流行新词(Neologism)作为时代发展的语言镜像,不仅是语言的创新,也是社会群体性情绪的符号化表达与文化变迁的共鸣反映。本文以Ronald W. Langacker认知语法的识解(construal)为理论框架,深入分析流行新词在翻译过程中的选择性语义“突...流行新词(Neologism)作为时代发展的语言镜像,不仅是语言的创新,也是社会群体性情绪的符号化表达与文化变迁的共鸣反映。本文以Ronald W. Langacker认知语法的识解(construal)为理论框架,深入分析流行新词在翻译过程中的选择性语义“突显”现象,并以此探讨其“可译”与“不可译”的动态边界特征及相应的翻译策略。展开更多
伴随着现代社会科技文化的高速发展,汉语涌现出了许许多多新的词汇,有的是外来词,有的是旧词被赋予新的含义,还有新造出来的词汇。而在改革开放形势的进一步发展要求之下,由于国际间各领域交流及跨文化言语交际日趋频繁,需要对这些词汇...伴随着现代社会科技文化的高速发展,汉语涌现出了许许多多新的词汇,有的是外来词,有的是旧词被赋予新的含义,还有新造出来的词汇。而在改革开放形势的进一步发展要求之下,由于国际间各领域交流及跨文化言语交际日趋频繁,需要对这些词汇进行翻译。翻译新词汇时,主要是吸取过去的标准和技巧,既要忠实准确地表达原意,同时又使译文通顺易懂。但在英译时,鉴于汉英不属于同一语系(汉语属汉藏语系,英语属印欧语系),也不属于同一文化,所以在语言结构,语言背景,思维方式,表达方法存在很大差异,要忠实准确地将汉语新词英译不是件容易的事。正如英国翻译理论家乔治·斯坦纳在"Aspects of Lan-展开更多
随着能源行业的快速发展和技术革新,大量的专业术语和表达方式不断更新,新词不断涌现。然而,传统的新词发现方法通常依赖于词典或规则,且难以高效率地处理和更新大量的专业术语,特别是在快速变化的能源领域。因此,结合能源领域文本数据...随着能源行业的快速发展和技术革新,大量的专业术语和表达方式不断更新,新词不断涌现。然而,传统的新词发现方法通常依赖于词典或规则,且难以高效率地处理和更新大量的专业术语,特别是在快速变化的能源领域。因此,结合能源领域文本数据特性,提出了一种融合N-Gram和多重注意力机制的能源领域新词发现方法(new word discovery method in the energy field combining N-Gram and multiple attention mechanism, ENFM)。该方法首先利用N-Gram模型对能源领域的文本数据进行初步处理,通过统计和分析词频来生成新词候选列表。随后,引入融合多重注意力机制的ERNIE-BiLSTM-CRF模型,以进一步提升新词发现的准确性和效率。与传统的新词发现技术相比,在新词的准确识别和整体效率上均有显著提升,将其于能源领域政策文本数据集,准确率、召回率和F1分别为95.71%、95.56%、95.63%。实验结果表明,该方法能够准确地在能源领域的大量文本数据中识别新词,有效识别出能源领域特有的词汇和表达方式,显著提高了中文分词任务中对能源领域专业术语的识别能力。展开更多
文摘流行新词(Neologism)作为时代发展的语言镜像,不仅是语言的创新,也是社会群体性情绪的符号化表达与文化变迁的共鸣反映。本文以Ronald W. Langacker认知语法的识解(construal)为理论框架,深入分析流行新词在翻译过程中的选择性语义“突显”现象,并以此探讨其“可译”与“不可译”的动态边界特征及相应的翻译策略。
文摘伴随着现代社会科技文化的高速发展,汉语涌现出了许许多多新的词汇,有的是外来词,有的是旧词被赋予新的含义,还有新造出来的词汇。而在改革开放形势的进一步发展要求之下,由于国际间各领域交流及跨文化言语交际日趋频繁,需要对这些词汇进行翻译。翻译新词汇时,主要是吸取过去的标准和技巧,既要忠实准确地表达原意,同时又使译文通顺易懂。但在英译时,鉴于汉英不属于同一语系(汉语属汉藏语系,英语属印欧语系),也不属于同一文化,所以在语言结构,语言背景,思维方式,表达方法存在很大差异,要忠实准确地将汉语新词英译不是件容易的事。正如英国翻译理论家乔治·斯坦纳在"Aspects of Lan-
文摘随着能源行业的快速发展和技术革新,大量的专业术语和表达方式不断更新,新词不断涌现。然而,传统的新词发现方法通常依赖于词典或规则,且难以高效率地处理和更新大量的专业术语,特别是在快速变化的能源领域。因此,结合能源领域文本数据特性,提出了一种融合N-Gram和多重注意力机制的能源领域新词发现方法(new word discovery method in the energy field combining N-Gram and multiple attention mechanism, ENFM)。该方法首先利用N-Gram模型对能源领域的文本数据进行初步处理,通过统计和分析词频来生成新词候选列表。随后,引入融合多重注意力机制的ERNIE-BiLSTM-CRF模型,以进一步提升新词发现的准确性和效率。与传统的新词发现技术相比,在新词的准确识别和整体效率上均有显著提升,将其于能源领域政策文本数据集,准确率、召回率和F1分别为95.71%、95.56%、95.63%。实验结果表明,该方法能够准确地在能源领域的大量文本数据中识别新词,有效识别出能源领域特有的词汇和表达方式,显著提高了中文分词任务中对能源领域专业术语的识别能力。
