常用语料库软件的应用

语料库的制作和应用2014.7.14CONTENTS•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termlist)•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;factoranalysis;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:ohismother;hismother;his\nmother•Annotation:o我们_r;我们/r;我们r;wpos=“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oLANGUAGEChinese/LANGUAGESLEnglish/SLTITLEMeiGuoShi/TITLETRANSWeiYeChou/TRANSCATEGORY1/CATEGORYSTYLE3/STYLEGENREG/GENREPUBLISHERShangwuyinshuguan/PUBLISHERTIME1929/TIMEERAB/ERASIZE23052/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-sizedbodyofmachine-readabletext”，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。oBrown/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%。2ndgenerationcorpora:TheCorpusdiItalianoScrittooBNC：大小不一（max：40，000words）；25%/75%（lit./inf.）oENPC:40%/60%(non-lit/lit)；S.JohanssonSize:2.6millionwordsLanguage:English,Norwegian;Numberoftexts/samples:100orig.,100transl.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MicrosoftWord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（seenextslide）语料文本的基本处理：主要处理方式-4•$line=~s/\s\n/\n/g;#matchingandreplacingall•$line=~s/(.)\n/$1/g;#matchingandreplacingall•$line=~s/[\r\n]/##/g;#matchingandreplacingall•$line=~s/\*//g;#matchingandreplacingall•$line=~s/^\s*$//g;#matchingandreplacingall•$line=~s/\\s{0,}/\s/g;#matchingandreplacingall•$line=~s/\\s\n/\n/g;#matchingandreplacingall•$line=~s/\Z\n/##/g;#matchingandreplacingall•$line=~s/+//g;#replacemorewhitespaceswithjustone•$line=~s/\s+(#{2,})/$1/g;#matchingandreplacingall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(ExtensibleMarkupLanguage)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：alotof,apartof,acupof,apieceof•结构能产：givemeabook;sendhisfatheramessage•VNPNP;VNPNP•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，Antconco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wildcard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termlist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-scoreo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•Facotoranalysis(SPSS)•Correlationanalysis(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TermDatabase•CAT软件：Trados，Dejavu，雅信，（免费）OmegaT•Trados商业使用最为广泛•Déjàvu易操作•OmegaT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针对学生翻译习作o反映学生个体和总体特征o翻译技巧和翻译评估相结合o提取信息方便o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