Transcript 语料库的制作和应用

语料库的制作和应用
2014.7.14
CONTENTS
•
•
•
•
•
•
•
语料库的基本特征
语料抽样：理论与抽样操作
语料文本的基本处理：主要处理方式和实现方式
双语语料的对齐：方式和方法
语料检索：基本检索和高级检索(普通、正则和term list)
双语语料检索：基本检索和高级检索
语料数据后续处理：z-score; log-likelihood; factor analysis;
correlation; keyness
• 微型教学语料库的创建和使用
• 翻译课堂教学用双语语料的制作和应用
语料库的基本特征-1
• Computer-readable: txt, xml, html, doc, pdf
• Consistency:
o his mother; his mother; his\nmother
• Annotation:
o 我们_r; 我们/r; 我们<r>; <w pos=“r”>我们</w>
• Header:
o 有关文本的元信息，涉及文本的作者、文体、出版时间等
o <LANGUAGE>Chinese</LANGUAGE><SL>English</SL><TITLE>
MeiGuoShi</TITLE><TRANS>WeiYeChou</TRANS><CATEGORY
>1</CATEGORY><STYLE>3</STYLE><GENRE>G</GENRE><PUBL
ISHER>Shangwuyinshuguan</PUBLISHER><TIME>1929</TIME><
ERA>B</ERA><SIZE>23052</SIZE>
• 相对完整的语料文件范本
语料库的基本特征-2
• 语料库可以视为结构合理的语料文件的集合。往往以
数据库形式存在（如文件夹）。这是语料库建库工作
中最重要的部分，也是最耗时费力的部分。
• 语料数据库建成之后，就可以从库中提取信息，称为
检索。检索效果高低要看能否充分运用检索手段，但
最终依赖语料库本身能提供多少可能性。
• 检索结果的处理需要技巧，事关处理的质量和效率。
语料抽样：理论与抽样操
作
• 有代表性、结构合理的语料文本集合，但不是任意搜集的文本数据库，
也不是越大越好，而是“finite-sized body of machine-readable
text”，语料库通常有抽样框架。一般说来，处于研究的需要，语料宜尽
量平衡，这样就不能照单全收，需要考虑从中抽取一部分。抽取多少，
如何抽取，这个问题可以说众说纷纭。
o Brown/LOB：分层抽样，大小一致；分层抽样如文学中小说占35%，
散文占8%，戏剧占2%。2nd generation corpora: The Corpus di
Italiano Scritto
o BNC：大小不一（max：40，000 words）；25%/75%（lit./inf.）
o ENPC: 40%/60%(non-lit/lit)；S. Johansson Size: 2.6 million words
Language: English, Norwegian; Number of texts/samples: 100
orig., 100 transl. Period: 1975–1995
• 抽样字数及分配
语料取样计算
语料文本的基本处理：主要处理方式-1
• 语料的最常用存储方式是纯文本，纯文本顾名思义就是
只有文字，不支持任何其他字符格式，如粗体、斜体、
下划线、表格框，等等。语料以这种方式存储占用空间
极小，且几乎所有检索软件都支持。
• 将语料以这种方式存储只是检索的操作，更重要的是让
存储的文本内容规范，格式尽量一致，而且没有乱码，
不必要的空格和软回车、硬回车，等等文本噪音。要做
到这些，就需要对语料进行按部就班的处理。使用
Microsoft Word可以对文本进行处理。
语料文本的基本处理：主
要处理方式-2
• Word中的替换、Macro的使用
• 其他语料文本处理工具的使用（Editplus）
语料文本的基本处理：主
要处理方式-3
• 规范语料文件的生成：无噪音、符合预期的加
工规范（标记充分）。
• Header
• <p>|<s>
• POS
• 存储格式（txt|xml）
• 辅助软件的使用：通常会包含包含文本除噪程
序的headadder，txtmarker。其实除噪是执
行一些替换性的操作（see next slide）
语料文本的基本处理：主
要处理方式-4
•
•
•
•
•
•
•
•
•
•
$line=~s/\s\n/\n/g; #matching and replacing all
$line=~s/(.)\n/$1 /g; #matching and replacing all
$line=~s/[\r\n]/##/g; #matching and replacing all
$line=~s/\*//g; #matching and replacing all
$line=~s/^\s*$//g; #matching and replacing all
$line=~s/\\s{0,}/\s/g; #matching and replacing all
$line=~s/\\s\n/\n/g; #matching and replacing all
$line=~s/\Z\n/##/g; #matching and replacing all
$line=~s/ +/ /g; #replace more whitespaces with just one
$line=~s/\s+(#{2,})/$1/g; #matching and replacing all
语料文本的基本处理：主
要处理方式-5
• 添加metadata后的语料样态
语料文本的基本处理：主要处理方式-6
双语语料的对齐：方式和
方法-1
• 对齐就是源文和译文对应。翻译语料的主要特征是对齐。
• 对齐的语言层级：
o 段对齐
o 句对齐
o 段对齐中的句对齐
• 对齐方式不同，与创建语料库的目的有关。比如，如果仅仅
用于辅助翻译，就可以采用句对齐。而要用于翻译研究，就
需要考虑段落层面的语言使用信息，如衔接、话语标记等。
对齐软件有很多，CAT类软件、Paraconc、专门软件。
双语语料的对齐：方式和
方法-2
• 初始对应：源语、目标语文本段对齐，word下完成校
对。这一步最重要。
• Paraconc可以考虑添加s标记。
• 对齐：软件对齐。如aligner，paraconc；Trados，
dejavu，bitext2tmx。前两者提供段对齐和句对齐；
后三个软件一般只提供句对齐。
语料赋码
• Annotation, 就是加标签（tagging）.
