汉语成语：一种基于压缩感知的认知与数学模型
✨步子哥 (steper) •
2025年12月21日 06:40
## 1. 摘要与引言
### 1.1 研究背景：压缩感知理论与认知科学
在信息科学领域，压缩感知（Compressed Sensing, CS）理论自21世纪初由D. Donoho、E. Candes及T. Tao等人提出以来，便对传统的信号处理范式带来了革命性的冲击 [^537^]。该理论的核心思想在于，如果一个信号在某个变换域是稀疏的，即可以用远少于其自身维度的少量非零系数来表示，那么我们就可以通过远低于奈奎斯特采样定理所要求的速率对该信号进行采样，并依然能够精确地重构出原始信号 [^541^]。这一理论的数学基础建立在线性代数、概率论、凸优化以及信息论等多个学科之上，其基本模型可以简洁地表示为 $y = \Phi x + n$，其中 $x$ 是原始信号，$y$ 是观测到的压缩测量值，$\Phi$ 是测量矩阵，而 $n$ 则代表噪声 [^535^]。压缩感知理论的三大支柱——**信号的稀疏性、非自适应的线性投影以及高效的重构算法**——共同构成了其强大的理论框架，使其在图像处理、医学成像、无线通信等领域获得了广泛应用。
与此同时，在认知科学领域，研究者们长期以来都在探索人类心智如何处理、存储和传递海量信息。一个核心的观点是，人脑并非被动地接收和记录感官输入，而是主动地对其进行编码、压缩和重构。从记忆的形成到语言的习得，信息压缩似乎是一种贯穿始终的基本认知策略 [^79^]。例如，在记忆研究中，有理论认为大脑会对时间维度进行压缩，形成类似于视觉空间压缩的“时间细胞”表征，从而高效地组织记忆 [^521^]。在语言研究中，成语、习语等固定表达的存在，本身就是语言高度浓缩和压缩的明证。这些语言单位将复杂的概念、丰富的文化内涵和生动的意象打包进简短的音节序列中，极大地提升了交流效率。因此，将信息科学中的压缩感知理论与认知科学中的信息处理机制相结合，为我们理解人类高级认知功能，特别是语言的理解与运用，提供了一个全新的、跨学科的视角。
### 1.2 核心论点：汉语成语作为压缩感知的语言学体现
本论文的核心论点是：**汉语成语在构词、语义和认知加工等多个层面，都体现了压缩感知理论的核心原理，可以被视为一种在语言层面实现信息高效压缩与重构的典范。** 汉语成语，特别是占绝大多数的四字格成语，其构词方式天然地满足了压缩感知理论对信号稀疏性的要求。在一个拥有数以万计汉字的庞大“信号空间”中，成语仅仅选取其中的四个汉字（$k=4$）来构建一个完整的语义单元，这构成了典型的“$k \ll N$”的稀疏性条件。这种极致的简约性并非简单的删减，而是一种高度优化的信息编码。每一个被选中的汉字都如同稀疏表示中的非零系数，承载着远超其字面意义的权重，通过特定的组合方式，共同“投影”出一个高维度的、丰富的语义场景。
本研究将深入论证，成语的固定结构（如四字格）和非约定俗成的生成机制，可以类比为压缩感知中的非自适应线性投影过程。这种结构化的“测量矩阵”确保了信息编码的稳定性和可解码性。而人类在理解和运用成语时，其认知过程则完美地对应了压缩感知的重构算法。大脑接收到“四字”这一低维度的“测量值”后，能够迅速激活相关的语义框架、文化背景知识和语境信息，通过一种类似于L1范数最小化的优化过程，从无数种可能的解释中，精准地“重构”出成语所要表达的完整、精确的意义。这一过程不仅高效，而且具有强大的鲁棒性，即使在信息不完整或存在噪声（如语境模糊）的情况下，也能实现准确的理解。因此，将汉语成语置于压缩感知的理论框架下进行分析，不仅能为我们揭示成语的本质提供深刻的数学洞见，也能为理解人类语言的认知机制提供一个强有力的计算模型。
### 1.3 论文结构与主要研究内容
本论文将从数学和认知科学的综合视角，系统性地论证“汉语成语就是数学上的压缩感知”这一核心观点。论文的结构安排如下：
第一部分为引言，阐述了压缩感知理论与认知科学的研究背景，并明确提出了本论文的核心论点。
第二部分将详细介绍压缩感知理论的三大核心原理：稀疏性、非自适应线性投影和重构算法。我们将深入探讨每个原理的数学定义、关键性质及其在不同领域的应用，为后续的分析奠定坚实的理论基础。
第三部分是本论文的分析核心，将系统性地剖析汉语成语如何体现压缩感知的三大核心原理。我们将从成语构词中的“k<<N”原则出发，探讨其稀疏性；分析其固定结构如何作为一种非自适应的编码机制；并结合认知语言学和心理学研究，阐述人脑如何作为“重构算法”来解码成语的丰富内涵。
第四部分将从更宏观的认知科学视角，探讨信息压缩作为人类认知的统一原则。我们将讨论记忆、感知和语言习得中的压缩机制，并对比分析成语在人类认知中的语义压缩与大型语言模型（LLM）中的统计压缩，以凸显其独特性。
第五部分将尝试建立一个形式化的数学模型，将成语的生成与理解过程用压缩感知的数学语言进行描述。我们将定义汉字空间、成语信号、稀疏表示向量，并模拟“编码-解码”的全过程，同时提出基于语料库的量化验证方案。
最后，第六部分将对全文进行总结，归纳主要研究结论，探讨本研究的理论意义与应用价值，并对未来的跨学科研究方向进行展望。
## 2. 压缩感知理论的核心原理
压缩感知（Compressed Sensing, CS）理论是一种革命性的信号处理范式，它挑战了传统的奈奎斯特-香农采样定理，实现了在远低于传统采样率的情况下对信号进行精确采样和重构 [^541^]。该理论的成功建立在三个紧密相连的核心支柱之上：信号的稀疏性（Sparsity）、非自适应线性投影（Non-adaptive Linear Projection）以及高效的重构算法（Reconstruction Algorithm）。这三者共同构成了一个完整的理论框架，使得对高维信号的压缩采样和精确恢复成为可能。
