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

〔中图分类号〕 G633.3 〔文献标识码〕 A

〔文章编号〕 1004—0463（2014）01—0093—01

一般而言，唐诗重情，宋诗重理。但对高考试题中古代诗歌思想内容的复习，应放眼诗境，将思想内容与意象、语言、表达技巧联系起来，就诗论诗，具体分析，才能准确把握。在教学过程中，我将领悟高考诗歌思想情感的方法归纳如下：

一、一别音讯两茫茫——赠友送别

首先，抓文题中的送、赠、别等词，了解古人折柳、吟唱、饮酒等饯行习俗，积累柳、霜林、船、车马、长亭、短亭、灞桥、南浦等意象。其次，掌握借景抒情、衬托等表达技巧，来领悟作者的离情别恨、激励劝勉等情思。

【示例】（2010·江苏卷）

送魏二 王昌龄

醉别江楼橘柚香，江风引雨入舟凉。

忆君遥在潇湘月，愁听清猿梦里长。

一、二两句诗中“醉别”、“江风引雨”表达了惜别深情，请作简要说明。

明确：惜别知音，借酒浇愁；凄凄风雨烘托悲凉的心情。

二、悔教夫婿觅封侯——闺怨诗

闺怨诗有写闺中女子的后悔、怨恨的，也有写对丈夫的关切、牵挂的。

【示例】

秋闺思 张仲素

秋天一夜静无云，断续鸿声到晓闻，

欲寄征衣问消息，居延城外又移军。

望夫词 施肩吾

手燃寒灯向影频，回文机上暗生尘。

自家夫婿无消息，却恨桥头卖卜人。

两首诗都写到了“消息”，张诗的“问消息”和施诗的“无消息”的具体内容有何不同？两首诗都表达了怎样的思想感情？

明确：张诗的“问消息”是要探问出征的丈夫身在何处，施诗的“无消息”是不知道丈夫何时回家。两首诗都表达了对离家在外的丈夫的思念之情。

三、何人不起故园情——思乡怀远

常见意象有：驿道、征铎、马、舟、鸿雁、浮萍、飞蓬等，情感类别有羁旅愁思、征人思乡等，鉴赏要抓住意象，构建图景，体悟思想情感。

【示例】（2011·重庆卷）

渡江 张弼

扬子江头几问津，风波如旧客愁新。

西飞白日忙于我，南去青山冷笑人。

孤枕不胜乡国梦，敝裘犹带帝京尘。

交游落落俱星散，吟对沙鸥一怆神。

“客愁”在诗中表现在哪些方面？请加以概括。

明确：（1）奔波忙碌（几问津、忙于我），孤身在外（孤枕），思念家乡（乡国梦），朋友零落（交游落落）。

四、独怆然而涕下——即事感怀诗

古人常以“即事”为题，因事而发，以吐胸中块垒。鉴赏时要找准“事”，抓住“怀”，注意“事”与“怀”结合点，谨记 “即事”是为 “感怀”的读诗原则。

【示例】（2012辽宁卷）

初见嵩山 张耒

年来鞍马困尘埃，赖有青山豁我怀。

日暮北风吹雨去，数峰清瘦出云来。

作者初见嵩山是什么样的心情？这样的心情是怎样表现出来的？请结合全诗简析。

明确：初见嵩山，作者的心情惊喜而又亲切。这种心情是铺垫出来的：①作者奔走风尘，全靠青山开阔情怀，所以嵩山未露面就给作者一种期待感；②接着作者运用迂回之笔，一道雨幕被拉开，最后嵩山从云层中耸现，惊喜和亲切之感扑面而来。

五、风物关情放眼量——咏物言志诗

针对所咏物象，借助表达技巧象征、托物言志、拟人等来体悟作者所言之“志”。

【示例】（2012天津卷）

野菊 杨万里

未与骚人当糗粮，况随流俗作重阳。

政缘在野有幽色，肯为无人减妙香？

已晚相逢半山碧，便忙也折一枝黄。

花应冷笑东篱族，犹向陶翁觅宠光。

1.颔联描绘了怎样的野菊形象？

明确：野菊生长于山野，花色清淡、香气清馨，不因无人欣赏而自减其香，不为外部环境而改变内心的高洁。

2.尾联化用了陶渊明哪句诗？表达了作者怎样的志趣？

明确：采菊东篱下；率性自然，超凡脱俗。

六、古今多少兴亡事——咏史怀古诗

弄清史实（“怀”什么“古”），再体会意图（为什么“怀古”）从而领悟作者在“怀古”中表达了什么思想感情。

【示例】

苏武庙 温庭筠

苏武魂销汉使前，古祠高树两茫然。

云边雁断胡天月，陇上羊归塞草烟。

回日楼台非甲帐，去时冠剑是丁年。

茂陵不见封侯印，空向秋波哭逝川。

篇8

嬉皮笑脸、逢场作戏、吊儿郎当、吊尔郎当、放荡不羁、游戏人间等。释义如下：

嬉皮笑脸：形容嬉笑不严肃的样子。逢场作戏：原指旧时走江湖的艺人遇到适合的场合就表演，后指遇到机会，偶尔凑凑热闹。吊尔郎当：形容作风散漫，态度不严肃。吊儿郎当：形容仪容不整，作风散漫，态度不严肃或不认真。放荡不羁：形容行为放纵;不受约束。游戏人间：指把人生当作游戏的一种生活态度。

（来源：文章屋网 ）

篇9

今日，我又开始回味，看着眼前的手牌，回味着小时候的那一次次......

