1. 任务

在中文TTS（Text-to-speech，文本转语音）系统中，一个关键的问题是为多音字确定读音（通常这个任务称为polyphone disambiguation，即多音字消歧）。

在某些情况下，一个字的读音可以在词或者短语语境内确定，比如，’为’可以读’wei2’或者’wei4’，在’以为’中读’wei2’，在’为人民服务’中读’wei4’。但是，NLP难就难在，这种情况通常不成立。问题有二：

第一，分词错误

 '中国共产党以为（wei4）人民服务为宗旨' --> （jieba分词） '中国/共产党/以为/人民/服务/为/宗旨'

第二，即使分词正确，一些词在上下文中也具有不同含义

 '张朝(chao2)阳/在/北京/朝(chao2)阳/公园/迎着/朝(zhao1)阳/奔跑'
 '我/在/春天/播种(zhong4)/希望' vs '春天/播种(zhong3)/, /秋天/收获'
 '坐/稳当/(dang5)/了/，/我们/出发' vs '他/在/历次/世界/排名赛/中/稳当(dang1)/第一'

其它一些经典case：

 一把把把把住了
 人要是行，干一行行一行，一行行，行行行。行行行，干哪行都行。要是不行，干一行不行一行，一行不行行行不行。行行不行，干哪行都不行 。要想行行行，首先一行行。成为行业内的内行，行行成内行
 南京市长江大桥正式通车了

2. 中文多音字语料构建

Chinese Polyphone with Pinyin (CPP), 见g2pM，应该是当前唯一公开的中文多音字数据集，包含了训练、验证和测试集的切分。然而其中的错误非常多，末尾的附录会详细说明。这里介绍我如何构建语料：

1) 首先搞清楚，中文有多少个常用多音字。g2pM中， ./g2pM/digest_cedict.pkl记录了汉字的读音，但是其中有一些多音字（’丌’, ‘乀’等）不常用，也有字的读音出现缺少、增多或者错误，我手动修改了多音字读音（注意，非多音字的字的读音未经检查）,原有791个多音字，经过修改后有612个。（此外，./g2pM/class2idx.pkl文件其实没什么用。）

2) 搜集拼音下的组词。phrase-pinyin-data中，./large-pinyin.txt搜集了大量的词语和对应的读音。经过处理，可以得到多音字的不同读音能组成什么词语。例子如下：

   行 xíng	一一行行/一一行行/一介行人/一介行李/一意孤行/ ……
      háng	一分行情一分货/一百二十行/一目五行/一目十行/一目数行/ ……
      xí	便把令来行
      hàng	树行子
      xing	言信行直
      héng	道行

可以看到，这份数据很脏。幸运的是'行'在`./g2pM/digest_cedict.pkl`中的读音是对的，只有'xing2'和'hang2'。利用它对上面的词表进行过滤，转换成为以词为索引的格式，以下称为**PCP表**（phrase-character-pinyin）。下面举PCP表格中的几个例子，第一行是一个多音字仅出现一次的例子，第二、三行是多音字重复出现但是读音不变的例子，读音列表中仅有一个元素，第四、五行是多音字重复出现且读音改变的例子，读音列表中的拼音与出现的次数相同、顺序相应：

   清浄无为	{"为": "wei2"}
   痛痛切切	{"切": \["qie4"\]}
   调调	{"调": \["diao4"\]}
   走了和尚走不了寺	{"了": \["le", "liao3"\]}
   好善恶恶	{"恶": \["wu4", "e4"\]}

3) 使用权威字典检查PCP表。MCD7是现代汉语词典（第七版）的线上版本（其中包含部分错误，我强烈建议大家买一本纸质版放在手边），可以用于矫正PCP表格的错误。具体的实现过程是通过遍历比较，捞回读音不一致的词语，然后人工审核。例如，’部分’标注的是’bu4 fen4’，但是正确的’bu4 fen5’。（备注：第2)步使用MCD7做也是可以的，但是上面的那个数据除了词语之外，包含了更多口语化和短语）

4) 爬取语料并清洗。对PCP表中的每个词语，爬取百度百科的词条并清洗语料，爬取过程见附录。清洗

3. 语料对比

1) 数量

2) 覆盖面

3) 平衡性

4. 模型性能

1) 测试标准

因为汉字使用频率是一个长尾分布，且在一些多音字中某个读音占据绝对主导，所以，简单使用准确率来做评价是不客观的。借鉴g2pW代码，除了准确率之外，我采用了其它两种评价方式：