### 2.1 稀疏性（Sparsity）：信号的简约表示
稀疏性是压缩感知理论的基石和前提。其核心思想是，许多我们感兴趣的自然信号或人工信号，尽管其本身维度很高，但在某个特定的变换域（或称“稀疏基”）中，其能量会集中在少数几个系数上，而大部分系数的值接近于零。这种特性被称为“可压缩性”或“稀疏性” [^536^]。例如，一幅自然图像在像素域是密集的，但在小波变换域或离散余弦变换（DCT）域中，通常只有少数几个大系数能够捕捉到图像的主要特征（如边缘、纹理），而绝大多数系数都非常小，可以忽略不计。同样，一段语音信号在时域是密集的，但在频域（如傅里叶变换域）则表现出稀疏性，只有少数几个频率成分占主导地位。
#### 2.1.1 稀疏性的数学定义与条件
数学上，一个长度为 $N$ 的信号 $x$ 被称为 $K$-稀疏的，如果它最多只有 $K$ 个非零元素，且 $K \ll N$。更一般地，如果信号 $x$ 本身不是稀疏的，但存在一个正交基或字典 $\Psi$，使得 $x$ 在该基下的表示系数向量 $s = \Psi^T x$ 是稀疏的，那么信号 $x$ 也被称为是稀疏的 [^537^]。这里的 $\Psi$ 被称为“稀疏基”或“字典”，其列向量构成了信号稀疏表示的基础。例如，对于图像信号，$\Psi$ 可以是小波基；对于一维信号，$\Psi$ 可以是傅里叶基或DCT基。
稀疏性的度量通常使用 $L_0$ 范数，即 $\|s\|_0$，它表示向量 $s$ 中非零元素的个数。因此，寻找信号最稀疏的表示，可以表述为一个优化问题：
$$ \min_s \|s\|_0 \quad \text{s.t.} \quad x = \Psi s $$
然而，$L_0$ 范数优化是一个NP-hard问题，计算复杂度极高。为了解决这个问题，压缩感知理论引入了 $L_1$ 范数作为 $L_0$ 范数的凸松弛。$L_1$ 范数定义为向量元素绝对值之和，即 $\|s\|_1 = \sum_i |s_i|$。在一定的条件下（如限制等距性质，RIP），最小化 $L_1$ 范数可以得到与最小化 $L_0$ 范数相同的解 [^512^]。这使得稀疏表示问题可以通过线性规划等凸优化方法高效求解，为压缩感知的实际应用铺平了道路。
#### 2.1.2 稀疏表示在不同领域的应用
稀疏表示的思想已经渗透到众多科学和工程领域。在信号处理领域，稀疏编码被广泛应用于图像去噪、压缩和超分辨率重建。通过将图像表示为稀疏字典中少数几个原子的线性组合，可以有效地分离出图像的主要结构和噪声，从而实现高质量的信号恢复。在机器学习领域，稀疏性被用作一种正则化手段，以防止模型过拟合，并提高模型的可解释性。例如，Lasso回归通过在损失函数中加入 $L_1$ 范数惩罚项，可以自动地进行特征选择，使得模型参数向量变得稀疏，从而识别出对预测结果最重要的少数几个特征。
在神经科学领域，稀疏表示被认为是大脑处理信息的一种重要机制。研究表明，大脑的神经元活动并非随机或密集的，而是呈现出稀疏的特性。例如，在视觉皮层中，只有少数神经元对特定的视觉刺激（如特定方向的边缘）产生强烈反应，而大部分神经元则处于静息状态 [^544^]。这种稀疏编码策略不仅提高了信息处理的能量效率，还增强了系统对噪声的鲁棒性，并有助于形成对输入信号的高效、抽象表征。这种生物学上的发现与压缩感知理论的数学原理不谋而合，进一步激发了将压缩感知应用于认知科学研究的兴趣。
### 2.2 非自适应线性投影（Non-adaptive Linear Projection）：信息的降维采样
在确认了信号的稀疏性之后，压缩感知的下一个关键步骤是如何设计一个高效的采样过程，即如何用一个远小于信号维度的测量值向量来捕获信号的全部或大部分信息。压缩感知理论提出的解决方案是**非自适应线性投影**。与传统的“先采样后压缩”的模式不同，压缩感知采用“边采样边压缩”的策略，通过一个精心设计的测量矩阵 $\Phi$ 直接对信号 $x$ 进行线性投影，得到测量值向量 $y$ [^541^]。
#### 2.2.1 测量矩阵的性质与不相关性原则
测量过程可以用数学公式 $y = \Phi x$ 来描述，其中 $x \in \mathbb{R}^N$ 是原始信号，$y \in \mathbb{R}^M$ 是测量值向量，$\Phi \in \mathbb{R}^{M \times N}$ 是测量矩阵，且 $M \ll N$。由于 $M < N$，这是一个欠定线性方程组，理论上存在无穷多个解。然而，压缩感知理论证明，如果测量矩阵 $\Phi$ 满足一定的条件，并且信号 $x$ 是稀疏的，那么原始信号 $x$ 就可以被唯一且稳定地重构出来。
测量矩阵 $\Phi$ 需要满足的关键性质是**限制等距性质（Restricted Isometry Property, RIP）** 。一个矩阵 $\Phi$ 被称为满足 $K$-阶RIP，如果存在一个常数 $\delta_K \in (0, 1)$，使得对于所有 $K$-稀疏的信号 $x$，都有：
$$ (1 - \delta_K) \|x\|_2^2 \leq \|\Phi x\|_2^2 \leq (1 + \delta_K) \|x\|_2^2 $$
RIP性质保证了测量矩阵 $\Phi$ 能够近似地保持所有 $K$-稀疏信号的 $L_2$ 范数，即测量过程不会扭曲稀疏信号的能量。直观上理解，这意味着测量矩阵 $\Phi$ 能够将高维空间中的稀疏信号“嵌入”到低维空间中，并且保持它们之间的相对距离。
一个与RIP密切相关且更易于理解和验证的性质是**不相关性**。如果测量矩阵 $\Phi$ 的行向量与稀疏基 $\Psi$ 的列向量之间的相关性很低，那么 $\Phi$ 就更有可能满足RIP。一个典型的满足不相关性原则的测量矩阵是**随机矩阵**，例如高斯随机矩阵或伯努利随机矩阵。这些矩阵的元素是独立同分布的随机变量。理论证明，这类随机矩阵以极高的概率满足RIP，因此非常适合作为压缩感知的测量矩阵 [^512^]。这种非自适应的特性意味着测量矩阵的设计可以完全不依赖于具体的信号内容，从而大大简化了采样系统的设计。
