部首

摘要： 部首识字教学关注汉字本源,让学生多感官参与,了解部首本身之形义,进而拓展认识该部首所衍生诸字之形义,并在学习过程中渗透构字之理。经过长期的熏陶,学生增强了识字兴趣,提高了识字能力和思维能力。

摘要： 在进行字典检索的时候,“高”字属于“高”部,而具有同样构形特点,同样部件的“京、亭、享、亨、就、亮”等字,属于“亠tou”部。为什么不把“高”也归入到“亠”部中呢?“亠”作为部首,最早出现在明代梅膺祚编写的《字汇》中,《字汇》只对这个字注了音,并标明“义阙”。

摘要： 今日楷书体的“稽”,从“禾”,自无他说。当年许慎老夫子面对《说文》中的小篆字形■ ,说稽字从“ ”;今见赵平安先生面对甲骨文■ 字形,说稽字是从“禾”。(赵平安:《新出简帛与古文字古文献研究续集》,商务印书馆2018年版,第5—8页)并且,赵先生在强调了甲骨文中禾字的禾穗本有左向右向两种,后来向左才成为主流后,明确指出:“许慎已经不知道 的真正含义,解释为‘木之曲头止不能上也’。又为了统系相关诸字,把它设立为部首。”(同上)

摘要： 从字义、字形的角度出发,修正补充《字解人生》中有关《说文解字》部首第二卷涉及口、是、彳和足部字的解说。

摘要： 《说文解字·示部》共收字67个,示部作为540个部首之一,目前学界对其研究较少。据现有资料,对示部字的研究大多是以祭祀文化为着眼点,比如樊杨梅《从〈说文解字·示部〉看中国先民的神崇拜文化》等。有些文献是从文字学本体出发来研究示部的字形或字类,比如李昕皓《〈说文解字〉形声字溯源---以示部等部为例探究》。从认知角度研究《说文解字》“示”部的文献迄今未见。

摘要： 从归部层面看,同形复体字、变体字以及只含一个成字义符的合体象形字与合体指事字,只能根据字形特点“据形系联”进行归部;异形合体表意字的归部有两种不同的情况,一是少数字只有一个义符是《说文》部首系统中的成员,只能取该义符“据形系联”进行归部,一是多数字的两个义符都是《说文》部首系统中的成员,根据“以类相从”的原则选择其中一个义符归部。《说文》合体表意字的归部特点及归部原则是“以类相从”。

摘要： 部首具有统领汉字字义类属的功能,反映了汉字的构形规则与构造规律.汉字形体经历了从甲骨文、金文、篆文、隶书到楷书等系列的演变,部首也发生了很大的改变.特别是隶变之后,很多部首由于偏旁化,在形体和分类上发生了很大的变化.本文从文字形体入手,分析了“卩”部字的形成理据及字义,阐述了这些“卩”部字形成的来龙去脉,并得出结论:“卩”部字除了“卯”之外,全与跪着的人形有关,都是“人”部首形体发展演变的结果.究其原因,隶变是根本原因.通过对“卩”部字的分析,我们可以更清楚地了解到“卩”部字的形体来源,以更好地应用到汉字教学实践中,有效地促进汉字教学.

摘要： 自《说文解字》(以下简称《说文》)问世以来,前人学者对其研究不胜枚举.历经了唐宋整理校勘研究、元明进一步深入研究、清代全面系统研究、近代加入古文字材料综合研究这些阶段,21世纪的《说文》研究步入新阶段.以《说文解字》中某一或某几部类字做专门研究,多见于近二十年的学术论文中.关于《说文》部类字的研究尽管涉及了很多方面,目前看来仍有深入的空间.

