地之撰，以通神明之德。其称名也，杂而不越。于稽其类，其衰世之意邪？”

孔子认为客观世界万事万物本身就存在着阴阳对立的自然法则，存在着阴阳对称、阴阳均衡等各种美学属性。所以孔子运用对偶这一手段将客观世界上述各种自然关系、法则表现了出来。

（二）他谈生命之本讲阴阳、奇偶

如《孔子家语.本命解》：“‘鲁哀公问于孔子曰：“人之命与性何谓也？’孔子对曰：‘分于道谓之命，形于一谓之性。化于阴阳，象形而发谓之生，化穷数尽谓之死。故命者，性之始也；死者，生之终也。有始则必有终矣。……一阳一阴，奇偶相配，然后道合化成。性命之端，形于此也。’”

孔子的性命观也以阴阳为两点论，认为人的生命是由天地自然之道而化生出来的，人的性是受阴阳之气而形成的，有一定形体发出来，叫做生；阴阳变化穷尽之后，叫做死。所以说，命就是性的开始，死就是生的终结。有始则必有终。

太极的图像就是一对对立的阴阳鱼状，但合而为一的圆体。这种图像就表达了人们对宇宙万事万物既是对立的又是和谐统一的认识。同样，孔子在讲自然、人本身的阴阳对立的同时，还讲求这种阴阳对立的和谐统一。

二、和谐统一

《论语・子路篇》讲：“君子和而不同，小人同而不和。”“和而不同”是孔子思想体系中对重要组成部分。中国自古讲求“以和为贵”，孔子的“和而不同”正是对“和”这一理念的的具体阐发。具体来说孔子的“和”是和谐，是统一，“同”是相同，是一致；“和”是抽象的，内在的；“同”是具体的，外在的。“和而不同”，就是追求内在的和谐统一，而不是表象上的相同和一致。

（一）个人身心的和谐

“君子食无求饱，居无求安，敏于事而慎于言”（《论语・学而篇》）

“贫而乐，富而好礼”（《论语・学而》）

“态士仁人，无求生以害仁，有杀身以成仁”（《论语・卫灵公》）

“其身正，不令而行；其身不正，虽令不从。”（《论语・子路篇》）

孔子在这里强调个人要正确处理理与欲，义与利，精神追求与物质追求等的对立关系，做到心态和谐，思想和谐。

（二）集体社会的和谐

“入则孝，出则锑，事父母，能竭其力”（《论语・学而篇》）

“父母之年，不可不知也，一则以喜，一则以惧”（《论语・里仁篇》）

“四海之内皆兄弟”（《论语・颜渊篇》）

“故远人不服，则修文德以来之"既来之，则安之”（《论语・季氏篇》）

孔子强调在家庭中，要敬爱父母，友爱兄弟，使孝梯成为人们内心的一种情感追求和道德自觉，使每一个家庭都能够尊老爱幼，和谐相处。同时在民族与民族、国家与国家的关系上，主张和谐共处，协和万邦。

孔子很早就认识到客观世界万事万物既具有对立关系又具有统一关系，如自然的上下、左右、花草、山川等的偶体存在状态；个体所面临的义利、贫富、君子小人等的矛盾关系，并且逐步找到了一种化矛盾为和谐的特殊方法。那就是“和而不同”的辩证思维方式。

三、结语