LVTag Logo

LVTag 规范

版本 1.0
创建者：Danslav Slavenskoj
日期：2025年5月

语言：中文简体 中文繁體 Čeština Deutsch English Español Français Hrvatski 日本語 한국어 Polski Português Русский Српски

快速链接

概述

语言变体标记（LVTag）格式是一种系统化的语言分类方法，它使用私有用途子标签扩展了 BCP 47 标准。它能够跨多个维度精确识别语言变体，包括正式程度、礼貌程度、领域和正字法。

主要优势

分类严谨性：LVTag 通过为不同类型的变体提供清晰、独立的维度，为语言标记带来了系统化的组织。与现有的在同一级别混合不同类别的子标签和系统不同，LVTag 在正式程度、礼貌程度、领域和其他维度之间保持严格的分离。

标准兼容性：LVTag 完全符合 BCP 47（RFC 5646）并与以下标准无缝协作：

技术集成：LVTag 标签可直接用于：

使用案例：

理论依据

虽然 BCP 47 为识别语言、文字和地区提供了出色的支持，但它缺乏捕获语言内部社会语言学变体的标准化机制。当前标准未能解决：

LVTag 使用 BCP 47 的私有用途扩展机制（-x-）填补了这些空白，提供了一种系统化、机器可读的方式来编码语言变体的这些关键维度，同时保持完全的向后兼容性。

精确的语言分类

大型语言模型和复杂 NLP 工具的出现使得精确的语言变体分类不仅有用而且必不可少。现代系统需要：

LVTag 提供了理解不仅使用什么语言，而且如何使用语言所需的细粒度元数据，从而实现更细致和适当的语言处理管道。

格式规范

基本结构

language-x-[classifier]-[value]-[classifier2]-[value2]...

其中：

魔术标签

LVTag 支持长格式和短格式”魔术”分类器以提供灵活性：

长格式 短格式 描述
ortho w 正字法变体
form f 正式程度（1-5 级）
polite p 礼貌/尊敬程度（1-5 级）
domain d 专业词汇或专业语境
geo g 地理或地区变体
proto a 原始语言或重建语言
hist h 语言的历史时期或阶段
genre e 文本体裁或文学风格
medium m 交流媒介（口语、书面语、数字）
socio s 社会方言或社会群体变体
modality o 语言产生模式
register r 语言语域
pragma u 交际功能
temporal t 时间标记
evidence v 信息来源
affect k 情感语调
age n 年龄/世代变体
gender i 性别变体
expert b 专业水平
interact 2 互动结构
prosody y 韵律特征
lexical l 词汇密度（0-100）
syntax z 句法复杂度（0-100）
start 0 开始日期（无标点的 ISO 8601）
end 1 结束日期（无标点的 ISO 8601）
taboo j 禁忌/粗俗内容级别（0-5 级）
conf c 前一个标签的置信度分数（0-100）
— q、3-9 保留供将来使用

