陳佩輝

人文資料電子數(shù)據(jù)庫(kù)自誕生以來，在得到越來越多人文學(xué)者好評(píng)的同時(shí)，也受到不少來自文獻(xiàn)學(xué)、史學(xué)研究者的質(zhì)疑與批評(píng)，這些質(zhì)疑在數(shù)據(jù)庫(kù)方面集中在數(shù)據(jù)的準(zhǔn)確性與全面性上。王瑞來從版本學(xué)的角度對(duì)數(shù)據(jù)庫(kù)中的一些書籍的版本選擇提出批評(píng)，認(rèn)為有些書目的版本選擇有誤，而這會(huì)給研究者帶來很多誤解，進(jìn)而影響研究論文的質(zhì)量[1]。包偉民對(duì)數(shù)據(jù)庫(kù)選取信息的整全性以及可行性提出質(zhì)疑，認(rèn)為提取數(shù)據(jù)時(shí)建設(shè)者的史學(xué)修養(yǎng)非常重要，如果不明了選取對(duì)象的多種表述方式，就會(huì)出現(xiàn)各種漏選，基于數(shù)據(jù)庫(kù)研究的準(zhǔn)確性自然會(huì)令人質(zhì)疑。此外，很多歷史信息的關(guān)聯(lián)會(huì)隨著研究的不斷深入而凸顯，本來數(shù)據(jù)庫(kù)是為了方便研究，而在甄別數(shù)據(jù)的過程中就已經(jīng)完成了相關(guān)研究，那么是否還有必要建設(shè)數(shù)據(jù)庫(kù)就成了新的問題[2]。兩位學(xué)者都強(qiáng)調(diào)人文基本功的重要性，認(rèn)為計(jì)算機(jī)不可能代替人文學(xué)者。其實(shí)這是對(duì)數(shù)字人文的一個(gè)常見誤區(qū)，數(shù)字人文本質(zhì)上依然是人文，計(jì)算機(jī)不可能替代人文研究者，除非人工智能可以像人一樣思考。兩位學(xué)者并非完全拒斥數(shù)據(jù)庫(kù)，而是保持一定的開放態(tài)度，包偉民認(rèn)為面對(duì)數(shù)字人文，新時(shí)代人文學(xué)者應(yīng)該學(xué)會(huì)使用信息技術(shù)[2]。

面對(duì)數(shù)字人文對(duì)傳統(tǒng)人文學(xué)的挑戰(zhàn)，兩位學(xué)者實(shí)質(zhì)上是基于歷史文獻(xiàn)信息的復(fù)雜性對(duì)數(shù)據(jù)庫(kù)建設(shè)提出了挑戰(zhàn)以及可能改進(jìn)的方向。本文即是基于筆者在實(shí)際數(shù)據(jù)庫(kù)建設(shè)過程中的經(jīng)驗(yàn)，嘗試探討人文學(xué)者如何在數(shù)據(jù)庫(kù)建設(shè)中發(fā)揮其主導(dǎo)作用①。由此既可以解決來自數(shù)字人文時(shí)代對(duì)史學(xué)研究者的挑戰(zhàn)，也可以回應(yīng)歷史文獻(xiàn)研究者對(duì)數(shù)據(jù)庫(kù)建設(shè)的質(zhì)疑。

1 問題的發(fā)現(xiàn)