按字平均的准确率(Acc. avg.by.p)，即对每个多音字统计正确率，然后做平均
按字的每个音平均的准确率(Acc. avg.by.pp)，即对每个多音字的每个读音统计正确率，然后做平均

2) 模型

模型使用ernie3-base向量、分词向量、词性向量的拼接，然后直接送入softmax层。

分词向量
词性向量

预训练语言模型采用1e-5的学习率，其它参数采用5e-5的学习率，对所有数据训练10个epoch。

3) 性能对比

以下性能是在CPP测试集上测试得到的。注意，CPP数据集中，有一些多音字的样本（包括训练、验证和测试）只覆盖了它的一个读音，这会对模型的实际性能造成高估。因此，在计算性能的时候，应该出具两个版本，即在全测试集（下面记为CPP-test）的结果，和排除了这些样本（下面记为CPP-test-small）的结果。

仅使用CPP训练集和验证集

CPP-test	Acc	Acc avg.by.p	Acc avg.by.pp
g2pM
g2pW
ours

CPP-test-small	Acc	Acc avg.by.p	Acc avg.by.pp
g2pM
g2pW
ours

使用CPP训练集+我的数据作训练，CPP验证集作挑选

CPP-test	Acc	Acc avg.by.p	Acc avg.by.pp
g2pM
g2pW
ours

CPP-test-small	Acc	Acc avg.by.p	Acc avg.by.pp
g2pM
g2pW
ours

备注：g2pW使用词性预测作为辅助任务，但是其词性标签错得非常多，我目测并不是它论文中说的人力标注，而是机器伪标签，其标签体系目测是：。在上面的实验中，我使用了它的标签。但是在这里，需要和我的数据统一使用一套词性标签，而我不知道是什么工具采用这一套。所以我只能使用jieba分词的标签做新的伪标签。这并不影响对比的公平性。

5. 未来工作

谨记我们的研究目的，不是停留在为多音字指定一个拼音，而是支撑TTS应用。因此还有至少如下问题需要解决

a. 一个分句中多音字的联合建模

一个分句中如果有多个多音字，按照排列组合有很多种可能性，但是实际上，由于语义之间的相互约束，某些可能性是不必考虑的。比如“强”“行”都是多音字，但是“强行”只能发音为“qiang2 xing2”，“教”“会”都是多音字，但是“教会”只能发音为“jiao4 hui4”或者“jiao1 hui4”。所以，下一步可以构建一个单句包含多个多音字的语料，训练一个模型捕捉其潜在关系。

b. 轻声

轻声是一个复杂的语言现象。简单来说，很多字在使用中都可以发轻声。

c. 方言

TTS合成方言可以考虑两个路线，一个是基于规范音素合成带地方特色的音色，一个是在文本转音素的时候就出地方特色。如果采用后者，我们就要扩充词典，使其包含一些“错误的”读音。例如，在东北方言，’那些’发音为’nei4 xie1’。

d. 古汉语

现代汉语有很多成语和常用的诗词都来自古汉语。古汉语中，一些现代汉语中不作为多音字使用的字有多个读音，比如 ‘雨(yu3)’ 在现代汉语只有读音，但是在古汉语也能读’yu4’(作动词用)，如在’天雨雪’中读’yu4’。

附录

1. CPP数据集的错误更正

1) 非多音字的全部删除，包括如下汉字：

- 追（例句：羽、刘邦识于微时，因反秦而结为知己，惺惺相识，刘邦▁追▁随善战的项羽，共事楚怀王熊心，一同出生入死。）
- 歪（例句：但不包括▁歪▁球和废球。）    
- 沉（例句：对没有仆人的工人家庭女性而言，家务是▁沉▁重的负担。）    
- 隐（例句：北京▁隐▁子草（学名：）为禾本科隐子草属下的一个种。）   
- 页（例句：根据开发技术的不同，网▁页▁可分为：）
- 埏（例句：山东布政使储▁埏▁、张海等急向朝廷报警。标注错为yan2，并以为是多音字，事实上，该字只有shan1一个读音）      
- 峇（例句：▁峇▁哥国家公园是“砂拉越观察长鼻猴的最佳去处”。）
- 操
- 渠
- 傀
- 佚
- 棹
- 哏
- 旄
- 桁
- 溇
- 熜
- 跄
- 咥
- 嬛
- 浜
- 王
- 唯
- 杠
- 挟
- 女
- 弟
- 妻
- 食
- 衣
- 上
- 奄
- 沈
- 巂（现代汉语不再收录，现代汉语规范写法为：嶲，只有xi1一个读音，不是多音字）
- 閤（现代汉语不再收录）
- 豊（现代汉语不再收录）

