英语句子层级结构计量分析

　　层次性是人类语言系统的基本属性之一。这种层次性在句子结构方面表现得尤为明显（冯志伟2011：136）。Tesnière（1959：16）认为，句子的层级顺序是一种比线性顺序更基础的语言结构属性，句法的主要任务是探究两者的转换规则。句子层级的一般表示方法为树形结构图（简称树图），这种用树形结构表示层级的方法也被广泛应用于数学、计算科学、人类学等领域（刘海涛2009：1-22）。语言研究中，为清晰地表示语言单位间的关系和功能而采用“画图析句”的思路在中西方语言学家中均有体现，如黎锦熙的图解法（黎锦熙1992）、Tesnière的依存图式（Tesnière 1959）、Chomsky的生成句法树图（Chomsky 1957）。因此，句子层级结构的描写成为语言研究的重要内容，不仅对语言教学有着切实的应用价值，更与探究语言自身的演化规律和人类的普遍认知密切相关。

　　传统的语言结构研究偏向理论的构建与完善，不管是依存语法还是生成语法，都试图以理性主义的方法，用有限的规则描述无限的语言事实。20世纪90年代以来，计算语言学界率先掀起了一股经验主义的浪潮，这种以概率统计和大数据驱动的方法使得语言研究的钟摆悄然向经验主义复归。前人对句子层级结构的研究大多偏重理论探讨（Owens 1984；Nichols 1986；Osborne 2011），而非基于大规模真实语料，采用数理统计方法来探究句子层级结构的规律。大规模树库的建立和计算机的普及使得用数据驱动的方法研究语言的结构规律成为可能。

　　句子结构的分析方法以短语结构和依存关系分析最为常见，前者探究句子组分间部分与整体的关系，而后者考察组分间支配与被支配关系。相较而言，依存句法的分析体系更适用于语序相对灵活的语言，如拉丁语、俄语、德语等，有利于人类语言层级结构普遍规律的发现（刘海涛2009；Osborne 2014）。

　　

　　图1为英语句子“The small streams make the big rivers.”的依存结构树图，基于词间二元非对称关系的树图，可以清晰地看出句子的层级结构。动词make是句子的根（root），直接支配两个子节点streams和rivers，这两词又都可作为支配词分别下辖两个子节点。单个支配词可下辖一个或多个子节点，单个子节点最多只能受一个支配词支配。二维的层级结构按时间序列在水平方向上形成投影（projectivity）①，将结构顺序和线性顺序联系起来。

　　本研究在依存句法理论框架下，利用大规模依存句法标注语料库（树库），通过构建层级结构计量指标，如节点数、层级数、层级距离、平均层级距离和英语平均层级距离，系统考察了英语句子的层级结构特性。主要关注以下问题：是否句长越长，层级数越多？句长相同时，层级又是如何分布的？英语句子层级深度的平均值是否存在上限？

　　2.研究方法与资源

　　2.1 语料预处理

　　本文采用布拉格捷-英依存树库2.0版（PCEDT 2.0）中的英语依存子库，该库的英文语料源自整个宾州树库②的华尔街日报语料，按照依存句法体系手工标注而成，满足投影性条件（ et al.2006）。原数据采用可扩展标记语言（XML）进行存储，我们利用R软件平台内两个软件包（XML和RODBC包），结合xpath语句遍历全部节点属性，计算出层级信息，实现数据的提取、预处理和再存储，最终汇成表1的格式。

　　

　　通过以上步骤，我们获得的英语依存子库大小为1173766词次（token），句子总数为49208句，平均句长为23.85。剔除句长小于等于3的非句，如“@”，“Virginia：”，“New Jersey：”等特殊字符或新闻标识信息，共476句，占比0.97%。此外，为避免大数据的冗余，降低方法的鲁棒性，本文将筛选后的树库（T0）按句子数等分成4份，构建了4个子库（T1、T2、T3和T4），详见表2。

　　

　　2.2 层级结构计量指标

　　层级结构计量标准的设定，既是对研究问题的具体量化，又需要一定程度上反映句法结构的复杂度。Miller & Chomsky（1963：485）用生成句法树图中节点总数与终端节点数的比例，来衡量句子结构的复杂度，实质是一种频次测量。Hawkins（1994：25）采用结构域大小，即结构中所含节点的多少，作为结构复杂度的衡量标准，更接近线性维度的结构容量测量。这些标准用节点分布和结构容量来计算句子结构复杂度，并不能反映层级结构逐级扩展的特点，也很难有效衡量句子结构的实时加工难度。