常用语料库软件的应用 - 上海交通大学翻译与词典学研究中心.
合集下载
相关主题
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
Байду номын сангаас
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。
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。
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