小时候，我就已经会玩扑克牌了，我每次和我的小伙伴玩时，他们总盯着对方的牌看，这使我领会到了一个道理，这个道理也是他们让我明白怎么糊弄人的了。

一天，我和小伙伴们又在玩牌了，当我是地主的时候，另外两个人就老盯着我看，我本来不知道他们在看什么，后来才明白。于是，我每当出牌出到剩下一次又很多牌，牌却又是小得可怜之时，我便假装拿起几张牌准备要下时，我的对手，农民们顿时放松了警惕似的，原本那怕我一下子把牌出完的思想顿时化无了。等到我出牌时，我便送了一个大大的惊喜给他们，就是我赢了......

这时的今天，我才知道我又多“干炸”，又认为我当时很有脑子，但是我这时又怎样了，不大发达了——但愿脑子们都会思考吧!

篇10

相思诗词中借景抒情、咏物抒情等含蓄的抒情方式十分多见，而最为特别的方式就是“无”中生“有”，即通过想象或者联想，形成一个并不真实存在的场景或心境，让人体会到其中真实存在的情感。“有”与“无”本是一对矛盾对立的状态，但在古代相思诗词中它们却以独特的方式共生并立，使得相思诗词的情感表达魅力无穷。而这种含蓄的抒情方式主要体现在以下三个方面。

一、造梦与相思

相思诗词中含蓄的抒情方式首先体现在梦境中。主人公多通过“入梦”的方式来抒发自己的情感。“梦”是人物心理、情感的曲折化。正如佛洛依德所说：“梦，它不是空穴来风、不是毫无意义的、不是荒谬的……它完全是有意义的精神现象。实际上，是一种愿望的达成。它可以算是一种清醒状态精神活动的延续。虽然梦境并不是真实存在，但却承载了现实世界所要表达的真情。”

唐代令狐楚《闺人赠远》中写道：“绮席春眠觉，纱窗晓望迷。朦胧残梦里，犹自在辽西。”描绘了一位初醒的女子，纱窗外一片朦胧，她的梦境也模糊不清，在这残缺不全的梦里，她记得自己见到了情郎，久久不愿清醒，幻想着自己还在辽西陪伴着情郎。梦中的甜美与梦醒的苦涩，将一个情深意切的思妇的伤感与无奈表现得丝丝入扣。正是通过这一个不真实的梦境让她释放出了深埋心底的真情。

唐代金昌w的《春怨》同样采用了这样的抒情方式：“打起黄莺儿，莫教枝上啼。啼时惊妾梦，不得到辽西。”黄莺儿的啼叫打扰了思妇的梦，使她无法与在辽西的情郎相聚。相隔千里，思妇只能在梦里与情郎短暂相聚，可她竟然连这种虚幻的安慰也得不到，让她怎能不把一腔怅恨向着黄莺儿发泄呢？

在词作中，利用梦境来传递情感同样常见。无论是“枕上片时中，行尽江南数千里”中千里追寻梦中人的执着，还是“可怜无定河边骨，犹是春闺梦里人”中梦里情郎早已逝的唏嘘；无论是“小轩窗，正梳妆，相顾无言，惟有泪千行”中物是人非的缱绻情深，还是“梦入江南烟水路，行尽江南，不与离人遇”中佳人难见的苦痛无奈，都因为梦境与现实这一对“有”与“无”的统一，使相思至深，令人动容。

梦的“无”与情的“有”，使相思诗词的情感表达更为委曲婉转，扣人心弦。

二、荒谬与真情

在相思诗词中常常会看到一些令人啼笑皆非的举动或心理，看起来荒谬至极，细细思考，却情真意浓。正如贺裳《皱水轩词筌》中写道：“唐李益诗曰‘嫁得瞿塘贾，朝朝误妾期。早知潮有信，嫁与弄潮儿。’子野《一丛花》句末云：‘沉恨细思，不如桃杏，犹解嫁东风。’此皆无理而妙。”

李白在《春怨》中写道：“白马金羁辽海东，罗帏绣被卧春风。落月低轩窥竹尽，飞花入户笑床空。”花朵并无情感，而思妇却将随晚风飘入窗户的花朵说成是对自己空房的嘲笑，这种看似荒谬无理的责备，却让读者体会到了思妇对自己连花朵都不如的悲痛与感伤，同时感受到了思妇对于久别的情郎的思念之深。

这在词作中也颇为多见。吕本中《采桑子》：“恨君不似江楼月，南北东西。南北东西。只有相随无别离。恨君却似江楼月，暂满还亏。暂满还亏。待得团圆是几时。”到底是愿君似江楼月还是不似？自相矛盾，恨得不讲道理。但细细想来，这样的荒谬不正是把一个恋爱中的女子患得患失的形象描绘得更为生动吗？而那些胡言乱语，不正是因爱生怨的情到深处自然痴吗？

三、目之不及与心之所向

在交通工具有限的古代，一座大山、一条大河，都会成为阻挡思妇和旅人相见的障碍。也正是由于这种目所不能及的“无”的状态，造就了一种情在心中的“有”的境界。

欧阳修在《踏莎行》下阕写道：“寸寸柔肠，盈盈粉泪，楼高莫近危栏倚。平芜尽出是春山，行人更在春山外。”那平芜尽头的青山已经是极远之地了，但思念的人却还在春山之外。山是阻挡视线之物，奈何思妇登上高楼，踮起脚尖也还是绕不过那座山，但是在淡淡的无奈中，我们感受到的却是思妇对那春山之外“行人”的无尽牵挂。

同样，刘采春的《罗y曲》云：“那年离别日，只道住桐庐。桐庐不见人，今得广州书。”不断变化着的地址，没有一个是思妇所能到达的，但那追不上情郎脚步的埋怨中，却深藏着对于情郎的惦念，无论在何地，思妇的深情都藏于心中。