27 · v26 之后的映射表残留复扫 —— 4 条同类漏网（RVH → RB）

物理仓库位置：~/reading_vocab_helper/docs/cross-end/27-rvh-lemmatizer-residual-scan-handoff.md 日期：2026-08-25 · 方向：RVH 复扫发现 → RB build_dict.rs 修（红线 #5e：RVH 纯消费，不能自己改资产） 上游：doc 24（RB v26 交接）· doc 25（RVH v26 回执） 数据文件：27-residual-band-31.tsv（截断带完整 31 条）

---

✅ 已交付并接收（2026-08-25 当日闭环）

• RB 侧：commit fd3bfa6，4 条全走 §2.5 force_as_base。 overjoyed 这条 RVH 交给 RB 裁定，RB 判「修」，理由是 PARK 的判据是「两读都成立、 需 POS 上下文才能分」（bit/ground 那种架构限制），而 overjoyed 只有一读； 且 overjoy 连 33 万词频表都不在。RVH 认同。
• 资产：surface_to_base 140,281→140,277（−4）· base_forms 101,709→101,713（+4）
  • base_forms.json 8e3c993d9f57b361cff1c733f0602d942fbbbee408787291739f6ababaef6149
  • surface_to_base.json 69b0e498efa8a9fe9a7b584ef80b2bb458c14aaf1e4f776cb846ae7d8eb4cce6
  • 预装库 2880c504f86ed6728686afcf74ff5b52b0c4bc3d78cba4cfa45b837de872614f
• RVH 侧：JSON fixture 同步 + _preinstalledVocabVersion 26→27 + 红线 #5e SHA 更新
  • 回归 v27-A/v27-B。跨端 phase0 两端当场重跑，lemma-regression(99) 与 改动面 + 同源 surface(12) 两组均 byte-identical。
• 真机验证（全新安装，v0→v27 路径）：分享含 uninteresting / unconcerned 的句子， 两词均保持原样进入结果（不再变成 uninterest / unconcern）。

⚠️ 一条交接教训：RB 同步脚本把新 db 覆盖进 RVH 工作树时，RVH 会话正在做别的提交， git add -A 把这个 55MB 资产误并进了一条声称是 docs 的 commit（55f909e）。 资产内容本身没问题，但提交信息不实。已由后续 commit 补正说明（不改写历史）。 下次跨仓同步资产时，接收侧应先 git status 确认改动来源再提交。

---

1. 先说结论：v26 修表这条路是对的，高频段没有漏网

用 v26 当时的撒网条件（surface 排名 ≤20000 ∧ base 排名 > surface×3）在修后资产上复扫， 165 条命中里几乎全是正确映射：

people→person   data→datum      details→detail   based→base      women→woman
media→medium    criteria→criterion   alumni→alumnus   sat→sit    united→unit

外加已知 PARK 的 bit→bite / ground→grind。这印证了 doc 24 §4 的判断（机械规则分不开 真假阳性、必须人工裁定），也说明那轮裁定做得扎实。本交接单不是来翻案的。

---

2. 漏的是截断带（doc 24 §10 自己写明了）

频率排名 > 30000 的低频错映射 —— 撒网时按危害排序截断了。

扫 20001–120000 这一段、且 base 是预装库词条（= 会进用户生词本 = 有实际危害）：31 条。 其中大部分是对的（fascinated→fascinate terrified→terrify overheard→overhearbabysitting→babysit schoolchildren→schoolchild spellbound→spellbind …）。

4 条需要修，与 v26 已修的 unbiased/outdated 是同一模式： 形容词被当成一个几乎不存在的动词/名词的屈折形，而那个 base 在预装库里还顶着正经 CEFR。

surface	词频排名	当前 base	base 在预装库里	建议
uninteresting	#53115	uninterest	B1 名词「Lack of interest; indifference」	→ SELF（§2.5 force_as_base）
uninterested	#71943	uninterest	同上	→ SELF
unconcerned	#68910	unconcern	B2 名词「Freedom from worry…」	→ SELF
overjoyed	#59425	overjoy	B1 动词	→ SELF（边界情况，见下）

对照 v26 已修的同类（doc 24 §5.2「派生词而 base 为非词」那一组）： unbiased→unbias(C2) · outdated→outdate(C1) · unqualified · undersigned · unwilling。 一模一样，只是掉在阈值下面。

overjoyed 是边界情况，请 RB 自行裁定

overjoy 是真动词（"To give great joy to"），overjoyed 作为其过去分词在语法上成立 —— 不同于 uninterest（名词，uninteresting 根本不是它的屈折形）。但现代英语里 overjoyed 几乎只作形容词。RVH 倾向修，但优先级低于前三条，若 RB 判「两读都成立」而归入 PARK， RVH 无异议。

危害量级

uninteresting / uninterested 是学习者读得到的普通词，uninterest 顶着 B1 —— 是 rath 陷阱的缩小版：危害同型，量级小一档（rather 排名 ~1000 vs 这几个 5–7 万）。 不紧急，建议随下一轮 build_dict 改动搭车，不必为它单独发一次资产。

---

3. ⚠️ 修表治不了 RVH 侧那个 P1（两件事容易混）

① 归一错   always --Layer1 表写错--> alway    → v26 修表，已根治 ✅
② 纠错器错 always --表已修对--> always
                  --本地 vocabulary 无此词条--> 判为 unknown
                  --OcrFuzzyMatcher 编辑距离 1--> alway   ❌ 仍在

