English Corpora (英语语料库)

已于 2025-04-26 13:45:32 修改
阅读量1.3w 收藏 23
点赞数 5
分类专栏： English 文章标签： English Corpora 英语语料库 美国当代英语语料库 COCA
于 2022-02-26 10:48:58 首次发布
世上没有白读的书，每一页都算数。
本文链接：https://blog.csdn.net/chengyq116/article/details/123145711
版权

English Corpora {英语语料库} 

corpus /ˈkɔːpəs/
n. 语料库；(书面或口语的) 文集，文献，汇编

1. English Corpora - 英语语料库

https://www.english-corpora.org/

English Corpora 可以免费注册使用，避免中式英语。

在这里插入图片描述

2. Corpus of Contemporary American English (COCA) - 美国当代英语语料库

https://www.english-corpora.org/coca/

2.1. 显示全部查询方式

点击 Browse 后的 + 符号，显示全部功能。

在这里插入图片描述

List - 列表显示。
Chart - 图表显示，在各语料库类型中的使用频率和各时间段内的使用情况。
KWIC (key word in context) - 上下文关键词显示。
Compare - 单词比较显示。

lemma ['lemə]：n. 引理，辅助定理，词根
wild card：n. 通配符
phrase [freɪz]：n. 短语，词组，习语，成语 v. 措辞，分乐节
collocate [ˈkɒləkət, ˈkɒləkeɪt]：vi. 搭配，连用 n. 搭配词，组合词

2.2. List -> Find matching strings

在 SEARCH 页面下选择 List，输入搜索内容 verify，点击 Find matching strings。

在这里插入图片描述

FREQUENCY (使用频率): FREQ = 7099

在这里插入图片描述

CONTEXT (使用语境): VERIFY

在这里插入图片描述

2.3. Chart -> See frequency by section

在 SEARCH 页面下选择 Chart，输入搜索内容 verify，点击 See frequency by section。

查询短语在不同文体中出现的频率。

在这里插入图片描述

CHART

在这里插入图片描述

speak [spiːk]：v. 谈话，交谈，说话，讲话，提起，讲述，会说，会讲 (某种语言)，发言 (过去式：spoke，过去分词：spoken)
fiction [ˈfɪkʃn]：n. 小说，虚构的事，假想之物
magazine [ˌmæɡəˈziːn]：n. 杂志，期刊，弹药库，(电视，广播的) 专题节目
pop music：n. 流行乐曲
pop [pɒp]：adv. 突然，砰地 (一声) n. 流行音乐，汽水，(短促清脆的爆裂声) 砰，爹 v. (使) 发砰砰声，发爆裂声，(突然或匆匆) 去，(迅速或突然) 放置 adj. 流行音乐的，通俗风格的，通俗的，现代的
academic [.ækə'demɪk]：adj. 教学的，学术性的，学习良好的，纯理论的 n. 高等院校教师，高校科研人员
blog [blɒɡ]：n. 博客 v. 在博客上发布文章

2.4. 检索单词的所有单复数和时态形式

在输入的单词外加 [] 或者直接输入单词的所有字母大写形式，检索单词的所有单复数和时态形式。

[get]

在这里插入图片描述

GET

在这里插入图片描述

在这里插入图片描述

2.5. 通配符 (wild card)

? - 代替一个字母
* - 代替任意数量字母

un*ed

在这里插入图片描述
在这里插入图片描述

2.6. 检索特定词性

名词：[n*]
动词：[v*]
形容词：[j*]
副词：[r*]
代词：[p*]
连词：[c*]

名词：noun.ALL
单数名词：noun.SG
复数名词：noun.PL
普通名词：noun.CMN
专有名词：noun.+PROP
非专有名词：noun.-PROP

verify + 代词：verify [p*]

在这里插入图片描述

在这里插入图片描述

un 开头、ed 结尾的所有形容词的所有形式：un*ed.[j*]
作为名词的 smile：smile.[n*]

在这里插入图片描述
在这里插入图片描述

动词 + 任何单词 + door 的所有词组：[v*] * [door]