中國(guó)歷代人物傳記資料庫(kù)(China Biographical Database Project，CBDB)在建設(shè)數(shù)據(jù)庫(kù)時(shí)主要采用的方法是標(biāo)記(tagging)，即先利用正則表達(dá)式提取文獻(xiàn)中的信息，再通過人工審核補(bǔ)充標(biāo)記。在數(shù)據(jù)庫(kù)建設(shè)中，人文學(xué)者負(fù)責(zé)審閱文本相關(guān)信息，找出古代漢語常見的表述規(guī)則，并在信息技術(shù)專家的指導(dǎo)下撰寫簡(jiǎn)單的正則表達(dá)式，信息技術(shù)專家主要負(fù)責(zé)校正正則表達(dá)式和編程。在分工上，人文學(xué)者與信息技術(shù)專家基本是分開的，彼此不熟悉對(duì)方的專業(yè)領(lǐng)域。當(dāng)研究對(duì)象的語言表述較為簡(jiǎn)單時(shí)，如此分工并不影響數(shù)據(jù)挖掘的質(zhì)量，但當(dāng)研究對(duì)象的語言表述較為復(fù)雜時(shí)，就很可能會(huì)影響信息提取的全面性和準(zhǔn)確性。筆者在提取《全宋文》墓志銘親屬信息時(shí)，就是按這一分工進(jìn)行的。不過，在工作過程發(fā)現(xiàn)了非常棘手的問題，即計(jì)算機(jī)無法識(shí)別人名。與官名不同，人名所用的詞匯量很大，無法僅僅根據(jù)詞頻與常見語法結(jié)構(gòu)有效確定其為人名；但在長(zhǎng)輩親屬姓名提取中，這個(gè)問題并不明顯，因?yàn)橛性S多關(guān)鍵詞如諱、曰、娶、氏和句尾標(biāo)點(diǎn)等可以作為人名的提示信息，計(jì)算機(jī)可以根據(jù)這些特征提取人名。比如，墓志銘中常見的表述方式為“親屬關(guān)系+ 諱(曰)+ 名字”，那么相應(yīng)的正則表達(dá)式(曾祖|祖父|祖等親屬關(guān)系)(諱 |曰)([^，。]{0，5})[，。]就可非常簡(jiǎn)易地提取出相關(guān)信息。但是，在提取子孫等晚輩姓名時(shí)，計(jì)算機(jī)無法識(shí)別人名的問題就會(huì)嚴(yán)重影響數(shù)據(jù)挖掘的準(zhǔn)確性和效率。比如下面這則信息：

孫男二十人：長(zhǎng)仲俶，右武衛(wèi)大將軍、眉州刺史；次仲誘，右武衛(wèi)大將軍、茂州刺史；次仲虺，右武衛(wèi)大將軍、春州刺史；次仲罃，右監(jiān)門衛(wèi)大將軍；次仲沃、仲芮、仲雪、仲敔、仲靡，并右千牛衛(wèi)將軍；次仲頎、仲霤、仲吟、仲醻、仲逢，并太子右監(jiān)門率府率；次仲誥、仲諲、仲慥，并太子右內(nèi)率府率；餘未命。[3]

無論用長(zhǎng)、次還是分號(hào)“；”等作為提示詞，都無法提取出所有的人名信息，其中至少一半的人名信息將被忽略。也就是說，雖然發(fā)現(xiàn)了這些常見的表述結(jié)構(gòu)，但無法運(yùn)用簡(jiǎn)易的正則表達(dá)式準(zhǔn)確地提取人名信息。

仔細(xì)審視這段文字所包含的信息，會(huì)發(fā)現(xiàn)其大量的信息是關(guān)于地名和官名的，如果剔除或者替代這些信息，那么人名是否會(huì)較容易被識(shí)別出來呢？以下是剔除了這些干擾信息之后的結(jié)果：

孫男二十人：長(zhǎng)仲俶，、；次仲誘，、；次仲虺，、；次仲罃，；次仲沃、仲芮、仲雪、仲敔、仲靡，并；次仲頎、仲霤、仲吟、仲醻、仲逢，并；次仲誥、仲諲、仲慥，并；餘未命。

顯然，親屬名字就比之前更容易識(shí)別，如果再對(duì)個(gè)別詞匯作進(jìn)一步處理，就很容易提取相關(guān)人名信息。

2 新方法的引入

人名信息雖然不是以有規(guī)律的方式呈現(xiàn)的，但人名周邊的信息是以某種有規(guī)則的方式出現(xiàn)，如官名、地名、并、余。而對(duì)有規(guī)則的表述，就可以利用計(jì)算機(jī)的工具進(jìn)行處理。我們可以把段落中的官名地名信息替換掉，實(shí)質(zhì)上與正則表達(dá)式提取信息有異曲同工之妙。前者反向凸顯人名信息，先刪除有規(guī)則的表述，然后再提取人名，而后者根據(jù)人名的有規(guī)則表述直接提取人名信息。然而，這種思路適合全部的墓志銘信息嗎？

為驗(yàn)證該方法是否對(duì)整個(gè)《全宋文》墓志銘有效，進(jìn)行隨機(jī)抽樣(抽取全體中的百分之十)，并進(jìn)行官名地名以及標(biāo)點(diǎn)的替換。熟讀關(guān)于孫男的墓志銘信息，得到“孫男.{0，2}人[，：][^女孫].{0，50}”這一正則表達(dá)式[4]。在visual studio code 中運(yùn)行該式，在全部墓志銘中發(fā)現(xiàn)787個(gè)相關(guān)結(jié)果。檢索到的信息有四種典型形式。

