这次，我想整理一份关于叙词表的资料，这是一种在查找所需资料时，能够呈现关键词之间各种关系的词典。
将查找资料时输入的关键词（检索词）之间的关系呈现出来的词典称为叙词表，其中以同义词、下位词、相关词等关系来表达。
使用叙词表的目的是尽可能多地检索出与搜索关键词相关的内容，从而开展范围更广、更多样的检索。此外，它还有确保编制索引时保持一致性的目的。
一次查看与关键词相关的词语！
通常，使用门户网站的用户可以联想到类似的关联搜索词，这样会更容易理解。当然，关联搜索词与能够连接广泛相关词的叙词表并不相同。
叙词表是在主题标目表基础上发展而来的概念，主题标目表旨在将具有多种含义的检索词和文献统一起来使用，而叙词表通过呈现术语与概念之间的关系，帮助选择合适的术语。
也就是说，可以将其理解为一次呈现与关键词相关的术语，以便进行高效检索的工具。
叙词表关系图
叙词表关系图（关键词示例：博客）
为了让大家一眼就能理解叙词表，我选取了一个例子并将其制作成图片。这里选择的关键词是“博客”，在叙词表中搜索博客，就会显示该术语的各种上位词（BT）、下位词（NT）、同义词（USE/UF）、相关词（RT）、说明（SN）、外语词等。
通过一次查看这些相关术语之间的各种关系，检索者就能扩展自己凭常识掌握的词汇，从而进行更高效的检索。
下面对上述术语进行更详细的整理。
术语之间的相互关系
- 等同关系（USE、UF）- 未被采用为索引标目（基本形式）的术语，通过 USE 参照标记链接到已采用的索引标目。这里，USE 与 UF 互为逆向关系。
- 层级关系（BT、NT）- 指特定术语与其上位词（BT）或下位词（NT）之间的关系，也可表示为属种关系（+G）、实例关系（+I）、整体与部分关系（+P）。这里，BT 与 NT 互为逆向关系。例如：上位属种关系（BT+I=BTI）/ 下位整体与部分关系（NT+P=NTP）
- 关联（联想）关系（RT）- 不属于等同关系或层级关系的术语，大多归入表示相关性的关联关系，并以 RT 表示。
- 关系指示符的具体名称：SN(Scope Note)、USE、UF(Used For)、BT(Broader Terms)、NT(Narrower Term)、RT(Related Term)
- 层级关系 具体名称：G（Generic=概括性）、I（Instance=实例）、P（Part=部分）、TT（Top term=最上位）
- 外语 ：ENG（英语）、GER（德语）、FRA（法语）、NK（朝鲜语）等
叙词表示例
将这些术语之间的关系整理成词典形式并提供检索服务的网站，包括韩国国家记录院的相关术语检索、国史编纂委员会的韩国历史术语叙词表，以及古典术语叙词表等，但这些网站面向特定领域，因此可检索的词语有限。
当然，如果是为了检索历史、古典术语等特定领域的内容，使用前面提到的网站可能更有用。
相比之下，名为“韩语叙词表”的网站经过长期、广泛的收集，涵盖了日常生活中能够接触到的术语，可用于多种检索，因此我想在这份资料中将其作为例子介绍。
韩语叙词表首页搜索框
上图展示的是韩语叙词表的首页，该网站可以查看所检索词语之间的关系。网站首页的设计像谷歌一样简洁，让用户能够专注于检索。
本资料中作为示例介绍的“博客”一词的叙词表
前面以单独图片介绍的博客一词的关系图，是根据上述检索结果制作的。点击网站上显示的词语，就可以查看该词的其他上位词、下位词、相关词等。
点击右上角的“查看图表”，就会以图形形式显示如下所示的关系图。
“博客”一词的图表
这个例子中的关联词不多，因此图表显示得很整洁，但如果相关词很多，文字就会重叠，呈现得非常复杂，可能会让人不知所措。
这时，可以阅读图表上方的说明，并调整数值以增大画面中的间距。
“曹操”一词的叙词表
这次是另一个例子，以“曹操”这个人物为关键词进行了检索。这里，上位词显示为包括曹操在内的曹氏父子3人，下位词则没有显示。
而与曹操同等表示的同义词中，列出了曹操的字“孟德”，以及魏国建立时追授给他的谥号“武皇帝”。
这里可以理解为，不属于上位词或下位词的大多数词语，都会显示为相关词。
“曹操”图表
将与曹操相关的词语用图表表示出来，结果如上所示。而从这些检索结果中可以感受到，最终能够呈现的信息还是有限的。
其实，仔细想来，除了上面显示的词语之外，还能想到无数词语，但叙词表所呈现的词语却存在局限。
其他叙词表的检索结果也是如此。这种局限归根结底是因为叙词表由人手工逐项构建。
如何改进叙词表？
深度学习技术的发展是关键！
叙词表——呈现术语关系的词典
要解决这些问题，A.I 和大数据分析技术需要进一步发展，使计算机能够收集互联网上的海量数据，分析这些词语之间的关联性，并将相关术语连接起来。
尤其是，要让这项技术成为现实，深度学习（deep learning）的发展非常重要，而这也是目前大型科技企业集中投资的领域。归根结底，将海量词语连接起来，被认为是今后只有能够自主学习和分类的计算机才能解决的问题。
正如 AI 最初出现时以惊人的计算能力让人类感到震撼一样，随着 AI 的发展及其应用，我们可以期待更加先进的叙词表。