分类器

1. 正字法分类器（ortho 或 w）

识别标准文字标签之外的特定正字法约定或书写系统变体。

格式：

示例（与标准文字标签结合）：

2. 正式程度分类器（form 或 f）

识别语言使用的正式程度。

格式：

正式程度量表：

示例：

3. 礼貌分类器（polite 或 p）

识别语言使用的礼貌/尊敬程度。

格式：

礼貌程度量表：

示例：

4. 领域分类器（domain 或 d）

识别专业词汇或专业语境。

格式：

示例：

5. 地理分类器（geo 或 g）

识别地区或地理语言变体。

格式：

示例：

6. 原始语言分类器（proto 或 a）

识别原始语言或重建的历史语言。

格式：

规则：

使用 ISO 639-5 代码的示例：

没有 ISO 639-5 代码的示例（描述性，超过三个字符）：

注意：

7. 历史分类器（hist 或 h）

识别语言的历史时期或阶段。

格式：

示例：

8. 体裁分类器（genre 或 e）

识别文本体裁或文学风格。

格式：

示例：

9. 媒介分类器（medium 或 m）

识别交流媒介。

格式：

示例：

10. 社会方言分类器（socio 或 s）

识别社会方言或社会群体变体。

格式：

示例：

11. 模态分类器（modality 或 o）

识别语言产生的基本模式。

格式：

示例：

12. 语域分类器（register 或 r）

识别语言使用的语言语域或功能变体。

格式：

示例：

13. 语用功能分类器（pragma 或 u）

识别交际功能或言语行为。

格式：

示例：

14. 时间标记分类器（temporal 或 t）

识别时间方面或时态使用模式。

格式：

示例：

15. 证据性分类器（evidence 或 v）

识别信息来源标记。

格式：

示例：

16. 情感/情绪分类器（affect 或 k）

识别情感语调或情感。

格式：

示例：

17. 年龄/世代分类器（age 或 n）

识别与年龄相关或世代语言变体。

格式：

示例：

18. 性别分类器（gender 或 i）

识别与性别相关的语言变体。

格式：

19. 专业水平分类器（expert 或 b）

识别 0-10 级的领域专业水平。

格式：

专业水平量表：

示例：

20. 互动结构分类器（interact 或 2）

识别对话或互动模式。

格式：

示例：

21. 韵律特征分类器（prosody 或 y）

识别韵律或超音段特征。

格式：

示例：

22. 词汇密度分类器（lexical 或 l）

将词汇密度识别为数值（0-100）。

格式：

示例：

23. 句法复杂度分类器（syntax 或 z）

将句法复杂度识别为数值（0-100）。

格式：

示例：

24. 开始日期分类器（start 或 0）

识别语言使用的开始日期（无标点的 ISO 8601 格式）。

格式：

日期格式：

示例：

25. 结束日期分类器（end 或 1）

识别语言使用的结束日期（无标点的 ISO 8601 格式）。

格式：

日期格式：

示例：

26. 禁忌分类器（taboo 或 j）

识别禁忌、粗俗或冒犯性内容的级别。

格式：

示例：

27. 置信度分类器（conf 或 c）

表示紧邻前面的分类器的置信度分数。

格式：

特殊行为：

示例：

多重分类

LVTag 支持在单个标签中使用多个分类器以提供精确的语言识别。长格式和短格式可以混合使用：

ko-x-form-4-domain-business
ko-x-f-4-d-business
ko-x-form-4-polite-2-domain-business
ko-x-f-4-p-2-d-business

上述示例显示了在商务语境中具有非正式正式程度（4）但礼貌语言（2）的韩语。

有效值

注意：所有值必须为 8 个字符或更短，以符合 BCP 47 子标签长度限制。虽然许多分类器的特定值将通过专家使用和社区共识来建立，但本标准中定义了数字量表、日期格式和下面列出的基本值。

正式程度量表（通用）

级别 描述 示例
1 最正式 法律文件、官方仪式、学术论文
2 正式 商务信函、新闻文章、演示文稿
3 中性 标准对话、电子邮件、一般写作
4 非正式 随意对话、个人博客、短信
5 最随意 俚语、亲密对话、社交媒体

礼貌程度量表（通用）

级别 描述 示例
1 最尊敬 皇室称呼、宗教领袖、老年人尊敬
2 非常礼貌 客户服务、正式会议、教师
3 礼貌/中性 标准互动、同事
4 熟悉 朋友、同伴、随意的熟人
5 亲密/平实 亲密的家人、亲密的伴侣

专业水平量表（通用）

级别 描述
0 无知识
1-2 初学者
3-4 中级
5-6 高级
7-8 专家
9-10 大师/权威

禁忌量表（通用）

级别 描述
0 无禁忌内容
1 轻微禁忌
2 轻度禁忌
3 中等禁忌
4 高度禁忌
5 极端禁忌

词汇密度量表（通用）

级别 描述
0-20 非常低密度
21-40 低密度
41-60 中等密度
61-80 高密度
81-100 非常高密度

句法复杂度量表（通用）

级别 描述
0-20 非常简单
21-40 简单
41-60 中等复杂度
61-80 复杂
81-100 非常复杂

领域值

值 描述
legal 法律术语
med 医学术语
tech 技术/IT
business 商业/企业
fin 金融/银行
acad 学术/学者
sci 科学/研究