(1)孫男二人：長(zhǎng)應(yīng)運(yùn)，登丙戌進(jìn)士第，儒林郎、兩浙轉(zhuǎn)運(yùn)司物料官，即亨之也；次應(yīng)龍，習(xí)舉子業(yè)。[5]

(2)孫男五人：汝直、汝敦、汝平、汝功、汝能、皆業(yè)進(jìn)士。[6]

(3)孫男六人：曰夷仲，曰虞仲，曰於仲，曰南仲，曰武仲，曰延仲。[7]

(4)孫男二十人：長(zhǎng)仲俶，右武衛(wèi)大將軍、眉州刺史；次仲誘，右武衛(wèi)大將軍、茂州刺史；次仲虺，右武衛(wèi)大將軍、春州刺史；次仲罃，右監(jiān)門衛(wèi)大將軍；次仲沃、仲芮、仲雪、仲敔、仲靡，并右千牛衛(wèi)將軍；次仲頎、仲霤、仲吟、仲醻、仲逢，并太子右監(jiān)門率府率；次仲誥、仲諲、仲慥，并太子右內(nèi)率府率；餘未命。[3]

顯然，第二種是比較規(guī)則的句子，可以利用正則表達(dá)式直接提取。第一種和第三種經(jīng)過后期程序編寫也可以提取。第四類比較難以提取，要經(jīng)過比較復(fù)雜的編程才可以提取出人名。同一個(gè)正則表達(dá)式尋找到的結(jié)果在二次編程處理時(shí)有著不同的難度，需要進(jìn)行不同的處理。再看抽樣的結(jié)果：

將新的正則表達(dá)式“孫男.{0，2}人([w|/]+([^孫女]{1，10})/*)+”在visual studio code 中運(yùn)行，選擇全字匹配和正則表達(dá)式，提取87個(gè)結(jié)果，約等于從全部墓志銘中提取結(jié)果(787)的11%，這與上面的正則表達(dá)式提取結(jié)果基本一致。不過，再排除官名、地名后，剩余的信息為人名的可能性很高，數(shù)據(jù)的精確度得到了保證。上面的句子在替換后轉(zhuǎn)變?yōu)椋?/p>

(1)孫男二人/wm/長(zhǎng)應(yīng)運(yùn)/wsep/登丙戌/no_noc/第/wsep//no_noc//wsep/兩 浙②/no_noc//wsep/即亨之也/wsep/次應(yīng)龍/wsep/習(xí)舉子業(yè)

(2)孫男五人/wm/汝直/wsep/汝敦/wsep/汝平/wsep/汝功/wsep/汝能/wsep/皆/vno//no_noc/

(3)孫男六人/wm/曰夷仲/wsep/曰虞仲/wsep/曰於仲/wsep/曰南仲/wsep/曰武仲/wsep/曰延仲

(4)孫男二十人/wm/長(zhǎng)仲俶/wsep//no_noc//wsep//ns//no_noc//wsep/次仲誘/wsep//no_noc//wsep//ns//no_noc//wsep/次仲虺/wsep//no_noc//wsep//ns//no_noc//wsep/次仲罃/wsep//no_noc//wsep/次仲沃/wsep/仲芮/wsep/仲雪/wsep/仲敔/wsep/仲靡/wsep/并/no_noc//wsep/次仲頎/wsep/仲霤/wsep/仲吟/wsep/仲醻/wsep/仲逢/wsep/并/no_noc//wsep/次仲誥/wsep/仲諲/wsep/仲慥/wsep/并/no_noc//wsep/餘未命

雖然也出現(xiàn)了不是人名的其他詞匯，如“皆”“曰”“長(zhǎng)”“次”，但都比較規(guī)則，很容易編寫程序進(jìn)行排除。顯然，將官名地名信息替代后再提取信息，會(huì)減少后期編程的復(fù)雜性，使整個(gè)提取流程變得更加有效率。

3 新流程探索中人文學(xué)者的作用

從上述思路出發(fā)，筆者嘗試改進(jìn)數(shù)據(jù)庫(kù)建設(shè)流程，并將其再造為更能準(zhǔn)確提取信息的、人文學(xué)者能充分發(fā)揮其作用的數(shù)據(jù)庫(kù)建設(shè)流程③。在這一嘗試中，重點(diǎn)探討人文學(xué)者如何在該流程改進(jìn)中承擔(dān)人文責(zé)任和一定的技術(shù)責(zé)任。

根據(jù)筆者對(duì)《全宋文》墓志銘的觀察，幾乎所有特定親屬關(guān)系的表述都在同一個(gè)句子中表述。這樣，就可以通過提取關(guān)鍵句子來確定信息提取的范圍。

