LVTag Logo

LVTag 規範

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

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

快速連結

概述

語言變體標記（LVTag）格式是一種系統化的語言分類方法，它使用私有用途子標籤擴展了 BCP 47 標準。它能夠跨多個維度精確識別語言變體，包括正式程度、禮貌程度、領域和正字法。

主要優勢

分類嚴謹性：LVTag 通過為不同類型的變體提供清晰、獨立的維度，為語言標記帶來了系統化的組織。與現有的在同一級別混合不同類別的子標籤和系統不同，LVTag 在正式程度、禮貌程度、領域和其他維度之間保持嚴格的分離。

標準相容性：LVTag 完全符合 BCP 47（RFC 5646）並與以下標準無縫協作：

技術整合：LVTag 標籤可直接用於：

使用案例：

理論依據

雖然 BCP 47 為識別語言、文字和地區提供了出色的支援，但它缺乏捕獲語言內部社會語言學變體的標準化機制。當前標準未能解決：

LVTag 使用 BCP 47 的私有用途擴展機制（-x-）填補了這些空白，提供了一種系統化、機器可讀的方式來編碼語言變體的這些關鍵維度，同時保持完全的向後相容性。

精確的語言分類

大型語言模型和複雜 NLP 工具的出現使得精確的語言變體分類不僅有用而且必不可少。現代系統需要：

LVTag 提供了理解不僅使用什麼語言，而且如何使用語言所需的細粒度元資料，從而實現更細緻和適當的語言處理管道。

格式規範

基本結構

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

其中：

魔術標籤

LVTag 支援長格式和短格式「魔術」分類器以提供靈活性：

長格式 短格式 描述
ortho w 正字法變體
form f 正式程度（1-5 級）
polite p 禮貌/尊敬程度（1-5 級）
domain d 專業詞彙或專業語境
geo g 地理或地區變體
proto a 原始語言或重建語言
hist h 語言的歷史時期或階段
genre e 文字體裁或文學風格
medium m 交流媒介（口語、書面語、數位）
socio s 社會方言或社會群體變體
modality o 語言產生模式
register r 語言語域
pragma u 交際功能
temporal t 時間標記
evidence v 資訊來源
affect k 情感語調
age n 年齡/世代變體
gender i 性別變體
expert b 專業水平
interact 2 互動結構
prosody y 韻律特徵
lexical l 詞彙密度（0-100）
syntax z 句法複雜度（0-100）
start 0 開始日期（無標點的 ISO 8601）
end 1 結束日期（無標點的 ISO 8601）
taboo j 禁忌/粗俗內容級別（0-5 級）
conf c 前一個標籤的置信度分數（0-100）
— q、3-9 保留供將來使用