在这里插入图片描述

在这里插入图片描述

make + 任何单词：[make] *

在这里插入图片描述

在这里插入图片描述

2.7. 检索同义词

synonym [ˈsɪnənɪm]：n. 同义词

检索同义词：[=wait] a moment

在这里插入图片描述

在这里插入图片描述

检索同义词的所有变形形式：[[=wait]] a moment

在这里插入图片描述

在这里插入图片描述

检索单词的所有变形形式：[wait] a moment

在这里插入图片描述

在这里插入图片描述

2.8. 检索搭配词

2.8.1. 检索搭配词 1

在 Collocates 页面下，输入搜索内容 ：
Word/phrase: verify
Collocates: [p*]
下方的数字框中分别选择 1 和 2 (在查询文本中，在 verify 前相距 1 个单词及以内、在 verify 后相距 2 个单词及以内所有代词)。

在这里插入图片描述

在这里插入图片描述

2.8.2. 检索搭配词 2

Word/phrase: for more information
Collocates: link
下方的数字框中分别选择 3 和 3 (查询文本中 for more information 前后和 link 相距三个单词及以内的所有语句)。

在这里插入图片描述

在这里插入图片描述

在这里插入图片描述

2.9. Compare

Word1: important
Word2: vital
Collocates: _nn* (查询与这两个单词搭配的名词)
在下方的数字框中分别选择 3 和 3 (表示查询文本中与 important / vital 相距三个单词及以内的所有名词)。

在这里插入图片描述

在这里插入图片描述

3. British National Corpus (BNC) - 英语国家语料库

corpus [ˈkɔːpəs]：n. 文集，文献，汇编，语料库 (复数：corpora / corpuses)
contemporary [kənˈtemprəri]：adj. 属同时期的，同一时代的，当代的，现代的 n. 同代人，同辈人，同龄人
British ['brɪtɪʃ]：adj. (大不列颠及北爱尔兰) 联合王国的，英国的，英国人的 n. 联合王国人民，英国人