第一步：句子壓縮，將《全宋文》墓志銘中含有親屬關(guān)系的句子提取出來。這一步是信息技術(shù)專家提出的，但由于文本標(biāo)點(diǎn)有時(shí)不規(guī)范，特定親屬信息并不在同一個(gè)句子中，會(huì)造成信息漏選。然而，后面人工審核查漏補(bǔ)缺的流程基本上能夠保證信息的全面性，所以這一步并不會(huì)帶來難以解決的困難。在這一步，需要制作一個(gè)所有《全宋文》墓志銘中出現(xiàn)的親屬關(guān)系的親屬關(guān)系表，并清楚地界定各個(gè)親屬關(guān)系的含義，這就需要人文學(xué)者發(fā)揮主要作用，因?yàn)闅v史知識(shí)基礎(chǔ)決定了關(guān)系表的準(zhǔn)確性和完備性?；贑BDB 原有的親屬關(guān)系表，進(jìn)行補(bǔ)充和編碼，建立了新的關(guān)系表。除了“祖”“考”“子”“男”④等直接表示親屬關(guān)系的詞匯外，還需要將“娶”“配”“嫁”“歸”“適”等表示嫁娶的詞匯收入其中，因?yàn)檫@些詞間接指向女性親屬如祖妣、妻子，或者男性親屬如女婿、孫婿等。但在處理“配”“歸”“適”這些詞匯時(shí)，要消除歧義，因?yàn)楸硎炯奕⒅皇撬鼈儽姸嗪x中的一個(gè)。它們?cè)谀怪俱懼锌赡芤约奕⒅獾暮x出現(xiàn)，如“適”有去往某地之義。因此，在選取含有這些詞匯的句子時(shí)，需要加上其他條件，如句子中必須同時(shí)包含“氏”“夫人”“女”“女孫”等詞匯中至少一個(gè)時(shí)才能選取。如果不加限制條件，那么自動(dòng)提取結(jié)果的錯(cuò)誤率將會(huì)非常高，會(huì)增加很多審核工作，由此可見人文學(xué)者在確定句子信息壓縮方面有著非常重要的作用。當(dāng)然，在處理古代史信息時(shí)，不能為了提高數(shù)據(jù)的精確性而犧牲數(shù)據(jù)的選取數(shù)量，這一點(diǎn)與社會(huì)學(xué)、經(jīng)濟(jì)學(xué)的數(shù)據(jù)處理方式不同。后者往往擁有巨量數(shù)據(jù)以至于只能抽樣選取，少選取一定數(shù)量并不影響分析的準(zhǔn)確性，而古代史的數(shù)據(jù)尤其是宋代之前保存下來的信息并不多，因此要盡可能全部選取。

第二步：字典詞匯替換，將句子中的官名和地名分別替代為no_noc 和ns。與第一步類似，對(duì)CBDB 中宋代的官名表和地名表進(jìn)行修改與補(bǔ)充，創(chuàng)建新的官名表和地名表。必須指出，如果沒有宋代的官名表和地名表，這項(xiàng)工作就會(huì)很受影響，整個(gè)新流程也將會(huì)變得不如之前方便、高效，這顯示出數(shù)據(jù)累積的重要性。在編輯官名表和地名表時(shí)，盡可能不要出現(xiàn)僅有一個(gè)字的官名或地名，比如“令”“守”等有歧義的詞匯。但有些含義比較單一的詞匯可以保留，如表示通判的“倅”。需要特別指出的，有些地名或官名與親屬關(guān)系名稱用詞相同，這部分官名、地名也需要考慮是否刪除。比如“長(zhǎng)子”這個(gè)地名，如果作為地名全部替換，就會(huì)出現(xiàn)將大量作為親屬關(guān)系名稱的“長(zhǎng)子”被替換為ns，必然會(huì)影響親屬信息提取的準(zhǔn)確性。此外，表示親屬關(guān)系的“庶子”與表示官名的“太子”“庶子”，表示縣名的“盧氏”與表示姓氏的“盧氏”雖然可能混淆，但這樣的重合非常少，以致可以忽略。此外，本研究還建立官職前常用委任詞表(權(quán)、遷、授、贈(zèng)等)。在建立各種表之后，就要運(yùn)行相應(yīng)的替換。在編寫程序時(shí)要注意其替換順序，一般以字?jǐn)?shù)長(zhǎng)短為優(yōu)先級(jí)，長(zhǎng)字符串優(yōu)先替換，同時(shí)地名表要先于官名表。