• 标注的分类：自动标注、人工标注；词性-句法标注、功
能标注；标注标记_、/、<>。
• 人工标注主要是指功能性标注，如语义标注、翻译手段的
标注，以及为满足特定研究目的进行的附码如话轮、间接、
直接言语行为，等等。从一定意义上说，人工标注涉及更
深语言层面，标注充分对于研究自然更有意义。
• 自动标注主要包含词性标注和句法标注，可以通过软件来
实现。
语料编码、存储格式
• 使用text文本时，缺省编码为ANSI。用于WordSmith用的语料文本
一般应为unicode。许多软件如Antconc等支持utf-8编码，这种编
码各种语言通用，最不易出现乱码。实现方式：txt文本，另存为，
“编码”对话框中选择utf-8即可。
• 存储方式
o 语料数据文件最好能在不同的检索程序上通用，甚至可以在一些现成的管
理程序如excel上执行数据信息的计算，分析和管理。要实现这样的功能，
简单存储为txt文本显然不能满足以上要求。这时就需要一种比较完整地数
据存储方式xml。
o 可扩展标记语言 (Extensible Markup Language) 可以用来标记电子文件，
标记后的文件有结构性的标记语言。既然标记数据就可以通过标记定义数
据的类型，而且标记可以根据我们自己的需要自行定义，合乎语法就行。
Xml生成
语料检索：基本检索和高级检索-1
•
•
•
•
•
•
•
•
•
检索与语言使用的范畴、特征
曲折变化：move, moves, moving, moved
派生：move, movement
词性：move(v.), wove(n.)； in, at, on, over, upon,
from
人称：I, me, we, us
短语、组合能产：a lot of, a part of, a cup of, a
piece of
结构能产：give me a book; send his father a
message
V
NP NP ; V
NP
NP
语言使用的特征决定了检索不太可能是token，许多情况
下要检索到type，或者需要词性线索。
语料检索：基本检索和高级检索-2
• 检索语种数量
o 主要的单语检索软件：Wordsmith， Monoconc，
Antconc
o 双语检索：Paraconc， CAT，自行设计的检索软件
（历时语料检索）
• 基本检索
o 以Antconc为例实施检索。基本检索包含token检索
和wild card检索，检索前先要熟悉语料的存储方式。
• 高级检索
• Antconc中的单语高级检索：正则表达式检索，使用正
则表达式的term list检索。
双语语料检索：基本检索
和高级检索
• Paraconc中的双语高级检索：正则表达式检索
• 满足某些研究需要的正则表达式检索：历时语料
库检索平台 omegaT检索
语料检索小结
• 正则表达式的检索功能有些使用通配符也能做到，但有些则
是通配符检索无法实现的。实际检索时发现，在词汇层面，
汉语的叠词以及隔词重复的精确检索只能使用正则表达式，
使用通配符也能勉强检索，但无法精确检索；在句子层面，
正则表达式能使准确的句段长度检索和严格的句段内部结构
检索成为可能。
• 正则表达式的使用看上去有些繁琐，但只要肯花点时间熟悉
元字符的意义，使用起来也比较方便，它还有助于提高检索
的准确性和效率，进而提高语言研究的质量。
语料数据的后续处理-1
• 语料检索的目的是发现问题，而语料库检索发现的问题主要
表现在频次、频率上。语料库的这一长处必须充分发挥，才
称之为语料库语言研究。
• 频次、频率典型表达为数字，处理数字问题关系到研究结论
的可信度，需要使用一些处理方法，常用的处理方法有：
o 频率对比：特定的词、词丛、词性赋码串；使用WS或
Antconc中keyness工具对比词表、词丛表
o 搭配强度计算：Z-score
o 频率差异显著性计算：log-likelihood计算
• 一般说来，词表对比的结果可以重新标注用于分类处理
语料数据的后续处理-2
• 重复词项计算
• Facotor analysis (SPSS)
• Correlation analysis (SPSS)
平行语料库辅助翻译应用
• 基本思路：已有翻译为参照，为当下翻译提供参考；
建立术语库，使术语统一成为可能。
• CAT的主体部分是TM和Term Database
• CAT软件：Trados，Deja vu，雅信，（免费）
OmegaT
• Trados商业使用最为广泛
• Déjà vu易操作
• Omega T免费，更易操作，但只能单用不能基于
web
微型教学语料库的创建和
使用
• 建库目的和内容
o
o
o
o
o
针对学生翻译习作
反映学生个体和总体特征
翻译技巧和翻译评估相结合
提取信息方便
易于操作
• 使用Excel基本满足此类要求
翻译课堂教学用双语语料
的制作和应用
• 建库目的：翻译教学；自学
• 设计要求：
o 方便呈现多样译文； 便于对比； 方便评注；
o 不需要句对齐，段对齐即可
• 载体：网页文件，可以经excel生成
• 编辑：Dreaweaver