# OpenCC 地區詞收錄標準

## 目的

地區詞詞表用於處理不同中文地區之間穩定存在、廣泛使用且意義明確的用詞差異。

OpenCC 的目標是提升跨地區文本轉換的可讀性與自然度，而非進行語言規範化、風格統一、價值判斷或語言政策推廣。

詞表應儘量保持準確、可維護、可驗證，避免收錄存在明顯爭議、依賴上下文判斷或缺乏實際需求的條目。

## 適用範圍

本文主要適用於地區慣用詞詞表，例如 `TWPhrases.txt`、`TWPhrasesRev.txt`，以及其他未來可能加入的地區詞彙對照表。

其中 `TWPhrases.txt` 用於簡體或 OpenCC 標準繁體轉臺灣正體時的臺灣慣用詞轉換，`TWPhrasesRev.txt` 用於相反方向的臺灣慣用詞轉換。`STPhrases.txt` 則是簡體到 OpenCC 標準繁體的詞組表，必要時會影響地區詞轉換前的分詞結果。更多詞典檔案用途見 [CONTRIBUTING.md](../CONTRIBUTING.md)。

本文不直接適用於簡繁字詞對照表、異體字表，或異體字詞組例外表。此類詞表應遵循 [OpenCC 設計思想](../DESIGN_PRINCIPLES.md)及各詞典檔案內的說明。

例如，`TWVariantsPhrases.txt`、`HKVariantsPhrases.txt` 用於異體字詞組級例外，不應用來收錄一般地區詞彙；臺灣地區慣用詞應放入 `TWPhrases.txt` / `TWPhrasesRev.txt`。

## OpenCC 地區詞收錄原則

### 1. 優先收錄名詞

地區詞詞表原則上以名詞為主。

包括但不限於：

* 資訊科技術語
* 科學技術術語
* 人名
* 地名
* 公司名
* 機構名
* 產品名
* 軟體名稱
* 知名品牌名稱

例如：

* 軟體 ↔ 软件
* 滑鼠 ↔ 鼠标
* 雷射 ↔ 激光
* 矽谷 ↔ 硅谷
* 計程車 ↔ 出租车
* 機車（摩托車義）↔ 摩托车
* 阿拉伯聯合大公國 ↔ 阿拉伯联合酋长国
* 市場行銷 ↔ 市场营销