第三步：編輯正則表達(dá)式與編寫程序。這里不討論那些能夠直接提取到信息的親屬信息，因?yàn)檫@些工作不需要人文學(xué)者提出特殊的要求或建議。但在子孫、女、女婿等親屬信息提取上則需要人文學(xué)者的參與，才能較有效地提取相關(guān)有效信息。還以前述四則信息為例，分析如何在人文學(xué)者引導(dǎo)下提取有效信息。在地名和官名信息被替換后，發(fā)現(xiàn)還有一些干擾詞匯，這些干擾詞中有很多是共通的，大概有以下幾類⑤：

表示次序：長(zhǎng)，次，幼，曰，季曰，伯曰，仲曰，叔曰⑥，長(zhǎng)即，也，次即。

表示科舉：貢，等，第，及第，中第，中舉，舉子，登，科。

表示就任官職的動(dòng)詞：今，今以，今爲(wèi)，授，事，都，轄，新，知，舊，監(jiān)，倉(cāng)，庫(kù)，起，終，故，前，後，左，右。

表示行政區(qū)：州，軍，路，郡，縣，府。

表示地名：江淮，兩浙，寺。

表示官職：尉，某官，官，稅務(wù)，支鹽。

表示社會(huì)身份：士族，士人。

提示職業(yè)的詞匯：俱，業(yè)，習(xí)。

提示兩人以上的詞匯：皆，並，并，餘，俱，竝。

表示人生過程的詞匯：未，未冠，未仕，未官，未命，先歿，先亡，先公，早夭，早亡，早世，夭，卒，幼，尚，尚幼，未名，前卒，先卒，蚤卒，俱有，早，早卒，喪，早喪。

表示仕宦：未仕，未銓，左銓，司戶，戶部，戶。

其他固定搭配：一，一人，二，二人，一尚，二尚，三尚，三，三人，三曰，四人，等。

由于計(jì)算機(jī)無法識(shí)別表示名字的詞匯，所以需要把這些詞匯在編程中進(jìn)行批量處理，這與前面的替換在原理上是一致的。把這些詞匯刪除之后，再看這四個(gè)句子的情況：

(1)孫男二人/wm/應(yīng)運(yùn)/wsep/丙戌/no_noc//wsep//no_noc//wsep//no_noc//wsep/即亨之/wsep/應(yīng)龍/wsep/

(2)孫男五人/wm/汝直/wsep/汝敦/wsep/汝平/wsep/汝功/wsep/汝能/wsep//vno//no_noc/

(3)孫男六人/wm/夷仲/wsep/虞仲/wsep/於仲/wsep/南仲/wsep/武仲/wsep/延仲

(4)孫男二十人/wm/仲 俶/wsep//no_noc//wsep//ns//no_noc//wsep/仲誘/wsep//no_noc//wsep//ns//no_noc//wsep/仲 虺/wsep//no_noc//wsep//ns//no_noc//wsep/仲 罃/wsep//no_noc//wsep/仲 沃/wsep/仲 芮/wsep/仲 雪/wsep/仲敔/wsep/仲靡/wsep//no_noc//wsep/仲頎/wsep/仲霤/wsep/仲吟/wsep/仲醻/wsep/仲逢/wsep//no_noc//wsep/仲誥/wsep/仲諲/wsep/仲慥/wsep//no_noc//wsep/

在刪除干擾詞匯后，除第一個(gè)句子中的“丙戌”被誤認(rèn)為名字外(“即亨之”由于超過兩個(gè)字而不會(huì)被認(rèn)為名字，因?yàn)檫@里的名字略去了姓，而古代的人名極少出現(xiàn)一個(gè)姓氏后面加三個(gè)字的情形)，所有其他詞匯都是人名。而正則表達(dá)式的功能就不再是精確提取人名，而是在程序中被當(dāng)作親屬信息的表述結(jié)構(gòu)提示。如果說在前兩步中，人文學(xué)者主要承擔(dān)文獻(xiàn)辨析責(zé)任，那么在這一點(diǎn)上，人文學(xué)者承擔(dān)起更多的技術(shù)責(zé)任，改變了技術(shù)的作用方式和組合方式。這也是整個(gè)流程改造非常重要的兩個(gè)點(diǎn)之一，甚至是最重要的一個(gè)點(diǎn)。因?yàn)樵诠倜孛鎿Q后，計(jì)算機(jī)不能準(zhǔn)確定位人名的問題依舊存在，運(yùn)用正則表達(dá)式提取人名依然問題重重。只有將所有的干擾信息盡可能刪除后，才能保證人名提取的準(zhǔn)確性。這部分內(nèi)容與詞典替換有相似之處，但并非完全相同，不可并為一表，因?yàn)橛行﹥?nèi)容一旦被標(biāo)準(zhǔn)化替換，就會(huì)出現(xiàn)各種具體語境的替換錯(cuò)誤。那么這些表示子孫的正則表達(dá)式相比于未替換或未刪除干擾信息就簡(jiǎn)化了很多，最主要的表達(dá)式如下：