#### 2.2.2 从奈奎斯特采样到压缩感知的范式转变
非自适应线性投影的引入，标志着从传统的奈奎斯特采样理论到压缩感知理论的范式转变。奈奎斯特-香农采样定理指出，为了无失真地恢复一个带宽受限的模拟信号，采样频率必须至少是信号最高频率的两倍。这个定理是数字信号处理的基石，但它也隐含了一个前提：为了获取信号的全部信息，必须进行密集的、高频率的采样，然后再通过复杂的算法剔除冗余信息。这种“先采样后压缩”的模式在许多应用中（如高分辨率成像、宽带通信）面临着巨大的数据存储和传输压力。
压缩感知理论则颠覆了这一传统观念。它指出，对于稀疏或可压缩的信号，我们无需遵循奈奎斯特采样率。通过非自适应的线性投影，我们可以在采样的同时完成压缩，直接获取信号的“精华”部分，即那些包含主要信息的测量值 [^537^]。这种“边采样边压缩”的模式，将计算复杂度从采样端转移到了重构端。采样过程变得非常简单和高效，只需进行线性投影即可；而重构过程则需要求解一个复杂的优化问题。这种范式的转变在许多资源受限的场景下具有巨大的优势，例如，在无线传感器网络中，可以大大减少节点的数据传输量；在医学成像（如MRI）中，可以显著缩短扫描时间，改善病人的体验。
### 2.3 重构算法（Reconstruction Algorithm）：从低维到高维的逆问题求解
压缩感知过程的最后一个环节，也是最具挑战性的一环，是从低维的测量值 $y$ 中重构出高维的原始信号 $x$。这是一个典型的**逆问题**，由于测量值的数量远少于未知数的数量（$M \ll N$），该问题在数学上是病态的，没有唯一解。然而，压缩感知理论巧妙地利用了信号的稀疏性这一先验知识，将病态问题转化为一个可解的优化问题。
#### 2.3.1 L1范数最小化与凸优化
重构问题的核心是寻找一个既满足测量约束 $y = \Phi x$ 又最稀疏的信号 $x$。这可以表述为以下优化问题：
$$ \min_x \|x\|_0 \quad \text{s.t.} \quad y = \Phi x $$
如前所述，由于 $L_0$ 范数优化的组合爆炸特性，该问题难以求解。因此，压缩感知理论采用其凸松弛形式，即 $L_1$ 范数最小化问题，也称为**基追踪（Basis Pursuit, BP）** [^512^]：
$$ \min_x \|x\|_1 \quad \text{s.t.} \quad y = \Phi x $$
这个优化问题是一个凸优化问题，可以通过线性规划（Linear Programming）等成熟的算法在多项式时间内求解。其基本思想是，在所有满足测量约束的解中，$L_1$ 范数最小的那个解最有可能是最稀疏的。这是因为 $L_1$ 范数的等高线是一个菱形，其顶点恰好落在坐标轴上，因此最小化 $L_1$ 范数的过程会倾向于将解推向坐标轴，从而产生更多的零元素。
在实际应用中，由于测量过程通常存在噪声，即 $y = \Phi x + n$，因此更鲁棒的重构模型是**基追踪去噪（Basis Pursuit Denoising, BPDN）** 或**Lasso**回归：
$$ \min_x \frac{1}{2} \|y - \Phi x\|_2^2 + \lambda \|x\|_1 $$
其中，第一项是数据保真项，确保重构的信号与测量值尽可能接近；第二项是稀疏正则化项，用于惩罚非稀疏的解；$\lambda$ 是一个正则化参数，用于平衡这两项的权重。这个模型通过权衡重构误差和稀疏性，能够在存在噪声的情况下实现稳定、准确的信号恢复。
#### 2.3.2 重构算法的稳定性与鲁棒性
压缩感知重构算法的稳定性和鲁棒性是其理论框架的重要保障。稳定性指的是，当测量值存在微小扰动时，重构出的信号与真实信号之间的误差也保持在可控范围内。鲁棒性则指算法在面对噪声、模型误差等不确定性因素时，仍能给出有意义的结果。压缩感知理论为重构算法的稳定性和鲁棒性提供了严格的数学保证。
一个重要的理论结果是，如果测量矩阵 $\Phi$ 满足RIP，那么对于任意信号 $x$（不一定是严格稀疏的），通过求解BPDN问题得到的重构信号 $\hat{x}$ 与真实信号 $x$ 之间的误差是有界的。具体来说，如果 $x_K$ 是 $x$ 的最佳 $K$-稀疏近似（即保留 $x$ 中最大的 $K$ 个系数，其余置零），那么重构误差满足：
$$ \|\hat{x} - x\|_2 \leq C_1 \frac{\|x - x_K\|_1}{\sqrt{K}} + C_2 \epsilon $$
其中，$\epsilon$ 是测量噪声的水平，$C_1$ 和 $C_2$ 是仅依赖于RIP常数的常数。这个不等式表明，重构误差由两部分组成：一部分是信号本身不可稀疏表示的误差（即 $\|x - x_K\|_1$），另一部分是测量噪声引入的误差。对于严格稀疏的信号，$\|x - x_K\|_1 = 0$，重构误差与噪声水平成正比。对于可压缩的信号，重构误差也与信号的最佳稀疏近似误差成正比。这个理论结果为压缩感知的实际应用提供了坚实的信心，证明了其重构算法是稳定且鲁棒的。
除了基于凸优化的算法（如BP和BPDN），还存在一类**贪婪算法**，如正交匹配追踪（Orthogonal Matching Pursuit, OMP）和压缩采样匹配追踪（Compressive Sampling Matching Pursuit, CoSaMP）[^535^]。这类算法通过迭代的方式，在每一步选择与当前残差最相关的原子来逐步构建信号的稀疏表示。贪婪算法的计算速度通常比凸优化算法快，但其理论保证相对较弱。在实际应用中，可以根据具体问题的需求（如速度、精度）来选择合适的重构算法。