②里归一是对的，错在下游的 OCR 拼写纠错器：v26 只重烤了 lemma_* 没动 vocabulary （知情取舍），于是 alway 作为死 headword 还在、always 反而没有本地词条 → 成了"查不到的词" → 落进纠错器 → 编辑距离 1 命中 alway。RVH 实测 89 个 SELF 词里 36 个会被这样改写， 其中 27 个改回 v26 刚删掉的死词条。

这条 RVH 自己修（把模糊匹配限定在 OCR 来源），已在 RVH backlog 立 P1，不需要 RB 动。 写在这里只是提醒：别以为表修干净了这个症状就没了，两者独立。

根治②的另一半在 RB：下次整库 reseed 时 prune 掉那 91 个死 headword + 补上正确词形词条。 已在 doc 25 §10 记为知情取舍，本单不重复立项。

---

4. 给 RB 的阈值建议（已验算，别用错口径）

• ❌ 不要用「base 是预装库词条」单条件当危害边界 —— 实测命中 21,249 条，人工过不完。 （RVH 起初也想这么建议，验算后否决，记在这里免得 RB 重走一遍）
• ✅ 用「频率反转 ∧ base 是预装库词条」组合条件，surface 排名上限从 30000 放宽到 120000： 候选集 196 条（≤30000 时 179 条，即放宽只多 17 条），逐条人工过成本可接受
• 再往下（>120000）的 surface 基本不是现代英语常用词，可继续截断

---

5. 可复现扫描脚本

在 RVH 仓根目录跑（依赖 RB 的词频表 + RVH 的预装库；两者都是双端共享资产）：

import json, sqlite3
FREQ = '/Users/larry/reading-browser/tools/vocabulary_builder_v3/data/google_word_freq.txt'
rank = {}
for i, l in enumerate(open(FREQ, encoding='utf-8', errors='ignore')):
    p = l.split()
    if p and p[0].strip().lower() not in rank:
        rank[p[0].strip().lower()] = i + 1

sb = json.load(open('assets/nlp/surface_to_base.json'))['map']
con = sqlite3.connect('assets/databases/lampio_dict.db')
vocab = {w: c for w, c in con.execute(
    "SELECT word, primary_cefr_level FROM vocabulary")}

SR_MAX, MULT = 120000, 3          # 放宽后的阈值
hits = []
for s, b in sb.items():
    rs = rank.get(s)
    if not rs or rs > SR_MAX:
        continue
    rb = rank.get(b)
    if (rb is None or rb > rs * MULT) and b in vocab:   # 频率反转 ∧ base 是词条
        hits.append((rs, s, b, rb, vocab[b]))
for rs, s, b, rb, cefr in sorted(hits):
    print(f"#{rs:<7} {s:18} → {b:16} (base 排名 {rb or 'NOT_IN_FREQ'}, CEFR {cefr})")

判据沿用 doc 24 §4 第二层：

修 = base 在现代英语里不是该 surface 的词形（截断残根 / 古语 / 另一个词） 不修 = base 是同一词的规范词典形 搁置 = 两读都成立、需 POS 上下文（Layer 1 无上下文，架构上做不到）

⚠️ 别忘 doc 24 §4 第三层的完整性清扫：修一条就按 base 反查该残根下的全部 surface。 v26 首轮就是漏了 64 条同源映射（修了 changed→change 却留着 changing→chang）。

本单这 4 条的反查结果如下 —— ⚠️ 同源 surface 存在，但不是全都要改：

base	该 base 下的全部 surface	处理
uninterest	uninterested · uninteresting · uninterests	前两个改 SELF；uninterests 不动（名词复数，映射正确）
unconcern	unconcerned · unconcerning · unconcerns	只改 unconcerned；后两个映射正确，不动
overjoy	overjoyed · overjoying · overjoys	只改 overjoyed（若裁定改）；后两个是规则动词形，正确，不动

即这三个 base 本身仍是合法词条，只是不该收编那几个形容词。改完后 uninterest/unconcern/overjoy 继续作为 base 存在、继续接收各自的名词复数/动词屈折 —— 不是把整个 base 铲掉。

订正：本单初稿曾写「这几个 base 下只有那 1–2 个 surface，无同源遗漏」，该说法不成立 （实际每个 base 下都有 3 个 surface）。结论不变（无需连带修改），但事实陈述已更正为上表。

⚠️ SELF 组按 doc 24 §2.1 必须两步（删 surface_to_base 映射 + 补进 base_forms）， 只删映射会被 Layer 3 后缀规则推回来。这 4 个词实测都不在 base_forms 里 （uninteresting / uninterested / unconcerned / overjoyed 均为 False）， 所以四条全都需要走 §2.5 force_as_base（它本就是"删映射 + 补 base"一起做）。

改完请照 doc 24 §7 的做法验证：lemmatize() 结果 + layer == "base" 一起断言 —— 只断言结果的话，漏补 base_forms 的复发能蒙混过关。

---

6. RVH 侧要做的

• 无。资产改动由 RB 单点产出，RVH 走 /preinstalled-db-update 整包接收。
• 若本轮只改这 4 条、vocabulary 表不动，RVH 侧仍需 bump _preinstalledVocabVersion （理由见 doc 25 §7：RVH 读 documents 目录的拷贝，不 bump 则存量用户拿不到）。