2) test中错误标注共70句，列举如下：

原行数	句子	新标签	原标签
67	在康熙十八年重修之后的数百年间，各方还曾经▁数▁次扩建或修复柔远驿。	shu4	shuo4
439	李广（），▁会▁稽郡（今浙江省绍兴市）人，中国南北朝后梁军事人物。	kuai4	hui4
468	传统动画的制作手段在如今已经被▁更▁为现代的扫描，手写板，或者电脑技术取代。	geng4	geng1
496	天神遗以▁好▁女，浮屠日：“此但革囊盛血。	hao3	hao4
642	在2000项研究中，有40%遭受▁过▁歧视的受访者认为他们失去了受聘和晋升机会。	guo5	guo4
650	曾在多个电视节目做嘉宾，拍过多个广告、当▁过▁多本杂志的模特儿，也演出过多部微电影。	guo5	guo4
1279	2010年中国大陆人民文学出版社出版《▁柏▁杨全集》，全25册。	bo2	bai3
1459	著有《泂山集》、《泂山九潭志》和《▁葛▁衣集》，今仅存《葛衣集》。	ge2	ge3
2062	这款游戏开放了关▁卡▁下载和更新，以及开放用户制作的关卡分享功能。	qia3	ka3
2510	以前这类▁曲▁面的表示只存在于设计者创建的实体模型。	qu1	qu3
2515	京沪铁路自济南、泰安南下，经磁窑由▁曲▁阜入境，转西南至兖州，后转东南经邹城出境，再经滕州、枣庄出省。	qu1	qu3
2544	伊万斯擅长彩色印刷，他制作出的图画十分精美，成为彩印技术风▁靡▁19世纪中期的一个重要原因。	mi3	mi2
2824	分析化学中，基准物质是定量分析的参考物质，通过准确称▁量▁可直接确定其物种物质的量。	liang2	liang4
3720	相比之下，▁钻▁取是一种允许用户浏览详细信息的技术。	zuan1	zuan4
3851	同年7月开始，他以痛、腹泻、腰痛、发热等理由请▁假▁。	jia4	jia3
4115	▁糊▁汤粉，是一种将鱼汤熬成微稠糊状，加入米粉的武汉特色小吃。	hu4	hu2
4486	又据报，长沙外▁藉▁传教师语外记者及武官，敌人二十七日入长沙约两万人，留四日退去。	-*	ji2
4631	巴比妥是一种无▁臭▁，微苦的白色晶状粉末。	xiu4	chou4
4949	她病死后，也只是减其仪等，并未▁削▁去皇后名号。	xue1	xiao1
4960	虢国被晋国灭亡后，虢公丑出▁奔▁京师，又辗转来到苏国，最后客死于此。	ben1	ben4
5028	据记载管仲的论封▁禅▁：古代封泰山、禅梁父的帝王有72代，而管仲本人记得有十二个。	shan4	chan2
5043	当年冬天，唐玄宗东巡封▁禅▁泰山，李邵固到达玄宗行在之所，跟随到泰山之下。	shan4	chan2
5053	朱温想登上皇位，蒋玄晖、宰相柳璨认为应该仿效汉魏以来的规矩，先封大国，加九锡，然后受▁禅▁。	shan4	chan2
5354	楼道地面用水▁磨▁石铺地，阅览室使用软木地板，其余部分的地面采用树胶块。	mo2	mo4
5356	磨砂工艺的方法就是在普通工业塑料壳上喷上▁磨▁砂漆。	mo2	mo4
5361	▁薄▁暮游空影，浮生出太荒。	bo2	bao2
5362	这种▁薄▁膜是易燃的，而且燃烧迅速，通常不能熄灭，因为它们即使在水下也能燃烧。	bao2	bo2
5374	压力传感器阵列还有▁薄▁膜形式。	bao2	bo2
5391	韦爱的儿子-{韦乾向}-，官至骁▁骑▁将军、征北长史、汝阴郡锺离郡二郡太守。	qi2	ji4
5673	时东晋初建，法禁宽弛，豪族多▁挟▁藏户口，让他们私下依附自己。	xie2	jia1
5724	完者▁帖▁木儿，元顺帝时中书右丞相。	tie1	tie3
5725	洪武二十四年（1392年）元降将月鲁▁帖▁木儿在建昌起兵，蓝玉擒月鲁帖木儿父子，封太子太傅。	tie1	tie3
5728	晃火▁帖▁木儿在元仁宗延祐五年（1318年），封嘉王，赐兽纽金印。	tie1	tie3
5729	1272年在位不足一年的秃里▁帖▁木儿去世，海都把王位给予八刺之子都哇。	tie1	tie3