摘要： “劳”字字形的发展,大致有三系。一系部首从“衣”,一系部首从“心”,一系部首从“力”。从“力”的一系,最终发展为今天我们使用的“劳”。在战国时期,关于“劳心劳力”引发的争论,背后其实是百家争鸣时代不同思想观念的交锋。

摘要： 板块一:读好课题,了解王戎师:同学们,今天我们一起来学习第25课,读课题。题目中有个生字,举起手指跟老师一起写“戎”字。读生字“戎”,róng。大家刚才看我写,根据这个字的部首猜一猜这个字和什么有关系。(生没有答出。)师:它是什么部首?看得出来吗?生:戈字部。师:对,(出示篆书,指着介绍)包在外边的“戈”是兵器,里面表示铠甲的“甲”。所以这个字一般跟武器、跟军事有关,知道了吗?有这样含有“戎”字的词语一起读一读。(出示:一身戎装、戎马一生、兵戎相见、投笔从戎。)(生齐读。)每一个都跟军事有关是不是?但是我们这一篇文章所学的主人公叫什么名字?

摘要： 本发明涉及一种基于整字和偏旁部首的层次化建模方法及系统，其方法包括：S1：将文本行图像经过卷积神经网络和循环神经网络，得到文本行图像的序列特征；S2：将文本行图像的序列特征，输入有注意力机制的整字解码模块，得到整字的上下文特征向量以及整字的解码结果；S3：将整字的上下文特征向量输入偏旁部首解码模块，得到整字层级下的各个偏旁部首的解码结果；S4：利用置信度得分融合策略，将整字和各偏旁部首的解码置信度进行融合，得到整字的识别结果。本发明提供的方法，不仅能实现整字的识别，同时实现该时刻偏旁部首的识别，通过整字和偏旁部首解码置信度融合的策略，不仅能够提升低频字的识别效果，同时最大化地保证了非低频字识别的效果。

摘要： 本发明提供了一种融合部首向量的分词和胶囊网络法律命名实体识别方法，其特征在于,具体包括以下步骤：S1：分词；S2：构建法律数据集；S3：提取句间特征；S4：提取句子内部特征H；S5：将语料句子内部特征和句间特征联合表示。通过本发明的技术方案，提升词向量的表征能力，使特征提取阶段不需要繁杂的网络，结构就能得到丰富的上下文信息，提升了小规模领域标注数据集上的分词效果，帮助NER任务进行数据预处理，找到准确的实体边界，增强模型在法律领域的适应性，能够在具有特殊实体表示形式和构词方法的法律领域实现精度较高的命名实体识别结果。法律领域的命名实体识别可以在智能司法中起到重要的帮助作用，帮助提取文本中的关键信息。

摘要： 本发明涉及一种汉字《十笔部首末笔数码检字法》和《十笔部首末笔数码输入法》的检字和输入方法；其原理是将汉字的基本笔画划分为横一、竖亅、撇丿、捺、横折┐、竖折、横两折、竖两折ㄣ、横三折或空框○或框口、框口或实框口十类，分别用数字1－9、0来表示，根据汉字的部首和末笔画编码，其突出的特点是检字法输入法优点是代码相同，规则相同，繁、简字通用的；易学、易用，检字法适用于字典、词典，输入法适用于手机、电话机、计算机。

摘要： 本发明是一种汉字周期部首数码输入法。在一种新的数学概念:正负杂合数理论指导下,将85个常用部首编成汉字正负单数部首周期表,周期表所用的20个正负数字(0－9;0－9)来源于人们熟悉的表示数字的五种方式,周期表中的每个部首与其数字代码为同形或近形或变形,所以部首代码是有理据的;由部首代码组成的汉字数据和词组数码也是有理据的,这就容易做到见字知码、见词知码。用周期部首数码字序法编成汉字字典和编制成电脑汉字字库,广泛应用于键盘输入、手写输入、扫描输入;同时也做到了工具书检索与电脑输入的统一,做到了查字、认字、记字、写字、打字的统一。

摘要： 屏幕式键盘的偏旁部首与拼音输入法。本发明定义了171个汉字的偏旁部首，按照偏旁部首的第一笔画放置在一、丨、丿、丶、乛行里，输入汉字时，点击偏旁部首，在随后屏幕出现的汉字中，根据除去偏旁部首的第一笔画找出所需汉字，如果没有，就点击第一笔画，在屏幕又出现的汉字中由第二笔画引导找出所需汉字；汉语拼音部分，与现行的拼音输入法相同，放置方法为根据汉字的第一笔画放置在一、丨、丿、丶、乛行中。