实现示例

单一分类器（长格式）

# 最正式的韩语
ko-x-form-1

# 非常礼貌的日语
ja-x-polite-2

# 法律英语
en-x-domain-legal

# 庆尚道韩语
ko-x-geo-gyeong

# 原始印欧语
x-proto-ine

单一分类器（短格式）

# 最正式的韩语
ko-x-f-1

# 非常礼貌的日语
ja-x-p-2

# 法律英语
en-x-d-legal

# 庆尚道韩语
ko-x-g-gyeong

# 原始印欧语
x-a-ine

多重分类器

# 非正式但礼貌的韩语商务语言
ko-x-form-4-polite-2-domain-business
ko-x-f-4-p-2-d-business

# 正式且尊敬的日语医学语言
ja-x-form-1-polite-1-domain-med
ja-x-f-1-p-1-d-med

# 南越南语，中性正式程度，礼貌语言，技术领域
vi-x-geo-southern-form-3-polite-2-domain-tech
vi-x-g-southern-f-3-p-2-d-tech

# 具有多个维度的复杂分类
en-x-h-middle-e-poetry-m-written-f-1
ja-x-f-2-p-1-d-med-h-kobun-m-written

# 显示正式程度/礼貌区别的语言变体
ko-x-f-5-p-2  # 非常随意但礼貌（对年长的朋友）
ko-x-f-1-p-4  # 非常正式但熟悉（写给同伴）
ja-x-f-4-p-1  # 随意正式程度但最高敬意
en-x-f-5-j-4  # 非常随意的英语，禁忌级别高

使用案例

  1. 语言学习应用程序
    • 教授不同社交语境的适当语域
    • 提供特定领域的词汇训练
  2. 机器翻译
    • 在翻译中保持语域一致性
    • 应用特定领域的术语
  3. 内容分类
    • 按正式程度和领域自动分类文本
    • 将内容路由到适当的审查员或系统
  4. 语料库语言学
    • 为语言研究构建标记的语料库
    • 研究语域和领域变体

验证规则

  1. 子标签长度：x- 之后的每个子标签必须为 8 个字符或更少
  2. 顺序：分类器可以在 x- 之后以任何顺序出现
  3. 唯一性：每个分类器类型在每个标签中应该只出现一次（除了可以多次出现的 conf）
  4. 大小写：标签应该是小写的（根据 BCP 47 不区分大小写）
  5. 魔术标签：短格式标签是单个字符；q、3-9 保留供将来使用
  6. 混合：长格式和短格式可以在同一标签内混合
  7. 原始标签：必须以 x- 开头，并且应该在可用时使用 ISO 639-5 代码（例如，x-proto-sla 而不是 x-proto-slavic）
  8. 置信度：conf/c 分类器适用于紧邻前面的分类器
  9. 数值：必须在定义的范围内（禁忌为 0-5，专业知识为 0-10，百分比值为 0-100）
  10. 日期格式：日期使用无标点的 ISO 8601（YYYY、YYYYMM 或 YYYYMMDD）

兼容性

LVTag 格式完全兼容：

优势

  1. 精确性：实现细粒度的语言变体识别
  2. 可扩展性：可以添加新的语域和领域
  3. 基于标准：建立在已建立的 BCP 47 私有用途机制上
  4. 机器可读：系统化格式支持自动处理
  5. 人类可读：清晰、描述性的子标签
  6. 灵活性：支持详细的长格式和简洁的短格式标签
  7. 简洁性：短魔术标签在保持清晰的同时实现紧凑表示

未来扩展

LVTag 旨在随着语言技术社区的需求而发展。我们欢迎对新分类器的建议、对现有分类器的改进以及实际实施反馈。

要提议扩展或为规范做出贡献：

保留的单字符代码（q、3-9）可用于未来的标准化扩展。

参考资料

许可和专利授权

本规范在 CC0 1.0 通用（公共领域奉献） 下发布。

为什么选择 CC0：为确保最大程度的采用和实施自由，LVTag 被置于公共领域。这意味着：

专利授权：涵盖 LVTag 规范的任何专利特此免版税许可，适用于符合本规范的任何实施。

无背书：使用 LVTag 并不意味着规范作者的背书。

在法律允许的范围内，Danslav Slavenskoj 已放弃语言变体标记（LVTag）格式规范的所有版权和相关或邻接权。本作品发布自：美利坚合众国。