语料库(corpus)
语料库(corpus)就是存放语言材料的仓库(语言数据库),基于语料库进行语言学研究–语料库语言学(corpus linguistics)。
语料库语言学研究的内容
- 语料库的建设与编纂
- 语料库的加工和管理技术
- 语料库的使用
语料库的类型
平衡语料库
- 平衡语料库着重考虑语料的代表性与平衡性。
- 语料采集的七项原则:语料的真实性、可靠性、科学性、代表性、权威性、分布性和流通性。其中,语料的分布性还要考虑语料的科学领域分布、地域分布、时间分布和语体分布等。
平行语料库
两种含义:一种是指在同一种语言的语料上的平行,例如,“国际英语语料库”,共有20个平行的子语料库,分别来自以英语为母语或官方语言和主要语言的国家,如英国、美国、加拿大、澳大利亚、新西兰等。其平行性表现为语料选取的时间、对象、比例、文本数、文本长度等几乎是一致的。建库的目的是对不同国家的英语进行对比研究。
共时语料库与历时语料库
共时语料库是为了对语言进行共时(同一时段)研究而建立的语料库。研究大树的横断面所见的细胞和细胞关系,即研究一个共时平面中的元素与元素的关系。
历时语料库是为了对语言进行历时研究而建立的语料库。研究大树的纵剖面所见的每个细胞和细胞关系的演变,即研究一个历时切面中元素与元素关系的演化。
词汇知识库
知识库是以描述性方法来存储和管理知识的机构,由知识和知识处理机构行成一个知识域
1.WordNet
开发目的:解决词典中同义信息的组织问题
2.知网(HowNet)
3.概念层次网络(HNC)
研究从自然语言空间到语言概念空间的映射:
- 建立语言概念空间的概念基元符号体系;
- 建立语言概念空间的语句基元符号体系。
什么是熟语料库?什么是生语料库?
熟语料库指在自然语言单位上添加人工的标签标注,如经过分词、词性标注、命名实体识别、依存句法标注形成的语料。
生语料库指直接收集而未经加工形成的语言资源集,如常见的微博语料,新闻语料等。