分類器

1. 正字法分類器（ortho 或 w）

識別標準文字標籤之外的特定正字法約定或書寫系統變體。

格式：

示例（與標準文字標籤結合）：

2. 正式程度分類器（form 或 f）

識別語言使用的正式程度。

格式：

正式程度量表：

示例：

3. 禮貌分類器（polite 或 p）

識別語言使用的禮貌/尊敬程度。

格式：

禮貌程度量表：

示例：

4. 領域分類器（domain 或 d）

識別專業詞彙或專業語境。

格式：

示例：

5. 地理分類器（geo 或 g）

識別地區或地理語言變體。

格式：

示例：

6. 原始語言分類器（proto 或 a）

識別原始語言或重建的歷史語言。

格式：

規則：

使用 ISO 639-5 代碼的示例：

沒有 ISO 639-5 代碼的示例（描述性，超過三個字元）：

注意：

7. 歷史分類器（hist 或 h）

識別語言的歷史時期或階段。

格式：

示例：

8. 體裁分類器（genre 或 e）

識別文字體裁或文學風格。

格式：

示例：

9. 媒介分類器（medium 或 m）

識別交流媒介。

格式：

示例：

10. 社會方言分類器（socio 或 s）

識別社會方言或社會群體變體。

格式：

示例：

11. 模態分類器（modality 或 o）

識別語言產生的基本模式。

格式：

示例：

12. 語域分類器（register 或 r）

識別語言使用的語言語域或功能變體。

格式：

示例：

13. 語用功能分類器（pragma 或 u）

識別交際功能或言語行為。

格式：

示例：

14. 時間標記分類器（temporal 或 t）

識別時間方面或時態使用模式。

格式：

示例：

15. 證據性分類器（evidence 或 v）

識別資訊來源標記。

格式：

示例：

16. 情感/情緒分類器（affect 或 k）

識別情感語調或情感。

格式：

示例：

17. 年齡/世代分類器（age 或 n）

識別與年齡相關或世代語言變體。

格式：

示例：

18. 性別分類器（gender 或 i）

識別與性別相關的語言變體。

格式：

19. 專業水平分類器（expert 或 b）

識別 0-10 級的領域專業水平。

格式：

專業水平量表：

示例：

20. 互動結構分類器（interact 或 2）

識別對話或互動模式。

格式：

示例：

21. 韻律特徵分類器（prosody 或 y）

識別韻律或超音段特徵。

格式：

示例：

22. 詞彙密度分類器（lexical 或 l）

將詞彙密度識別為數值（0-100）。

格式：

示例：

23. 句法複雜度分類器（syntax 或 z）

將句法複雜度識別為數值（0-100）。

格式：

示例：

24. 開始日期分類器（start 或 0）

識別語言使用的開始日期（無標點的 ISO 8601 格式）。

格式：

日期格式：

示例：

25. 結束日期分類器（end 或 1）

識別語言使用的結束日期（無標點的 ISO 8601 格式）。

格式：

日期格式：

示例：

26. 禁忌分類器（taboo 或 j）

識別禁忌、粗俗或冒犯性內容的級別。

格式：

示例：

27. 置信度分類器（conf 或 c）

表示緊鄰前面的分類器的置信度分數。

格式：

特殊行為：

示例：

多重分類

LVTag 支援在單個標籤中使用多個分類器以提供精確的語言識別。長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

上述示例顯示了在商務語境中具有非正式正式程度（4）但禮貌語言（2）的韓語。

有效值

注意：所有值必須為 8 個字元或更短，以符合 BCP 47 子標籤長度限制。雖然許多分類器的特定值將通過專家使用和社群共識來建立，但本標準中定義了數字量表、日期格式和下面列出的基本值。

正式程度量表（通用）

級別 描述 示例
1 最正式 法律文件、官方儀式、學術論文
2 正式 商務信函、新聞文章、演示文稿
3 中性 標準對話、電子郵件、一般寫作
4 非正式 隨意對話、個人部落格、簡訊
5 最隨意 俚語、親密對話、社群媒體

禮貌程度量表（通用）

級別 描述 示例
1 最尊敬 皇室稱呼、宗教領袖、老年人尊敬
2 非常禮貌 客戶服務、正式會議、教師
3 禮貌/中性 標準互動、同事
4 熟悉 朋友、同伴、隨意的熟人
5 親密/平實 親密的家人、親密的伴侶

專業水平量表（通用）

級別 描述
0 無知識
1-2 初學者
3-4 中級
5-6 高級
7-8 專家
9-10 大師/權威

禁忌量表（通用）

級別 描述
0 無禁忌內容
1 輕微禁忌
2 輕度禁忌
3 中等禁忌
4 高度禁忌
5 極端禁忌

詞彙密度量表（通用）

級別 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

句法複雜度量表（通用）

級別 描述
0-20 非常簡單
21-40 簡單
41-60 中等複雜度
61-80 複雜
81-100 非常複雜

領域值

值 描述
legal 法律術語
med 醫學術語
tech 技術/IT
business 商業/企業
fin 金融/銀行
acad 學術/學者
sci 科學/研究