## 3. 汉语成语的压缩感知特性分析
汉语成语，作为汉语言文化中一颗璀璨的明珠，以其言简意赅、结构凝练、内涵丰富而著称。从信息论和认知科学的视角审视，成语的生成与理解过程，与压缩感知（Compressed Sensing, CS）理论的核心机制存在着惊人的相似性。本章节将深入剖析汉语成语如何在其构词方式、编码机制以及认知加工过程中，体现压缩感知理论的三大核心原理：稀疏性、非自适应线性投影和重构算法。
### 3.1 稀疏性：成语构词中的“k<<N”原则
稀疏性是压缩感知理论的基石，它要求信号在某个变换域中可以用远少于其自身维度的非零系数来表示。汉语成语的构词方式天然地满足了这一“k<<N”的稀疏性条件。这里的“N”可以被视为整个汉字集合所构成的巨大信号空间，而“k”则是构成一个成语所使用的汉字数量。
#### 3.1.1 汉字空间与成语的稀疏采样
现代汉语中常用的汉字大约有数千到一万个，我们可以将这个庞大的汉字集合视为一个高维的“汉字空间”，其中每一个汉字都是一个基向量。任何一个复杂的概念、故事或场景，理论上都可以通过这个汉字空间中的某个高维向量来表示。然而，成语的精妙之处在于，它仅仅从这个巨大的空间中“采样”出极少量（通常是四个）的汉字，就能构建一个完整且高度浓缩的语义单元。例如，成语“指鹿为马”仅用四个字，就编码了一个包含历史典故、人物、事件以及深刻讽喻意义的复杂信息。如果用普通的叙述性语言来表达同样的意思，可能需要数十甚至上百个字。这种从“万”字中选取“四字”的构词方式，完美地体现了 **“k<<N”（k=4, N≈10000）的稀疏采样原则**。
这种稀疏性并非简单的信息删减，而是一种高度优化的信息编码。在成语中，每一个被选中的汉字都扮演着压缩感知中“非零系数”的角色，其信息承载量被极大地放大了。例如，在“刻舟求剑”中，“刻”、“舟”、“求”、“剑”这四个字，每一个都不仅仅是其字面意思，而是被赋予了在特定叙事框架下的特殊功能。它们共同作用，通过一种非线性的方式“重构”出一个关于僵化、不知变通的完整故事和寓意。这种用极少的“点”来描绘出丰富的“面”的能力，正是稀疏表示的核心特征。
#### 3.1.2 基于信息熵的成语信息量量化分析
为了更精确地量化成语的稀疏性和信息浓缩程度，我们可以引入信息论中的**信息熵（Shannon Entropy）** 概念。信息熵衡量的是一个信息源的不确定性或“惊讶度”，其值越高，表示信息量越大，越不可预测。对于一个离散的信源 $X$，其熵 $H(X)$ 定义为：
$$ H(X) = -\sum_{i=1}^{n} p(x_i) \log_2 p(x_i) $$
其中，$p(x_i)$ 是信源发出符号 $x_i$ 的概率。
我们可以将汉语成语视为一个特殊的信息源。首先，计算单个汉字在通用语料库中的信息熵。假设我们有一万个常用汉字，如果每个汉字出现的概率均等（$p(x_i) = 1/10000$），那么单个汉字的熵约为 $\log_2(10000) \approx 13.29$ 比特。然而，在实际语言使用中，汉字的分布是极不均匀的，遵循齐普夫定律（Zipf's Law），即少数高频词占据了大部分出现概率。因此，实际单个汉字的平均熵要低得多，通常在9-10比特左右。
现在，考虑一个四字成语。如果这四个字是完全独立且随机选择的，那么该成语的总信息量将是单个汉字熵的四倍，约为40比特。但成语的意义并非其组成汉字的简单相加。成语的“压缩”特性体现在，它用这四个字所携带的有限信息量，成功地编码了一个远大于40比特的语义信息。例如，“指鹿为马”所传达的“颠倒黑白、混淆是非、权力滥用”等复杂社会政治寓意，其信息量远超四个字本身所能承载的字面信息之和。这种“信息增益”正是成语作为一种高效压缩编码的体现。通过计算成语在特定语境下的条件熵，并与同等长度的普通词组进行比较，可以进一步量化其信息浓缩的程度。研究表明，成语的理解过程依赖于对整个语义单元的整体把握，而非逐字解码，这进一步支持了其作为高信息密度单元的观点 [^509^]。
#### 3.1.3 成语用字的非均匀分布与幂律特征
成语用字的非均匀分布是其稀疏性的另一个重要体现，这种分布特征与自然界和人类社会中的许多复杂网络（如社交网络、互联网链接）一样，往往遵循**幂律分布（Power-law Distribution）** 。幂律分布的特点是，少数“热门”元素（在成语中即高频汉字）占据了绝大部分出现频率，而绝大多数“冷门”元素（低频汉字）则只占据极小的比例。这种“长尾”现象在成语系统中表现得尤为明显。例如，在我们的小型语料库分析中，数字类汉字（如一、二、三、四、五、六、七、八、九、十）的出现频率显著高于其他汉字。这种现象并非偶然，而是源于成语的生成机制和文化背景。许多成语源于历史典故、神话传说或古典文献，这些源头本身就赋予了成语特定的结构和用字偏好。
从压缩感知的角度解读，这种幂律分布特征具有深刻的意义。首先，它极大地降低了系统的复杂性。如果成语用字是完全均匀随机的，那么理解和记忆成语将变得异常困难。而幂律分布的存在，意味着我们可以通过学习少数高频核心汉字及其组合规律，来掌握大量的成语。这相当于在信号重构过程中，利用信号的稀疏性和非均匀性作为先验信息，从而可以用更少的测量值（即更少的上下文信息）来精确重构原始信号。其次，这种非均匀分布也反映了成语作为一种文化载体的“鲁棒性”。高频核心汉字构成了成语系统的“骨架”，即使部分信息丢失或模糊（例如，只记得成语中的数字），人们仍然有可能根据这些关键“锚点”来推断和恢复出完整的成语。例如，听到“三…茅庐”，即使中间的字模糊不清，熟悉汉语文化的人也能立刻联想到“三顾茅庐”。这种基于核心元素的联想和重构能力，正是人脑认知系统高效处理压缩信息的体现，也与压缩感知理论中利用稀疏性进行鲁棒重构的核心思想不谋而合。因此，成语用字的非均匀分布不仅是其语言特性的表现，更是其作为一种高效信息压缩与传递工具的关键所在。
### 3.2 非自适应线性投影：成语的固定结构与编码机制
在压缩感知理论中，非自适应线性投影是通过一个与信号稀疏基不相关的测量矩阵 $\Phi$ 来实现的，它将高维信号 $x$ 投影到低维空间 $y$。在汉语成语的“编码”过程中，其固定的结构（尤其是四字格）和约定俗成的生成机制，扮演了类似于“测量矩阵”的角色。