5730	但元宁宗仅在位不到两个月即去世，不久后燕▁帖▁木儿也去世。	tie1	tie3
5732	1388年蒙古大汗托古思▁帖▁木儿在捕鱼儿海（今蒙古贝尔湖）被明蓝玉的军队击败西走。	tie1	tie3
5735	▁帖▁木儿不花 (答答里带人)	tie1	tie3
5736	该馆藏品以书画、碑▁帖▁为特色，兼收陶瓷、金石、钢、玉等等。	tie4	tie3
5737	▁帖▁木儿·灭里之子，他的兄长帖木儿·忽格鲁特死后，沙迪别在也迪古支持下1399年即位。	tie1	tie3
5888	经过▁炸▁制后的伊府面，可以保存半个多月。	zha2	zha4
5919	她精神高▁涨▁，仪态迷人。	zhang3	zhang4
6174	二十世纪八十年代，皮糖张糖▁坊▁在第三代传人张学礼先生的经营下重新得到了发展。	fang1	fang2
6175	帕尔莱勒作▁坊▁成员、帕尔莱勒家族在中欧各地设计了许多教堂和建筑。	fang1	fang2
7147	王凝可能被继续追赠为□□□师（▁阙▁字）	que1	que4
7623	▁颉▁干迦斯在忠贞可汗、奉诚可汗两朝任大将大相，执掌朝权。	jie2	xie2
7624	”夷男很高兴，协助唐太宗灭亡突厥▁颉▁利可汗。	jie2	xie2
7626	▁颉▁利败走后，投奔位于灵州西北的苏尼失，计划投奔吐谷浑。	jie2	xie2
7629	其时胡适开设的“中国哲学史”课程颇具影响，傅斯年、顾▁颉▁刚以其系统而有条理，甚为认可。	jie2	xie2
7882	一般口罩型口塞也有多条固定用的带子，但塞入物的部位是一块皮制的口罩，口罩的内部可能▁粘▁接有塞入物。	zhan1	nian2
8040	其中的一名妇女成功▁挣▁脱并在太平洋时间下午12：20向警方报告。	zheng4	zheng1
8046	然而，她将警察打到失去自由，▁挣▁脱束缚，跳进罗德里格兹的拖车。	zheng4	zheng1
8083	旺儿在外躲了几日回来，哄骗凤姐，说张华因带银子在身，被人▁闷▁棍打死，张华父亲也吓死了。	men4	men1
8334	明嘉靖四十二年（1563年）由麻城、黄冈、黄▁陂▁三县析置“黄安县”。	pi2*	bei1
8336	出生于湖北省黄▁陂▁县南阳乡杜家嘴。	pi2	bei1
8337	1999年，季风书园新开了以经济管理图书为主的黄▁陂▁店，然而并未运营多长时间。	pi2	bei1
8339	会后以特派员身份，回家乡组建黄▁陂▁农会。	pi2	bei1
8343	中间与上海路、南京路、青岛路、北京路、天津路、合作路、兰陵路、黎黄▁陂▁路等多条街道相交。	pi2	bei1
8348	黄▁陂▁区滠口街道有盘龙城遗址，是该地区商代人类活动留下来的遗迹。	pi2	bei1
8350	1931年7月陶峙岳参加对中央苏区第三次围剿作战，黄▁陂▁之役中，陶峙岳旅大败。	pi2	bei1
8352	7公里，至黄▁陂▁巨龙大道北侧设汉口北站，线路均为高架。	pi2	bei1
8474	对人知觉时的▁晕▁轮效应，还在于内隐人格理论的作用。	yun4	yun1
8626	笼▁蔓▁可长达30厘米。	man4	man2
8629	然而，由于人类引入，它的栖息地已开始▁蔓▁延到南美到墨西哥。	man4	man2
8690	有时朋友来访，问我，弗里茨在干▁吗▁，我回答：“他在创作普尼亚尼”。	ma2	ma5
8861	耿浩（黄渤饰）婚姻遭遇“小三”危机，无奈与▁劈▁腿的妻子康小雨离婚，陷入了情感困境。	pi3	pi1
8873	2000年在《▁劈▁腿大情人》客串	pi3	pi1
9806	▁嗯▁，我的名字是邓月薇，我是11号航班上的3号空服员。	ng4	en4
9807	▁嗯▁，我们在这里听着所有的信息，我们同时也在……，你知道的，在录音。	ng4	en4
9997	鼎内若无真种子，犹将水火煮空▁铛▁。	cheng1	dang1
9998	炸灌肠的时候须先将成型的灌肠切片，在饼▁铛▁中炸至两面冒泡变脆，即取出浇上拌好的盐水蒜汁趁烫吃。	cheng1	dang1