對於專有名詞，應以實際使用情況為準，而非字面翻譯或機械推導。

### 2. 避免收錄動詞、形容詞及風格性表達

原則上不收錄：

* 動詞
* 形容詞
* 副詞
* 口語表達
* 網路流行語

例如：

* 招聘 ↔ 招募（含義不同）
* 透過 ↔ 通过（各地都有使用，且含義不同）
* 厲害 ↔ 犀利（各地都有使用，且含義不同）

此類詞彙通常具有語義差異、搭配限制或風格色彩，容易產生誤轉換。

### 3. 避免收錄語法差異

OpenCC 不負責語法轉換。

原則上不收錄：

* 語序差異
* 句法差異
* 量詞差異
* 語氣差異

此類問題通常超出詞彙替換所能處理的範圍。

## 方言詞處理原則

### 4. 方言詞原則上不收錄

粵語、閩南語、客家話等方言詞原則上不收錄。

例外情況是該詞已進入目標地區主流標準書面中文，成為穩定的地區用詞。此時可視實際使用情況作為地區詞收錄。

例如：

* 巴士
* 的士

僅存在於方言語境，而未進入當地主流標準書面中文體系的詞彙，通常不收錄。例如：

* 冇
* 咩
* 乜嘢
* 呒
* 歹勢
* 叨位

此類詞彙屬於「方言詞典」範疇，不屬於 OpenCC 地區詞詞表的目標範圍。

## 專有名詞處理原則

### 5. 採用實際使用形式

對於公司、產品、軟體、品牌等專有名詞，應優先採用目標地區實際主流使用形式。

官方譯名可作為參考，但不是唯一依據。官方譯名與實際使用形式不一致時，可依據實際使用情況決定是否收錄。不要求所有詞條均遵循官方品牌規範。

### 6. 存在穩定譯名方可收錄

專有名詞應具有穩定且可驗證的地區譯名。

原則上不收錄：

* 個人臨時翻譯
* 少數社群內部稱呼
* 尚未形成共識的譯名

## 關注度要求

### 7. 應具有一定社會關注度

即使存在地區差異，也不代表必須收錄。OpenCC 並非百科全書，不以覆蓋所有可能存在的地區差異為目標。

新增條目應具有一定的實際使用規模或社會關注度。

可參考但不限於：

* 擁有獨立百科條目；
* 出現在主流媒體報導；
* 出現在權威官方文件、教材或專業出版物；
* 具有相當使用者規模；
* 在相關領域具有實際影響力。

原則上不收錄：

* 僅存在於少數論壇或社群；
* 僅服務單一網站或單一組織；
* 缺乏公開可驗證資料；
* 生命週期極短的流行詞；
* 地區差異明確但使用規模極小的專有名詞。

## 收錄條件

### 8. 應具有明確且穩定的對應關係

新增詞條應盡量滿足：

* 意義明確；
* 對應關係清晰；
* 不依賴上下文判斷；
* 長期穩定存在。

避免收錄：

* 一詞多義且無法可靠判斷者；
* 容易造成大量誤轉換者；
* 仍處於快速變動階段者。

### 9. 不要求雙向可逆

地區詞轉換的目標是提升實際轉換效果，而非建立完全可逆的映射關係。

若某詞在一個方向具有穩定對應關係，而另一方向存在明顯歧義，允許僅收錄單向轉換規則。

例如：

* 通道 ← 信道（反向有明顯歧義不轉換）
* 雪梨 ← 悉尼（反向有明顯歧義不轉換）
* 預設 ← 缺省（反向可能對應「默认」、「预设」等多種用法，故不轉換）

是否建立反向規則，應以實際使用需求及誤轉換風險為依據，而非形式上的對稱性。

### 10. 應以實際使用為依據

是否收錄應優先參考：

* 公開 NLP 語料庫；
* 主流媒體；
* 出版物；
* 專業文獻；
* 權威官方文件。

而非僅依據：

* 個人偏好；
* 字典規範；
* 官方推薦用語；
* 理論上的對應關係。

## 版權與資料來源

### 11. 禁止系統性導入不相容詞表

不得系統性照搬其他授權不相容專案的詞表。

包括但不限於：

* MediaWiki 軟體中的詞表文件等 GPL 授權資料
* Wikipedia 詞表頁面等 CC BY-SA 授權資料
* 其他受版權保護，且授權與 Apache 2.0 不相容的轉換詞典

### 12. 允許參考個別詞條

允許：

* 在授權相容且逐條審閱的前提下，使用政府開放資料、公有領域資料；
* 參考其他專案發現問題；
* 參考其他專案中的個別詞條的轉換關係；
* 根據公開事實重新整理詞條。

不允許：

* 未經審閱即批量匯入、整體移植其他資料庫；
* 自動同步外部詞表。

## 提交要求

### 13. 新增條目應提供可驗證依據

提交地區詞條時，應在 issue、pull request 或 commit 說明中提供足以支持收錄的依據。

依據可包括：

* 目標地區主流媒體、權威官方文件、教材、專業出版物或語料庫例證；
* 能顯示兩地穩定用詞差異的公開資料；
* 對可能歧義、誤轉換或反向轉換風險的說明。

對於專有名詞，應盡量說明其在目標地區的實際使用情況，而不僅是譯名來源。

若條目存在爭議，證據要求與裁定原則見「爭議處理」一節。

### 14. 新增條目應附帶對應測試

新增或調整地區詞條時，應在實際使用該詞表的配置中增加測試，以方便審閱新增規則對不同轉換模式的影響。

例如：

* 臺灣地區慣用詞通常應測試 `s2twp` / `tw2sp`；
* 僅影響字形或異體字的變更才應測試 `s2tw` / `t2tw`；
* 若需要讓簡體輸入在地區詞階段保持完整匹配，可能還需要在 `STPhrases.txt` 增加對應分詞條目；
* 如有可用的生成腳本，可使用腳本生成測試用例。

詞典文件仍須保持排序、去重，並符合各詞表的正反向維護要求。單向條目應在測試中明確覆蓋預期轉換方向。詳見 [CONTRIBUTING.md](../CONTRIBUTING.md)。

## 爭議處理

### 15. 疑義從無

對於存在明顯爭議、缺乏共識或證據不足的詞條，原則上不收錄。

收錄方應提供充分證據證明：

* 存在穩定地區差異；
* 具有實際使用需求；
* 不會造成顯著誤轉換；
* 值得長期維護。

若無法達成上述條件，則維持現狀。

### 16. 以維護成本為考量

新增詞條不僅增加詞表內容，也增加：

* 測試成本；
* 維護成本；
* 相容性成本；
* 未來修正成本。

收錄決策應綜合衡量地區差異程度、使用頻率、社會關注度與維護成本。地區差異明確、使用頻率高、社會關注度高且維護成本可接受者，優先收錄。

OpenCC 不追求完整覆蓋所有地區用語、專有名詞或方言詞彙。即使某詞存在地區差異，也不代表必然需要收錄。