#### 3.2.1 四字格结构作为一种“测量矩阵”
汉语成语中，四字格结构占据了绝对的主导地位。这种“2+2”的音步和语法结构，可以被视为一种固定的、非自适应的“测量矩阵” $\Phi$。这个“矩阵”规定了信息编码的框架：任何复杂的概念或故事，都必须被“投影”到这个由四个字构成的固定格式中。这种结构化的编码方式具有几个关键优势：
1. **高效性与稳定性**：固定的结构使得成语的识别和记忆变得极为高效。大脑可以快速地识别出“四字格”这一模式，并将其作为启动成语加工的认知线索。这种结构化的输入极大地降低了认知负荷，使得信息处理更加稳定和可靠。
2. **非自适应性**：这个“测量矩阵”是预先设定好的，不依赖于具体的成语内容。无论是描述历史故事的“卧薪尝胆”，还是表达哲理的“塞翁失马”，它们都遵循着同样的四字格结构。这种非自适应性确保了编码过程的普适性和一致性，使得所有成语都能被纳入一个统一的处理框架中。
3. **信息保真度**：正如压缩感知中的测量矩阵需要满足RIP性质以保证信息不丢失，成语的四字格结构也以其高度的凝练性，确保了核心语义信息的保留。虽然形式被压缩，但关键的语义“骨架”被完整地保留下来，为后续的认知重构提供了足够的信息。
#### 3.2.2 成语的约定俗成性与非自适应编码
成语的生成和使用具有强烈的**约定俗成性**。这意味着一个成语的意义和形式是在语言社群的长期使用中固定下来的，个体不能随意更改其结构或赋予新的意义。这种约定俗成性进一步强化了其“非自适应”的编码特性。说话者在使用成语时，并非在创造一个新的表达，而是在调用一个已经存在于双方知识体系中的、固定的“压缩包”。这个过程是“非自适应”的，因为编码规则（即成语的意义）是预先确定的，而不是根据当前的语境临时生成的。这与压缩感知中测量矩阵Φ的设计独立于具体信号的特性完全一致。说话者无需为每个新的语境重新设计成语的结构或意义，而是直接套用现成的、标准化的“测量矩阵”（四字格结构）和“码本”（成语词典）来进行编码。这种非自适应的特性保证了成语作为语言交流工具的稳定性和高效性。
#### 3.2.3 语法与韵律在成语编码中的作用
除了固定的四字格结构，成语内部的语法和韵律特征也在其编码机制中扮演着重要角色。研究表明，汉语成语的认知加工受到其内部句法结构和韵律模式的共同影响 [^338^]。例如，成语“开天辟地”是并列结构，其韵律结构和句法结构相对独立，认知加工负荷较低。而成语“愚公移山”是主谓结构，其句法关系需要跨越韵律结构（“愚公”为一个韵律词，“移山”为另一个韵律词）才能建立，因此认知加工负荷相对较高，在脑电实验中会引发更显著的P600效应（一种与句法整合相关的脑电成分） [^338^]。这说明，成语的编码并非简单的四个字堆砌，而是遵循着内在的语法和韵律规则。这些规则可以被视为编码过程中的“约束条件”，它们确保了成语的结构稳定性和可解析性。在压缩感知的框架下，这些语法和韵律规则可以被看作是测量矩阵Φ的内在结构，它们共同作用，将高维的语义信息以一种结构化、可逆的方式投影到四字格的低维空间中，为后续的认知重构提供了必要的线索。
### 3.3 重构算法：人脑对成语的认知解码过程
在压缩感知模型中，重构算法负责从低维的测量值中恢复出高维的原始信号。对于汉语成语而言，人脑对其意义的理解过程，就是一个典型的认知解码或重构过程。听者或读者在接收到“四字格”这一低维信号后，需要调动大脑中存储的关于该成语的知识（包括其字面意义、引申义、典故、用法等），并结合具体的语境，重构出其背后丰富、完整的语义信息。
#### 3.3.1 成语理解的并行加工机制
传统的语言理解模型，特别是针对比喻性语言（如成语、隐喻）的模型，通常认为理解过程是“序列式”的，即先加工字面意义，当字面意义与语境不符时，再转向比喻意义的加工。然而，针对汉语成语的认知神经科学研究提出了不同的看法。一项利用事件相关电位（ERP）技术的研究发现，**汉语成语的字面意义和比喻意义的提取可能是同时进行的，即一个并行的加工过程** [^338^]。实验中，研究者通过操纵成语的“构建度”（即字面意义与比喻意义联系的紧密程度）发现，构建度的高低并未显著影响成语的意义提取过程。这与西方语言中成语的加工模式不同，可能源于汉语成语独特的“四字格”形式。这种并行加工机制，使得大脑能够非常快速地完成对成语的理解，无需经历从字面到比喻的“切换”过程。从压缩感知的角度看，这相当于重构算法能够同时利用信号的多个特征（如字面信息和比喻信息）来进行重构，从而提高了重构的效率和准确性。
#### 3.3.2 语义框架的激活与信息重构
成语的理解过程，并不仅仅是提取其词典中的定义，更重要的是激活与之相关的“**语义框架**”（semantic frame）。语义框架是一种认知结构，它包含了与特定概念相关的知识、信念和经验。例如，当听到“指鹿为马”这个成语时，大脑不仅会激活其“颠倒黑白、混淆是非”的核心意义，还会激活与之相关的历史典故（赵高欺君）、人物形象、以及在各种语境下的使用范例等丰富的背景知识 [^373^]。这些信息共同构成了一个完整的语义框架。一篇关于信息熵的研究明确指出，成语的使用会“激发读者头脑中的语义框架，读者获得了成语中丰富的信息，成语中的信息‘嵌入’到事件当中” [^373^]。这个过程与压缩感知的重构过程高度相似。低维的“四字格”信号（测量值y）作为触发器，激活了大脑中存储的、与该成语相关的、高维的语义框架（原始信号x）。这个重构过程是“解压缩”的，它将浓缩在四个字中的信息，还原为一个丰富、立体的认知结构。