      * 这里是错别字，应为`籍`，本句删除
      * MCD7 993页明确：湖北黄陂pi2

3) train/dev中的错误标注归类如下：

归类	句子	正确标签	原标签
儿化音没必要单独注音	只要是哪儿有神父做弥撒，教友就赶到哪▁儿▁去望弥撒，当时在教会中形成了一种“宗教狂热”。	er2	r5
杆	各消音碗之间以两根连接▁杆▁所连接。	gan3	gan1
错别字：藉–> 籍 (如国籍、学籍等)	赫尔曼·达努泽（）生于弗劳恩菲尔德，是瑞士裔德国▁藉▁音乐学家。	-	-
受禅	娄昭君的儿子高洋受▁禅▁，建立北齐，追封娄内干为太原王。	shan4	chan2
封禅	《管子》一书出自战国齐稷下学派手笔，因此或许代表了这批阴阳家们对封▁禅▁的看法。	shan4	chan2
薄膜	每个电池有多个采用分子束外延或有机金属化学气相沉积法生成的▁薄▁膜。	bao2	bo2
汗（当大汗解释）	39863	林丹▁汗▁死后，其子额哲率部撤回到鄂尔多斯。	han2	han4
黄澄澄*	新出缸的甜闷瓜，黄▁澄▁澄，亮闪闪，香味扑鼻，惹人喜爱。	deng1	cheng2
帖（当字帖、碑帖解释）	所以历来将此阁▁帖▁称为“法帖之祖”。	tie4	tie3
帖经	岑仲勉说：“明经多▁帖▁两经，似乎较难，然《孝经》、《论语》文字无多，不难兼习。	tie1	tie3
高涨	弗拉里热情高▁涨▁，对于他来说，这是一个有利的机会。	zhang4	zhang3
吆喝	吉祥物通过表现过去浙江小商贩走街串巷的吆▁喝▁工具体现艰苦创业，闯荡商海的精神。	he4	he1
粘接	亦能够溶解聚甲基丙烯酸甲酯，故此用于▁粘▁接有机玻璃。	zhan1	nian2
挣脱	一日，大象忽然▁挣▁脱了铁链，逃向格如拉山口，快到山口时停下并倒在地上打滚，鸣叫了三声。	zheng4	zheng1
黄陂	全线北起武汉市黄▁陂▁前川，南至江夏纸坊。	pi2	bei1
晕轮	这样就产生了▁晕▁轮效应。	yun4	yun1
笼蔓	上位笼与笼▁蔓▁的衔接处形成一个宽5至10毫米的弯曲。	man4	man2
缪（秦后并不通穆）	金人就颇佩服韩侂胄的气节：“韩侂胄函首才至虏界，虏之台谏文章言侂胄忠于其国，▁缪▁于其身，封为忠缪侯。	miu4	mu4
泷州	唐朝武德四年（621年）复改为▁泷▁州。	shuang2	long2
垛	二十问此章论述三角垛、三角撒星垛、四角垛、圆锥垛、刍童垛、刍甍▁垛▁。	duo4	duo3
轧荦山	安波注之弟安延偃娶巫师阿史德氏，后者已有子▁轧▁荦山被安延偃收养，改名安禄山。	zha2	ya4
庖脯	孙中山得知龚铁铮的死讯后，作挽联：“忍将麟凤供庖▁脯▁，如此江山待拂除”。	fu3	pu2
颉颃	他认为“文章至于宋元诸名家，其力足以追数千载之上而与之▁颉▁颃”，不必非得模仿古人才能写出好文章。	xie2	jie2