實現示例

單一分類器（長格式）

# 最正式的韓語
ko-x-form-1

# 非常禮貌的日語
ja-x-polite-2

# 法律英語
en-x-domain-legal

# 慶尚道韓語
ko-x-geo-gyeong

# 原始印歐語
x-proto-ine

單一分類器（短格式）

# 最正式的韓語
ko-x-f-1

# 非常禮貌的日語
ja-x-p-2

# 法律英語
en-x-d-legal

# 慶尚道韓語
ko-x-g-gyeong

# 原始印歐語
x-a-ine

多重分類器

# 非正式但禮貌的韓語商務語言
ko-x-form-4-polite-2-domain-business
ko-x-f-4-p-2-d-business

# 正式且尊敬的日語醫學語言
ja-x-form-1-polite-1-domain-med
ja-x-f-1-p-1-d-med

# 南越南語，中性正式程度，禮貌語言，技術領域
vi-x-geo-southern-form-3-polite-2-domain-tech
vi-x-g-southern-f-3-p-2-d-tech

# 具有多個維度的複雜分類
en-x-h-middle-e-poetry-m-written-f-1
ja-x-f-2-p-1-d-med-h-kobun-m-written

# 顯示正式程度/禮貌區別的語言變體
ko-x-f-5-p-2  # 非常隨意但禮貌（對年長的朋友）
ko-x-f-1-p-4  # 非常正式但熟悉（寫給同伴）
ja-x-f-4-p-1  # 隨意正式程度但最高敬意
en-x-f-5-j-4  # 非常隨意的英語，禁忌級別高

使用案例

  1. 語言學習應用程式
    • 教授不同社交語境的適當語域
    • 提供特定領域的詞彙訓練
  2. 機器翻譯
    • 在翻譯中保持語域一致性
    • 應用特定領域的術語
  3. 內容分類
    • 按正式程度和領域自動分類文字
    • 將內容路由到適當的審查員或系統
  4. 語料庫語言學
    • 為語言研究構建標記的語料庫
    • 研究語域和領域變體

驗證規則

  1. 子標籤長度：x- 之後的每個子標籤必須為 8 個字元或更少
  2. 順序：分類器可以在 x- 之後以任何順序出現
  3. 唯一性：每個分類器類型在每個標籤中應該只出現一次（除了可以多次出現的 conf）
  4. 大小寫：標籤應該是小寫的（根據 BCP 47 不區分大小寫）
  5. 魔術標籤：短格式標籤是單個字元；q、3-9 保留供將來使用
  6. 混合：長格式和短格式可以在同一標籤內混合
  7. 原始標籤：必須以 x- 開頭，並且應該在可用時使用 ISO 639-5 代碼（例如，x-proto-sla 而不是 x-proto-slavic）
  8. 置信度：conf/c 分類器適用於緊鄰前面的分類器
  9. 數值：必須在定義的範圍內（禁忌為 0-5，專業知識為 0-10，百分比值為 0-100）
  10. 日期格式：日期使用無標點的 ISO 8601（YYYY、YYYYMM 或 YYYYMMDD）

相容性

LVTag 格式完全相容：

優勢

  1. 精確性：實現細粒度的語言變體識別
  2. 可擴展性：可以添加新的語域和領域
  3. 基於標準：建立在已建立的 BCP 47 私有用途機制上
  4. 機器可讀：系統化格式支援自動處理
  5. 人類可讀：清晰、描述性的子標籤
  6. 靈活性：支援詳細的長格式和簡潔的短格式標籤
  7. 簡潔性：短魔術標籤在保持清晰的同時實現緊湊表示

未來擴展

LVTag 旨在隨著語言技術社群的需求而發展。我們歡迎對新分類器的建議、對現有分類器的改進以及實際實施回饋。

要提議擴展或為規範做出貢獻：

保留的單字元代碼（q、3-9）可用於未來的標準化擴展。

參考資料

授權和專利授權

本規範在 CC0 1.0 通用（公共領域奉獻） 下發布。

為什麼選擇 CC0：為確保最大程度的採用和實施自由，LVTag 被置於公共領域。這意味著：

專利授權：涵蓋 LVTag 規範的任何專利特此免版稅許可，適用於符合本規範的任何實施。

無背書：使用 LVTag 並不意味著規範作者的背書。

在法律允許的範圍內，Danslav Slavenskoj 已放棄語言變體標記（LVTag）格式規範的所有版權和相關或鄰接權。本作品發布自：美利堅合眾國。