#### 3.3.3 语境在成语意义重构中的引导作用
尽管成语的意义是相对固定的，但其具体的理解和应用仍然离不开语境。语境为成语的意义重构提供了重要的引导和约束。同一个成语在不同的语境中，其侧重点、情感色彩甚至具体含义都可能发生微妙的变化。例如，“锦上添花”在“他事业有成，又娶得佳人，真是锦上添花”中，表达的是“好上加好”的褒义；而在“这些繁琐的礼节对于这场盛大的婚礼来说，不过是锦上添花”中，则可能带有一丝“可有可无、多此一举”的贬义。在压缩感知的框架下，**语境可以被看作是重构算法中的“先验信息”或“正则化项”** 。它帮助重构算法在多个可能的解中，选择一个最符合当前情境的解。例如，在求解min ||x||₁ s.t. y = Φx时，可以加入一个与语境相关的正则化项，如λ||x - x_context||²，其中x_context是根据语境推断出的期望信号。通过这种方式，语境引导着重构过程，使得最终的理解既忠实于成语的核心意义，又贴合具体的交际场景，实现了从“通用解码”到“个性化理解”的过渡。
## 4. 认知科学视角下的成语压缩与解压缩
从认知科学的角度来看，信息压缩是人类智能的一个核心特征。我们的大脑每天都要处理海量的感官信息，为了在有限的认知资源下生存和发展，人类进化出了一套高效的信息压缩机制。这套机制贯穿于我们的感知、记忆、学习和决策等所有认知活动中。语言作为人类最重要的认知工具，其本身就是一种高度压缩的信息载体。而汉语成语，作为语言中的“压缩包”，更是将信息压缩的艺术发挥到了极致。从认知科学的视角来审视成语的压缩与解压缩过程，不仅能够深化我们对成语本质的理解，也能为探索人类智能的奥秘提供新的线索。
### 4.1 信息压缩作为人类认知的统一原则
信息压缩是人类认知系统的一个基本原则。我们的大脑并非被动地接收和存储外界信息，而是主动地对其进行筛选、提炼和重组，以形成对世界的高效表征。这一过程的本质，就是信息压缩。例如，在视觉感知中，我们的大脑会自动忽略掉视野中的冗余信息（如背景中的噪声），而将注意力集中在那些具有显著特征的目标上。在记忆过程中，我们会将复杂的事件简化为几个关键的情节和要素，以便于存储和提取。这种压缩机制，使得我们能够在有限的脑容量下，处理和理解无限复杂的世界。有研究者甚至提出，人类的整个认知过程，都可以被理解为一种“通过模式匹配和统一进行信息压缩”（Information Compression via the Matching and Unification of Patterns, ICMUP）的过程 [^79^]。
#### 4.1.1 记忆与感知中的信息压缩机制
在记忆和感知领域，信息压缩机制表现得尤为明显。例如，在视觉感知中，我们的大脑会利用各种“感知恒常性”（perceptual constancies）来压缩信息。无论物体距离我们多远，从哪个角度看，我们都能将其识别为同一个物体，这就是大小恒常性和形状恒常性在起作用。这种将不同视角下的图像统一为一个稳定概念的能力，就是一种高效的信息压缩。在记忆方面，我们倾向于记住事件的“要点”（gist），而不是每一个细节。这种“模式化”的记忆方式，使得我们能够用有限的记忆容量，存储大量的经验知识。此外，我们还会利用“图式”（schema）来对信息进行压缩。图式是我们对世界的一种心理框架，它包含了关于特定情境、事件或概念的一般性知识。当我们遇到新的信息时，我们会将其与已有的图式进行匹配，从而快速理解其意义，并将其整合到我们的知识体系中。这种利用图式进行信息加工的方式，极大地提高了我们的认知效率。
#### 4.1.2 语言习得与使用中的压缩策略
语言习得和使用的过程，也充满了信息压缩的策略。儿童在学习语言时，会从大量的语言输入中，归纳出词汇和语法规则。这个过程，就是从具体的语言实例中，抽象出一般性的语言模式，从而实现信息压缩。在语言使用中，我们更是无时无刻不在进行信息压缩。例如，我们会使用代词来指代前面提到过的名词，以避免重复。我们会使用省略句，将不言而喻的信息省略掉。我们还会使用各种修辞手法，如比喻、拟人、夸张等，来用简单的语言表达复杂的思想和情感。而成语，正是语言压缩策略的集大成者。它将一个复杂的故事、一个深刻的道理、一个生动的场景，压缩到四个字之中，实现了信息传递效率的最大化。这种高度的压缩性，使得成语成为汉语中最具表现力和生命力的语言单位之一。
### 4.2 成语理解中的神经机制
成语的理解过程，涉及到大脑多个区域的协同工作。神经语言学的研究，特别是基于功能磁共振成像（fMRI）和事件相关电位（ERP）技术的研究，为我们揭示了成语认知加工的神经机制。这些研究发现，成语的理解并非一个简单的意义提取过程，而是一个涉及句法分析、语义整合、情境推理等多个环节的复杂认知过程。大脑的不同区域在成语加工中扮演着不同的角色，它们之间的动态交互，共同完成了对成语意义的解码。
#### 4.2.1 大脑前额叶皮层在成语加工中的作用
大脑的前额叶皮层（Prefrontal Cortex, PFC）被认为是执行功能（executive functions）的核心区域，它在成语的理解和运用中扮演着至关重要的角色。PFC负责工作记忆、注意力控制、推理和决策等高级认知功能，这些功能对于处理成语这种高度压缩和抽象的语言单位是必不可少的。例如，当我们理解一个具有隐喻意义的成语时，PFC需要抑制其字面意义的干扰，并从长时记忆中检索其比喻意义。fMRI研究发现，在加工新颖的、不熟悉的成语时，PFC的激活程度会显著增强，这表明PFC在成语意义的建构和推理过程中发挥着关键作用。此外，PFC还参与了成语的语用功能，即根据具体的交际目的和语境，灵活地选择和运用恰当的成语。
#### 4.2.2 事件相关电位（ERP）研究揭示的成语认知过程
事件相关电位（ERP）技术以其高时间分辨率的优势，为我们实时观察成语的认知加工过程提供了可能。ERP研究发现，在成语理解的不同阶段，大脑会产生不同的脑电成分。例如，在成语呈现后的200-300毫秒左右，大脑会产生一个负波（N200），这可能反映了大脑对成语的字形或语音特征的早期加工。在300-500毫秒左右，会产生一个更大的负波（N400），N400的波幅与语义整合的难度密切相关。当成语的字面意义与语境不符时，N400的波幅会显著增大，这表明大脑在努力整合成语的语义信息。在500-800毫秒左右，会产生一个正波（P600），P600通常与句法再分析和语义整合的后期阶段有关。这些ERP成分的发现，为我们描绘出了一幅成语认知加工的动态图景：大脑首先对成语的字面形式进行初步加工，然后对其语义进行整合，最后根据语境对理解结果进行修正和确认。这个过程与压缩感知中的迭代重构算法在逻辑上具有相似性，都是通过不断地调整和优化，来逼近最终的解。