摘要： 一种基于部首特征和多层注意力机制的中文自动问答方法，包括以下步骤：步骤1、对数据集进行预处理；步骤2、得到词嵌入矩阵，通过随机初始化得到部首嵌入矩阵；步骤3、通过词嵌入和部首嵌入将词语分别转化为向量表示，在词语向量后追加语言学特征；步骤4、将文档向量序列问题向量序列分别输入至不同的双向RNN网络进行编码；步骤5、根据文档向量序列与问题向量，依次计算得到答案开始和结束边界的概率，生成目标概率分布，步骤6、使用数据集对模型训练N轮，通过计算损失并对参数进行更新，使用mini‑batch策略对模型进行训练，使用模型对给定的一个文档和与之相关的问题进行处理，预测得到答案。本发明提高了自动问答的准确率。

摘要： 本发明公开了一种融合部首信息的医疗领域中文文本因果关系抽取方法，涉及数据挖掘技术领域，包括：通过网络爬虫获取医疗领域中文文本数据集，再对获取到的数据进行预处理，采用谷歌翻译技术将文本中的英文专业名词转化为中文，利用在线新华字典获取所有字符的部首，再利用Word2Vec架构对部首进行增量训练，得到部首特征表示，然后将部首特征向量作为因果关系抽取模型的输入，对数据集进行因果关系抽取，得到因果关系实体。本发明解决了现有对医疗领域中文文本数据进行有效地因果关系抽取问题。通过本发明可以得到医疗领域中文文本数据的因果实体。

摘要： 本发明提供了一种端部首尾对接方式动态可移动180度转向输送系统，每个机架包括固定机构和运动机构，运动机构设置在固定机构上并能够在固定机构上左右移动，弯道输送机构的两端分别和对应的运动机构首尾对接，运动机构、弯道输送机构、固定机构的输送平面处于同一水平面两个固定机构的驱动装置转向相反，固定机构包括主动轮,在低段左上角和高段右上角设置从动轮，运动机构在左下角和上端下方设置从动轮，设有链带绕过主动轮和从动轮形成一个完整的输送带。本发明弯道位置可动态移动的180度转向，将弯道输送机构的两端和两个可变距离输送机构的移动端首尾对接，使180度弯道输送机构可以在一定范围内移动，改变传统输送机构组合固定位置输送的缺点。

摘要： 本发明公开了一种融合部首信息的医疗领域因果关系抽取方法，涉及数据挖掘技术领域，包括：通过网络爬虫获取中文医疗领域文本数据集，再对获取到的数据进行预处理，采用谷歌翻译技术将文本中的英文专业名词转化为中文，利用在线新华字典获取所有字符的部首，再利用Word2Vec架构对部首进行增量训练，得到部首特征表示，然后将部首特征向量与字符特征向量拼接，得到融合部首信息的字符特征。

摘要： 本发明提出一种基于关键偏旁部首分析的零样本汉字识别方法，包括以下步骤；步骤S1：获取汉字图像建立汉字识别数据集；步骤S2：把数据集中的每个汉字表示为唯一的树状结构，进行先序遍历，获取汉字表意描述序列；步骤S3：建立汉字表意描述序列生成模型；步骤S4：使用汉字识别数据集对汉字表意描述序列生成模型进行深度学习训练；步骤S5：以深度学习训练后的汉字表意描述序列生成模型经汉字表意描述序列生成模型，生成汉字的表意描述序列；步骤S6：建立关键偏旁部首分析模型；步骤S7：根据生成的汉字表意描述序列，使用关键偏旁部首分析模型对汉字类别进行预测。本发明能将汉字识别问题转化为不确定性消除问题，提高模型对预测表意描述序列的利用能力。