[^女]?(曾孫|孫)([^男女]{0，3}?)人(/.+)

[^女]?(孫子|子)([^男女]{0，3}?)人(/.+)

(子|孫|孫|曾孫)男(.{0，3}?)人(/.+)

[^子孫孫]男(.{0，3}?)人.{0，50}

(子|孫|曾孫|曾孫男|男|孫男|子男|孫男|孫)[一二三四五六七八九十]/

(子|孫|曾孫|曾孫男|男|孫男|子男|孫男|孫|女|婿)曰[^/].{0，50}

生[一二三四五六七八九十][男|子][^女孫].{0，150}

[^第][一二三四五六七八九十][男|子][^女孫].{0，150}?/wm/

以上幾個(gè)正則表達(dá)式幫助我們找到4000 條左右的子孫信息，如果按照每個(gè)信息有二到三個(gè)人名，那么將會(huì)得到10000 條左右的親屬信息。關(guān)于女兒女婿的信息也可以通過類似的方法提取，不再贅述。

第四步：人工審核。與此前審核需要通看全文查漏補(bǔ)缺不同，在壓縮句子時(shí)就已經(jīng)將眾多的信息刪除，方便人工審核時(shí)快速找到信息。在輸出結(jié)果形式上，采用Excel 表格，便于批量刪除，大大提高人工審核階段的效率。由于在Excel 表格中能直觀地看到大量的數(shù)據(jù)，也便于發(fā)現(xiàn)存在問題的規(guī)律，有利于反饋給相關(guān)信息技術(shù)專家，以進(jìn)行正則表達(dá)式的修正或者干擾詞匯的刪除，這一技術(shù)創(chuàng)新是人文學(xué)者提出并由信息技術(shù)專家實(shí)現(xiàn)的。考慮到宋代歷史信息比較稀缺，還需繼續(xù)采用文本人工標(biāo)記的方法，雙重審核，以保證數(shù)據(jù)的全面性和準(zhǔn)確性。

4 直接提取的重新探索

前面提到，之所以采用壓縮替代的方法進(jìn)行人名提取，是因?yàn)槟壳暗姆衷~算法還無法有效識(shí)別人名。造成這種現(xiàn)象的原因可能是人名的規(guī)律還沒被足夠地認(rèn)識(shí)，也可能是人名的命名本身并無規(guī)律可循，或者較有命名規(guī)律的名字占比較小。

命名有規(guī)律可循嗎？答案是肯定的。商代諸王的命名中有很多天干地支詞匯，尤其是天干(甲、乙、丙、丁、戊、己、庚、辛、壬、癸)[8]。面對(duì)南北朝人名中大量“之”的現(xiàn)象，陳寅恪指出，由于清代考據(jù)大師錢大昕等人的誤讀并認(rèn)為名字中“之”等字的道教信仰背景，因此王羲之的兒子可以叫王獻(xiàn)之，并且“之”字在書寫中可以省略也不用避諱[9]。同樣，和尚道士的法號(hào)名字更是有規(guī)律，如和尚的姓自釋道安以后很多為“釋”。白惇仁對(duì)中國(guó)及周邊地區(qū)的命名現(xiàn)象進(jìn)行了考察，認(rèn)為先秦時(shí)期命名中就有五行相生思想的滲入，在宋代有進(jìn)一步擴(kuò)散的趨勢(shì)。依據(jù)五行進(jìn)行排行，不一定與常見的排行字重合，如明代宗室的命名[10]。朱孟臻在《宋代姓名文化研究》中也考察了宋代的數(shù)字名現(xiàn)象[11]。這些研究充分說明了古代命名具有一定的規(guī)律，而信息技術(shù)專家對(duì)人名命名規(guī)律的忽視，則可能會(huì)造成其分詞算法僅僅根據(jù)人名出現(xiàn)的規(guī)律，如詞頻或者常見的語法結(jié)構(gòu)(時(shí)間、官名、地名等組合)來設(shè)計(jì)[12]。張海鷗考察宋代的名字說現(xiàn)象，認(rèn)為由于宋儒復(fù)興古禮，因此對(duì)于命名非常重視[13]。