### 4.3 成语与大型语言模型（LLM）的语义压缩对比
近年来，以GPT系列为代表的大型语言模型（LLM）在自然语言处理领域取得了突破性进展。这些模型通过在海量文本数据上进行训练，学习到了语言的统计规律，并表现出强大的文本生成和理解能力。从信息论的角度看，LLM的训练过程本质上也是一种信息压缩。然而，LLM的压缩方式与人类认知中的语义压缩，特别是成语所体现的那种压缩，存在着本质的区别。
#### 4.3.1 人类认知的语义压缩与LLM的统计压缩
人类的语义压缩是基于**理解**的。当我们使用或理解一个成语时，我们是在处理其背后的**意义、概念和情境**。这种压缩是**语义驱动**的，其目标是保留信息的核心意义，并使其能够在不同的语境中被灵活地运用。成语的压缩，是将一个复杂的语义场景映射到一个简短的符号串上，这个映射关系是基于深刻的理解和文化共识的。
相比之下，LLM的压缩是基于**统计**的。LLM通过预测下一个词的任务，学习到了词汇之间的共现概率和句法结构。这种压缩是**数据驱动**的，其目标是最大化对训练数据的预测准确性。LLM将语言表示为高维向量空间中的点，这些向量的维度虽然很高，但其内部的“意义”结构是通过统计相关性来定义的，而非真正的概念理解。因此，LLM的压缩是一种**有损的、基于模式的压缩**，它可能捕捉到语言的表面规律，但不一定能理解其深层的语义内涵。
#### 4.3.2 成语在LLM中的表征与处理
在LLM中，成语通常被处理为一个独立的“词元”（token），或者是由多个词元组成的序列。LLM通过学习，能够将成语的向量表示与其相关的上下文联系起来，从而在一定程度上“理解”其用法。例如，LLM可以学会在描述“多此一举”的场景时使用“画蛇添足”。然而，这种“理解”是基于统计关联的，而非真正的语义重构。LLM可能知道“画蛇添足”与“多此一举”在语义上相近，但它不一定知道“画蛇添足”背后那个关于比赛和酒的故事，也无法像人类一样，从这个故事中提炼出“做事要恰到好处”的哲理。
此外，LLM在处理成语时也面临着挑战。由于成语的意义具有高度的整体性和非组合性，LLM有时会被其字面意义所误导，产生“成语幻觉”或错误的理解。例如，它可能会将“胸有成竹”误解为“胸中有一根竹子”。这表明，LLM的统计压缩机制在处理成语这种高度浓缩的语义单元时，仍然存在局限性。相比之下，人类对成语的理解是基于一个庞大的、结构化的知识网络，这个网络包含了文化、历史、逻辑和常识，这是当前LLM所不具备的。
## 5. 数学建模与形式化论证
为了更深入地论证“汉语成语就是数学上的压缩感知”这一观点，我们需要建立一个严谨的数学模型，将成语的生成和理解过程形式化。通过数学语言，我们可以更精确地描述成语的稀疏性、编码机制和解码过程，并将其与压缩感知理论的各个核心要素进行一一对应。此外，我们还可以利用大规模的语料库数据，对我们提出的模型进行量化验证，从而为这一跨学科的理论假说提供实证支持。
### 5.1 建立成语的数学模型
建立成语的数学模型，是进行形式化论证的第一步。我们需要定义一个合适的数学空间来表示汉字和成语，并在此基础上构建成语的稀疏表示向量。
#### 5.1.1 定义汉字空间与成语信号
我们可以将汉语的常用汉字集合定义为一个离散的字母表Σ，其大小为|Σ| = N。一个四字成语可以看作是从Σ⁴（所有长度为4的汉字序列的集合）中选取的一个元素。为了将其纳入压缩感知的框架，我们可以将每个成语表示为一个N维的向量x ∈ ℝᴺ。具体来说，我们可以为汉字表Σ中的每个汉字分配一个唯一的索引i ∈ {1, 2, ..., N}。对于一个四字成语w = (c₁, c₂, c₃, c₄)，其对应的向量x可以定义为一个稀疏向量，其中xᵢ = 1如果汉字cᵢ出现在成语w中，否则xᵢ = 0。这样，每个四字成语都可以被唯一地表示为一个稀疏度为4的N维二进制向量。
#### 5.1.2 构建成语的稀疏表示向量
在上述定义的基础上，我们可以构建一个成语-汉字矩阵（Idiom-Character Matrix）A ∈ ℝᴹˣᴺ，其中M是语料库中成语的总数。矩阵A的每一行对应一个成语的稀疏表示向量。这个矩阵的每一列对应一个汉字，每一行对应一个成语。由于每个成语只由4个汉字组成，因此矩阵A的每一行都只有4个非零元素，其余均为零。这使得矩阵A成为一个高度稀疏的矩阵。这个稀疏矩阵A，可以看作是成语在汉字空间中的“稀疏字典”。通过这个字典，我们可以将成语的语义信息，以一种高度压缩和结构化的方式存储起来。
### 5.2 模拟压缩感知的“编码-解码”过程
在建立了数学模型之后，我们可以将成语的生成和理解过程，模拟为压缩感知的“编码-解码”全过程。
#### 5.2.1 将成语生成过程类比为线性投影
成语的生成过程，可以看作是语言社群将一个高维的、复杂的语义概念（信号x）通过一种固定的、非自适应的“测量矩阵”（四字格结构Φ）进行线性投影，从而得到一个低维的、由四个字组成的“测量值”（成语y）。这个过程可以表示为 y = Φx。这里的Φ是一个4×N的矩阵，其每一行对应四字格中的一个位置。这个投影过程是“非自适应”的，因为Φ是固定的，不依赖于具体的语义内容。这种编码方式确保了成语形式的稳定性和可识别性。