References

[1] Yongqiang Cheng, https://yongqiang.blog.csdn.net/

AI大语言模型预训练数据准备：从原始数据到高质量语料库
AI天才研究院
03-06 1747
预训练语料库的质量直接影响语言模型的性能。一个理想的预训练语料库应该具备以下特点:规模大:拥有足够的数据量,通常在百GB到TB量级,可以全面覆盖语言的各种现象。领域广泛:包含不同体裁、主题、风格的文本,有助于模型学习语言的一般性规律。噪声低:数据的错误、重复、冗余等噪声尽量少,保证语料的可靠性。富任务相关性:与下游任务的领域、风格等特点接近,使模型能更好地适应具体任务。因此,优质的预训练语料库是大规模语言模型取得SOTA效果的基础。
语料库软件——R 或 Python 的相关库
最新发布
2403_86762465的博客
08-27 878
对于处理语料库任务，在 R 和 Python 中都有很多强大的库可以帮助您进行文本分析、自然语言处理（NLP）以及统计建模等工作。
英语学习app源码_英语学习丨几个好用的英语学习app分享
weixin_39978282的博客
12-04 530
英语学习，不在一朝一夕；北外网课的英语老师会持续给出一些日常学习的小tips、应试技巧、实时热词等，希望可以帮助到大家~英语学习app推荐推荐一波学习英语的app给大家推荐一些英语学习软件，让英语学习富有趣味性。1. 英语流利说除了英语趣配音外，还有一个可通过配音学习英语的软件是英语流利说，而且这两个软件里面会有给英音爱好者的特别“福利”，搜索关键词“英音”或者英音女神“Emma Wat...
英语语料库LOB语料库
10-10
LOB语料库 创建时间: 1970年代初 创建单位:英国Lancaster大学和挪威Oslo大学以及Bergen大学 规模层级: 100万词次 基本情况:研究当代英国英语,与美国英语对比,使用了TAGIT系统,以统计方式建立换算几率矩阵,提高标注正确率。 The Lancaster-Oslo Bergen Corpus (LOB) was compiled by researchers in Lancaster, Oslo and Bergen. It consists of one million words of British En glish texts from 1961. The texts for the corpus were sampled from 15 different text categories. Each text is just over 2.000 words long (longer texts have b een cut at the first sentence boundary after 2.000 words) and the number of texts in each category varies (see table below). Further information about the t exts can be found in the LOB manual (external link). This corpus is the British counterpart of the Brown Corpus of American English. which contains texts printed in the same year so that comparison bet ween both varieties could be made
英语语料库与英文写作
enago的博客
12-27 1063
语料库以数字系统为根基存放生活中会出现的语料，分析处理后成为可检索的资源。中国学者泰半在英语写作都不这么吃香，当代科研中把英语水平提升到论文初稿的水准才能取得平均水平的成绩。在线字典、翻译软件以及学校的电子学术期刊都有所帮助，但在线语料库同样是相当重要的资源。 字典能解释单词本身的意思，对于生词与专有名词的查找是一项良方。翻译软件则是大概地翻译关键语汇及段落章句。学术期刊资料库能给真实的例句、整...
美国当代英语语料库60000
01-05
美国当代英语语料库 COCA Frequency 60000,适用于欧路，mdict等第三方词典
在线英语词典和英语语料库
08-23
23个在线英语词典和英语语料库。大家可以拿来训练模型。
AIML语料库 Alice Bot语料库 （英文，最新版）
08-07
Alice问答系统的aiml格式对话语料，最新语料大小7.8MB（不同于之前的官方语料库仅有1~2MB）,格式为aiml格式，直接可以供alice bot训练使用。
Corpora of Misspellings:标有拼写错误的语料库-开源
06-08
`english_spelling_corpus_2012_07_26.xml`文件是语料库的核心部分，采用XML格式存储，这是一种结构化的数据表示方式，便于机器读取和解析。XML文件通常包含多个元素，每个元素代表一个拼写错误的实例，其中包括错误...
SpiCE-Corpus:粤语和英语的会话式双语对话开放性语料库
05-10
SpiCE语料库 香料是对话双语SP的EECH即将开放获取语料库我N c个antonese和简体中文。 请继续关注此处的更新。 任何疑问，请联系 。 有关与语料库进行访问，设计和研究的详细信息，请参见文档 。
English Corpus
03-04
English Corpus Linguistics An Introduction - Charles F. Meyer
美国当代英语语料库COCA词频20000 （完整）【包含常用格式】
10-16
美国当代英语语料库COCA词频20000 高频2W （完整） 格式：pdf, word文档, txt, excel文档
美国当代英语语料库COCA词频20000 【包含Txt、Word、PDF】（完整）
12-11
美国当代英语语料库COCA词频20000 【包含Txt、Word、PDF】（完整）
美国当代英语语料库20000词频表（完整版）.xlsx
10-26
美国当代英语语料库20000词频表完整版 含词性。优先背下来口语常用词，适合以提高英语口语水平和实际交流能力为目的的学习者。
最新美国当代英语语料库20000词频表
03-16
最新 美国当代英语语料库20000词频表，英语进阶必备资料
语音合成（speech synthesis）方向四：开源中文和英文训练语料库open speech corpus
低调奋进
12-07 3814
声明：工作以来主要从事TTS工作，工程算法都有涉及，平时看些文章做些笔记。文章中难免存在错误的地方，还望大家海涵。平时搜集一些资料，方便查阅学习：TTS 论文列表 http://yqli.tech/page/tts_paper.html TTS 开源数据 http://yqli.tech/page/data.html。如转载，请标明出处。 欢迎关注微...
英文语料库
weixin_30762087的博客
10-12 166
本语料库由University of California整理，里面包含20newsgroups，reuters21578，census1990等大量经典语料http://kdd.ics.uci.edu/databases/ 转载于:https://www.cnblogs.com/banbana88/archive/2012/10/12/2721492.html...
英文语料库整理
异ﾘ度ｭ空ｳ間（镜像站）
06-15 4619
Reuters-21578   语料下载 Reuters-21578中文说明 Reuters-21578 语料库SGML转txt脚本（Python） Reuters-21578 语料库SGML转txt脚本（ruby）   常用英文语料库下载 本语料库由University of California整理，里面包含20newsgroups，reuters21
汉语和英语语料库
explorer9607的博客
08-22 1875
背了几年单词了，结果词汇量依然少的可怜，今天在知乎上看到一篇文章说10岁的母语者词汇量就达到了 10000 左右，而17岁的高中生已有20000的词汇量，成年人都在20w左右。再看看自己五六千的词汇量。。。。 暑假里每天早晨都会背一些单词，但总是很快忘记了，而且背英语最头疼的一件事情就是同义词是在是太多了，背着背着就混了，就想着怎么把这些单词归归类，系统的整理整理帮助自己去记忆。正好最近在看和n...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

Yongqiang Cheng

梦想不是浮躁，而是沉淀和积累。

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值