受前人研究啟發(fā)，筆者對(duì)近萬個(gè)子孫輩名字進(jìn)行考察，發(fā)現(xiàn)宋人名字背后的幾個(gè)常見現(xiàn)象。

第一類是偏旁部首相同或者同用一個(gè)行列的名字。這一類現(xiàn)象最多，比如王安石的兄弟輩(安道、安石、安世、安禮、安上)與子輩(雱、旉、旁、瓬、防、斿、旂、放)。

第二類是引用四書五經(jīng)，主要是周易卦名以及儒家圣賢名字以及常用修身用語。比如，蘇才翁的孫輩(之顏、之閔、之冉，之孟、之偃、之友、之恂、之悌、之邵、之楊、之南、之烈、之點(diǎn))和曾孫輩(開、憲、潔、商、若、赤、仕)大部分取法孔門弟子名字，且孔門弟子都是孔子的第一代弟子，在一定意義上破除了尊卑之差。

第三類是按照五行命名，比如邵潛(水旁，五行屬水)之子輩(材、梂、梃、榑，木旁，五行屬木)與孫輩(勳、然、熊、熹、藨、譙、點(diǎn)、羔，灬旁，五行屬火；這里必須指出“勳”字簡(jiǎn)體字為“勛”，一旦簡(jiǎn)化就無法發(fā)現(xiàn)其中的五行屬性)，朱熹的父親為朱松也屬于此類現(xiàn)象。

第四類是名字中包含伯仲叔季等序列詞，比如伯奮、叔獻(xiàn)、季仲。

上述命名規(guī)則只是筆者略微觀察而得，再次證明運(yùn)用信息技術(shù)獲得大量相關(guān)人名信息，將有助于人文學(xué)者開展其專業(yè)研究。另外，雖然發(fā)現(xiàn)的規(guī)則尚未窮盡，但對(duì)于信息技術(shù)專家進(jìn)行分詞研究具有重要的意義。也就是說，不能僅僅依據(jù)人名出現(xiàn)的規(guī)律進(jìn)行人名的分詞研究，還應(yīng)該根據(jù)命名規(guī)律，比如漢字的偏旁部首以及其五行屬性或者它們的組合類型來進(jìn)行研究，甚至要結(jié)合漢字的筆畫數(shù)來發(fā)現(xiàn)和運(yùn)用名字背后的規(guī)則。那么信息技術(shù)專家能否按照這一思路重新進(jìn)行分詞，進(jìn)而較為有效地完成相關(guān)人名的直接提取工作，目前尚在探索中。筆者將會(huì)與相關(guān)信息技術(shù)專家合作進(jìn)行進(jìn)一步的考察，相關(guān)結(jié)果會(huì)另撰一文。再次需要強(qiáng)調(diào)的是，有些在信息技術(shù)專家看來很難高效解決的問題，經(jīng)過人文學(xué)者的重新思考，能夠發(fā)現(xiàn)新思路新方法，為更高效地開展人文方面的數(shù)據(jù)挖掘奠定方法論基礎(chǔ)。

5 結(jié)語

人文學(xué)者從文本出發(fā)嘗試與信息技術(shù)專家共同進(jìn)行數(shù)據(jù)挖掘，不斷向信息技術(shù)專家提出問題，在信息技術(shù)專家的幫助下學(xué)會(huì)數(shù)字思考，進(jìn)而嘗試提出可能的解決思路。在這一合作過程中，發(fā)現(xiàn)無論哪種標(biāo)記方法本質(zhì)上都是利用自然語言表述中的固有規(guī)則來提取所需要的信息。經(jīng)過句子壓縮，節(jié)省了時(shí)間和成本，高效地利用正則表達(dá)式標(biāo)記所需的信息。正則表達(dá)式也不再僅限于標(biāo)記一些表述結(jié)構(gòu)比較簡(jiǎn)單的信息，擴(kuò)大了其應(yīng)用的范圍。同時(shí)，在某種程度上改變了其本來的意義，即不再是作為準(zhǔn)確信息提取的工具而是成為提示信息出現(xiàn)的工具，與編程相配合，高效地解決了復(fù)雜表述中的信息標(biāo)記問題。在人名分詞方面，人文學(xué)者也提出了新的方法與思路，對(duì)開展進(jìn)一步的數(shù)據(jù)挖掘具有重要意義。當(dāng)然，如果沒有信息技術(shù)專家，人文學(xué)者的想法不可能得以實(shí)現(xiàn)，二者是不可或缺的。