#### 5.2.2 将成语理解过程类比为重构算法
成语的理解过程，则可以看作是听者或读者在接收到“测量值”（成语y）后，利用其内在的“稀疏字典”（对成语背景知识的了解）和“重构算法”（认知加工机制），来求解这个欠定方程组 y = Φx，从而“重构”出原始的、高维的语义信号x。这个过程类似于压缩感知中的L1范数最小化。大脑在无数种可能的解释中，寻找一个最“稀疏”的、最符合语境的解释。这里的“稀疏性”可以理解为解释的简洁性和一致性。大脑通过激活相关的语义框架，利用先验知识来填充信息，最终实现对成语意义的完整理解。
### 5.3 基于语料库的量化验证
为了验证我们提出的模型的有效性，我们需要利用大规模的汉语语料库，对成语的稀疏性和信息熵等特性进行量化分析。
#### 5.3.1 成语频率分布的稀疏性检验
我们可以从一个大规模的汉语语料库（如新闻语料库、小说语料库等）中提取出所有的四字成语，并统计每个成语的出现频率。根据已有的研究，成语在语料库中的频率分布呈现出明显的非均匀性，即少数成语被频繁使用，而绝大多数成语的使用频率极低 [^453^]。例如，一项基于新闻语料库的研究发现，在4900个四字成语中，超过一半（57.49%）的成语出现频率低于5次，而高频成语（出现次数大于50次）仅占不到3% [^453^]。这种“长尾”分布的特征，是成语稀疏性的一个重要体现。我们可以通过计算成语频率分布的基尼系数或熵值，来量化其稀疏程度。较低的基尼系数或较高的熵值，都表明成语的使用是高度集中的，从而印证了其稀疏性。
#### 5.3.2 成语信息熵的计算与比较分析
我们可以利用信息熵来量化成语所承载的信息量。对于一个成语w，其信息熵H(w)可以定义为：H(w) = -log₂P(w)，其中P(w)是成语w在语料库中的出现频率。通过计算大量成语的信息熵，我们可以发现，成语的信息熵与其使用频率密切相关。高频成语由于被频繁使用，其意义较为固定，可预测性较高，因此信息熵较低。而低频成语由于其出现具有偶然性，其意义也更具新颖性，因此信息熵较高。这种信息熵的差异，反映了成语在信息传递中的不同功能。高频成语更多地承担着语言的“骨架”功能，保证了沟通的流畅性；而低频成语则更多地承担着“点睛”功能，为语言增添了色彩和深度。通过比较不同类型、不同来源的成语的信息熵，我们可以更深入地理解成语的语义特征和认知机制。
## 6. 结论与展望
### 6.1 主要研究结论总结
本论文从数学和认知科学的综合视角，系统论证了“汉语成语就是数学上的压缩感知”这一核心观点。通过深入的理论分析和跨学科的证据整合，我们得出以下主要结论：
1. **汉语成语在构词上体现了压缩感知的核心前提——稀疏性**。成语通过从庞大的汉字库（N≈10,000）中选取极少量（k=4）的汉字来构建一个完整的语义单元，完美地满足了“k<<N”的稀疏性条件。这种稀疏性不仅体现在数量上，更体现在语义的高度浓缩上，使得成语能够以极低的符号成本传递丰富的信息。
2. **汉语成语的固定结构（尤其是四字格）扮演了非自适应线性投影的角色**。这种约定俗成的结构，类似于压缩感知中的“测量矩阵”，它将高维的、复杂的语义信息投影到由四个字构成的低维空间中。这种编码机制是稳定、高效且非自适应的，为信息的有效传递和快速识别提供了保障。
3. **人脑对成语的理解过程对应于压缩感知中的重构算法**。大脑在接收到“四字”这一低维信号后，能够迅速激活相关的语义框架、文化背景知识和语境信息，通过一种类似于求解逆问题的方式，从有限的输入中“重构”出其背后丰富、完整的内涵。这一过程高效、鲁棒，展现了人类认知在语义解压缩方面的卓越能力。
### 6.2 研究的理论意义与应用价值
本研究的理论意义在于，它为理解汉语成语这一独特的语言现象提供了一个全新的、跨学科的理论框架。将成语置于压缩感知的理论框架下，不仅揭示了其背后深刻的数学与认知规律，也为语言学、认知科学和信息科学的交叉研究提供了新的思路。此外，本研究也为探索人类智能的本质提供了启示。成语作为一种经过千百年文化演化而形成的“信息压缩包”，其高效的编码和解码机制，为我们设计和优化人工智能系统，特别是自然语言处理系统，提供了宝贵的借鉴。
在应用价值方面，本研究的成果可以应用于多个领域。在**语言教学**中，可以利用压缩感知的思想，帮助学生更好地理解和记忆成语，例如，通过强调成语的整体性和语义框架，而不是死记硬背。在**自然语言处理**中，可以借鉴成语的编码机制，设计更高效的文本压缩和摘要算法。在**人工智能**领域，可以模拟人类对成语的理解过程，开发更具语义理解能力的语言模型。
### 6.3 未来研究方向：跨学科融合与实证研究
本研究提出的理论模型虽然具有较强的解释力，但仍需更多的实证研究来加以验证。未来的研究可以从以下几个方面展开：
1. **开展基于脑成像技术的实证研究**：利用功能磁共振成像（fMRI）等高空间分辨率的脑成像技术，进一步探索成语加工过程中大脑不同区域的激活模式，特别是前额叶皮层、颞叶等在语义重构中的作用。这将为“人脑作为重构算法”的假设提供更直接的神经证据。
2. **进行跨语言的比较研究**：将本研究的框架应用于其他语言的习语和固定表达，例如英语的“kick the bucket”或“spill the beans”，探讨不同语言在信息压缩策略上的共性与差异。这将有助于揭示信息压缩作为人类认知普遍原则的普遍性。
3. **构建计算模型并进行仿真**：基于本研究提出的数学模型，开发一个能够模拟成语“编码-解码”过程的计算模型。通过在大型语料库上进行训练和测试，验证该模型在成语理解、生成和翻译等任务上的性能，并与现有的语言模型进行比较。
4. **探索在教育领域的应用**：设计基于压缩感知理论的教学实验，检验这种新的教学方法在提高学生成语学习效率和深度理解方面的效果。
总之，本研究只是一个初步的探索，旨在为汉语成语的研究开辟一个新的视角。我们相信，随着跨学科研究的不断深入，我们对汉语成语乃至人类语言与认知的理解，将会达到一个新的高度。
登录后可参与表态
讨论回复
1 条回复
✨步子哥 (steper)
#1
12-21 07:31
登录后可参与表态