    * 澄的特殊之处在于，它在字典中只有cheng2,deng4，但是黄澄澄收录在“黄”字组词下，注明为deng1

4) 特殊读音

以上有一些读音涉及人名、地名或者专有名词、音译等，读音以CCTV节目播音为准，列举如下：

词	拼音	CCTV参考链接
阿▁塞▁拜疆	sai4	http://m.app.cctv.com/vsetv/detail/C10616/7fbd1da7e8f845ec9a592d03c57e1df1/index.shtml
▁帖▁木儿	tie1	https://tv.cctv.com/2022/12/11/VIDE4O1bmCY0ojem33IzjdkJ221211.shtml
▁颉▁利可汗	jie2	https://tv.cctv.com/2018/11/28/VIDEOVMLQKuXWE8Oxl0XAWdR181128.shtml
顾▁颉▁刚	jie2	https://tv.cctv.com/2009/12/21/VIDE1355513893661441.shtml
▁柏▁杨	bo2	http://jishi.cctv.com/2013/01/27/VIDE1359297726787654.shtml
▁磨▁砂	mo2	https://tv.cctv.com/2019/05/25/VIDEQvJpQosMttjW4X045pqW190525.shtml
地▁塞▁米松	sai4	https://tv.cctv.com/2020/06/18/VIDEdYxMQRlGuXQyI91AmmmY200618.shtml
▁轧▁荦山	zha2	https://tv.cctv.com/2016/11/01/VIDE0JAIiVdb7MIJcaiyeQmu161101.shtml
▁糊▁汤/▁糊▁汤粉	hu4	https://news.cctv.com/2014/05/01/VIDE1398944641551189.shtml（24秒-26秒之间）
▁抹▁胸	mo3	https://tv.cctv.com/2011/07/01/VIDE1356001584638442.shtml（11秒）
江▁干▁区	gan4	https://news.cctv.com/2014/10/23/VIDE1414063321632539.shtml
黎▁刹▁	cha4	https://tv.cctv.com/2018/11/21/VIDEm8cm43k4SBXeaS6Rs1yK181121.shtml
产品标▁识▁	zhi4	http://tv.cctv.com/2016/12/08/VIDEmefdoGA2ytcn9gQuNYY5161208.shtml
拉▁杆▁	gan3	https://tv.cctv.com/2011/01/20/VIDEf73OyLPuPzpyllZxhDvN110111.shtml
水▁磨▁镇	mo4	https://culture-travel.cctv.com/2013/01/08/VIDE1357614583534173.shtml
水▁磨▁沟区	mo4	https://news.cctv.com/2014/02/18/VIDE1392729839738250.shtml,http://news.cctv.com/2017/03/28/VIDEWiAB7R6Y2KgJC6aIjsUW170328.shtml
水▁磨▁石	mo2	https://www.cihai.com.cn/baike/detail/72/5516329?q=%E6%B0%B4%E7%A3%A8%E7%9F%B3

2. 爬虫

The PCP-table is treated as correct label, now the task is to get some sentences containing the words and phrases. Here I use Ba as a source. Codes here ~:

from lxml import etree
import requests
import json
from urllib.parse import quote

USER_AGENT = 'XXXX'

# load PCP_table

nn = 0
for word, phone in PCP_table:
    resp = requests.get('https://baike.baidu.com/item/%s' % (quote(word)),
            headers={'User-Agent': USER_AGENT},
            timeout=5
        )

    if '您所访问的页面不存在' in resp.content.decode():
        continue

    time.sleep(0.1)
    html = etree.HTML(resp.text)

    elements = html.xpath('//div[@class="lemmaWgt-subLemmaListTitle"]')
    if len(elements) > 0:
        signal = ''.join(elements[0].xpath('.//text()')).strip()
        if signal.startswith('这是一个多义词'):
            for item in html.xpath('//*[starts-with(@href, "/item")]'):
                if ''.join(item.xpath('./text()')) == '%s：汉语词汇' % word:
                    url = 'https://baike.baidu.com' + item.xpath('./@href')[0]
                    resp = requests.get(url,
                            headers={'User-Agent': USER_AGENT},
                            timeout=5
                        )
                    html = etree.HTML(resp.text)

    # get sentences
    for i in html.xpath('.//div[@class="para"]'):
        t = ''.join(i.xpath('.//text()')).strip().replace('\n', '').replace(' ', '')
        if word in t and len(t) > len(word) + 10 and ('读音' not in t and '汉语词语' not in t):
            f = open('sentence.txt', 'a+')
            f.write(json.dumps({'sentence': t, 'word': word, 'phone': phone}) + '\n')
            f.close()