筆者還發(fā)現(xiàn)，從數(shù)據(jù)準(zhǔn)確性的角度看，數(shù)據(jù)庫(kù)建設(shè)應(yīng)當(dāng)以人文學(xué)者為中心；從數(shù)據(jù)庫(kù)建設(shè)效率的角度看，數(shù)據(jù)庫(kù)建設(shè)當(dāng)以信息技術(shù)專家為中心，但人文學(xué)者也發(fā)揮著重要作用。歷史人文數(shù)據(jù)庫(kù)的特點(diǎn)又決定了人文學(xué)者的思考在數(shù)據(jù)庫(kù)建設(shè)過程中更加重要。在合作中，不斷改進(jìn)數(shù)據(jù)挖掘流程，最終產(chǎn)生出新的方法，提高數(shù)據(jù)庫(kù)建設(shè)的效率和準(zhǔn)確性。由此可見，新流程的探索，既離不開信息技術(shù)專家的思考，也離不開人文學(xué)者的不斷思量與發(fā)問。人文學(xué)者與信息技術(shù)專家在建設(shè)數(shù)據(jù)庫(kù)過程中雖有分工，但更應(yīng)該彼此合作，互相熟悉，加強(qiáng)交流與溝通，尤其是作為研究者和數(shù)據(jù)庫(kù)建設(shè)參與者的人文學(xué)者更應(yīng)熟悉信息技術(shù)，由此才能使比較成熟的信息技術(shù)為建設(shè)數(shù)據(jù)庫(kù)服務(wù)。當(dāng)前，數(shù)字人文的本質(zhì)還是人文，人文學(xué)者應(yīng)該更加積極地面向信息技術(shù)，向信息技術(shù)專家學(xué)習(xí)，在數(shù)據(jù)庫(kù)建設(shè)中承擔(dān)起技術(shù)責(zé)任，為技術(shù)的改進(jìn)做出應(yīng)有貢獻(xiàn)。

致謝 本文在撰寫過程中得到美國(guó)哈佛大學(xué)中國(guó)歷代人物傳記資料庫(kù)（CBDB） 項(xiàng)目經(jīng)理馬季先生和王宏甦先生的指導(dǎo)，謹(jǐn)致謝忱！

注 釋

①已有學(xué)者對(duì)此問題進(jìn)行更加全面和理論化的論述，本文側(cè)重于人文學(xué)者在參與數(shù)據(jù)庫(kù)建設(shè)中的具體思考與反思。參見：王宏甦.跨學(xué)科合作中的人文學(xué)者.第九屆上海國(guó)際圖書館論壇論文，2018.

②由于宋代地名表中沒有兩浙，在這里就沒有被替換。又因這樣的例子很少，沒有必要添入地名表進(jìn)行替換。

③本文提及的所有文本、表格和詳細(xì)的Python 代碼以及各種輸出結(jié)果已在網(wǎng)上發(fā)布，參見：https：//github.com/cbdbproject/CBDB_Laxmi/tree/master/quan_song_wen.

④考、子、男等除表達(dá)親屬關(guān)系之外，還有其他意思，尤其是子，在古代還有個(gè)常用含義是先生、老師的尊稱，由此引申，一些偉大的思想家在后世就以姓氏加上“子”的形式被尊稱，如孔子、孟子、老子、莊子。因此，要做一個(gè)仔細(xì)的審查與排除，將這些專有名詞刪除。還有一類常見的親屬關(guān)系表述是兩個(gè)不同親屬連稱，如父母、父子、男女、兄弟。它們所在的句子往往并沒有親屬的人名信息，因此也要對(duì)其進(jìn)行排查與刪除，以減少后期審查工作的強(qiáng)度。最后一種常見的是親屬關(guān)系言說某些話，比如“母曰：”而非“母曰+名字”，這類表述也不包含需要提取的信息，也需要將其排除在外。為此，需要建立排除與刪除表以供后期編程參考。

⑤這些詞匯首先根據(jù)正則表達(dá)式提取的文本進(jìn)行總結(jié)，然后運(yùn)行編程得出結(jié)果，再進(jìn)行進(jìn)一步的修正。

⑥伯仲叔季四個(gè)字的每個(gè)字都不能單獨(dú)刪除，因?yàn)楣糯袊?guó)的名字中不少會(huì)出現(xiàn)伯仲叔季，比如第三和第四則信息就出現(xiàn)了“仲”，且出現(xiàn)了23 次之多。但是，“伯曰”“仲曰”表示長(zhǎng)幼次序的可以刪除而不影響結(jié)果。