讀研期間由於一直在做關於微博方面的一些東西，因此對於如何微博分詞以及識別微博中的出現的諧音詞、隱義詞查閱了一篇資料。今天主要總結一下《Be Appropriate and Funny: Automatic Entity Morph Encoding》這篇文章涉及的一些方法。
該文的主要思想是把我們平時看的論壇、微博中的一些“變形詞”映射爲在社會中比較敏感和比較正式的原生詞。它首先總結了這些變形的一些特點：
（1）變形詞是一種使用自然的語言加密來代替機密信息進行交流，類似於“黑話”；
（2） 映射關係不是全射關係，而是多個變形詞可以對應一個實體詞；
（3） 變形詞和實體詞之間沒有標準的對應關係；
（4）社交網絡在產生變形詞之間起着至關重要的作用。只有產生的映射詞有趣了，才更有可能被廣泛傳播，成爲網絡語言的一部分；
（5） 變形詞可能隨着時間進化很快，例如一些變形詞被作爲敏感詞發現並馬上屏蔽掉，新的替代變形詞會馬上出現。
該文爲了找到實體詞和變形詞之間的對應關係，一共涉及了8種方法進行相應的實驗：
（1）語音替換，先把微博語料變成拼音語料pinyin(e)，根據http://en.wikipedia.org/wiki/Pinyin#Initials_and_finals涉及的拼音知識，該文主要列出了以下容易混淆的拼音組合：
| b | p |
| d | t |
| g | k |
| z | c |
| zh | ch |
| j | q |
| sh | r |
| x | h |
| l | n |
| c | ch |
| s | sh |
| z | zh |
然後根據上表以及拼音本身的合法組合來構造新的拼音語料pinyin(t)，比如說“比爾 蓋茨”的拼音爲pinyin(e) = “Bi Er Gai Ci”,然後可以轉換爲pinyin(t) = “Bi Er Gai Zi”,可以得到變形詞爲“鼻耳 蓋子”，當然了，一個pinyin(t)所對應的詞語不一定是唯一的（事實上大部分情況下都不是唯一的，中華文化博大精深~）,則基於以下規則從候選詞中找到變形詞：
①含有更強的否定意義=》含有更多否定詞。
②包括低頻出現的稀疏項
（2） 拆字
由於漢字的特性，某些字拆分後的詞根依舊是表意的詞，因此當給了一個實體名e = C_1…C_n,如果某個字C_k可以被拆分爲
（3）暱稱產生方式
主要是根據重複一個實體名字的最後一個字，譬如說”楊冪“可以表示爲”冪冪“。
（4）翻譯和音譯
當給出一個實體e的時候，我們基於包含9,4,015姓名翻譯對的詞典來對應其英語翻譯EN(e)。如果EN(e)中的一個成分是常見的英文詞，我們基於94,966的詞翻譯對詞典來找到其對應的漢語翻譯，並且使用該漢語翻譯替換e,有點亂哈，舉個栗子：我們有音譯名”拉里 伯德（Larry Bird）“，然後翻譯成英文名”Larry Bird“，然後我們發現”Bird“是一個常用詞，我們把它翻譯爲”鳥“，於是乎，”拉里 伯德“就成了”拉里 鳥兒“~~~
（5）語義解釋
對於實體名e的名C_k，從新華字典中找到該詞的語義解釋。如果一句話中的一個單詞包括C_k，我們給該詞增加e的姓來構造新的變形詞。當然了，選擇更傾向於positive, negative, rare詞。比如說對姓名”薄熙來“，我們構造了變形詞”薄 胡來“，因爲”來“的語義解釋裏面包括消極詞”胡來“。
（6）歷史人物映射
我們首先從網上收集了38個著名歷史人物，包括政治家，皇帝，將軍，部長（大臣），學者。方法還不懂，稍後補上，是這篇論文裏的”Resolving Entity Morphs in Censored Data“)
（7）特徵建模
使用Google公司的Word2Vec模型來產生實體的特徵。當然使用Word2Vec需要大量的語料。