中国英汉平行语料库的设计与研制

中国英汉平行语料库的设计与研制

王克非北京外国语大学中国外语教育研究中心提要：本文论述超大型双语平行语料库的设计与研制问题。在综合述介国内外双语语料库建设情况之后，作者着重论述了中国英汉平行语料库这一超大型双语平行语料库的设计特点（主要有分类架构、历时处理、语料平衡以及通用的和各种专门语料的采集）和研制方法（主要讲述语料的加工标注、检索平台以及各个专门语料库、历时语料库和口译语料库的构建）。其设计与研制对于其他大型语料库的建设具有借鉴意义。

关键词：中国英汉平行语料库；设计；研制

Abstract:The paper deals with the design and construction of asuper-large-scale bilingual parallel corpus.After an overview of parallelcorpora constructions and applications both in China and abroad, the designfeatures(including classification and composition,diachronical arrangement,balance of textual materials,and collection of texts for general or specificpurposes)and the construction methods (including tagging,concordanceplatform,and the construction of specialized corpora,diachronical corpora andinterpreting corpora)of the super-large-scale China English-Chinese ParallelCorpus(CECPC)are focused on.The design and construction discussed areapplicable to the compiling of other large-scale corpora.

Keywords:China English-Chinese Parallel Corpus (CECPC);design;construction

1、中国英汉平行语料库的研制意义

在全球化、信息化的当今世界，翻译已成为了解全球信息、扩大对外宣传、获取国际资源的重要手段。同计算机技术结合而兴起的双语平行语料库建设，则为语言研究、翻译研究、外语教学、词典编纂和跨语言信息检索等提供了最好的平台，同时还可用来考察和验证基于单语语料库或者基于直觉提出的假设，具有广阔的应用前景。

平行语料库承载着相互对应的两种语言，与语言对比研究有着天然的联系，成为语言对比研究中的默认数据源；平行语料库中的两种语言互为对应，记载着两种语言中的对应词和对应单位，成为词典编纂者最可靠的数据来源；平行语料库中的源语言和目标语言互为对应，在翻译教学和外语学习中的用途更是不言而喻。

除此之外，平行语料库对机器翻译和自然语言处理也极为重要。对齐的平行语料能为基于例句和统计的机器翻译系统提供实证模型，同时也可以为基于规则的机器翻译提供验证规则，为机助翻译提供大量翻译记忆。正如欧赫（Och2002）所言，“只要给我足够的双语对应数据，几个小时内我可以给你一个机器翻译系统”。然而现有的英汉平行语料库规模有限，且大多是利用现有同质翻译资源建立的，并非平衡语料库，常常不能较好地代表广泛含义上的源语—译语关系，依此生成的语言模型常常不能够有效地解释翻译语言，这极大地阻碍了翻译和词典编纂等学科研究的深入，已成为提高机器翻译译文质量的瓶颈。

鉴于此，我们提出设计和研制更大规模、更多功能的超大型平行语料库，即一亿词以上的“中国英汉平行语料库”，以满足各方面研究的需求和语料库事业的发展。

中国英汉平行语料库的研制意义可从以下两方面体现出来。

第一，理论价值：

1）由于大型双语平行语料库规模超大、采样严格，能够较好地代表源语—译语关系，因此能为翻译研究、语言对比研究、语言演化研究、口笔译比较研究等提供可靠的翻译实例和量化数据，从而提高上述研究的可信度。

2）在超大型双语平行语料库建设的基础上，我们还将展开多项具有理论意义的语言和翻译研究。这些研究主要包括历时研究、类比动态描写。研究分析时间跨度大，涉及层面多。

第二，应用价值：

1）在研究方法上，我们将据此探索基于语料库的翻译语言动态类比和描述，为语言的共时与历时比较研究提供有效的、可操作性强的分析模式和研究平台。

2）在大型双语平行语料库的采样和加工方面，将提出更有借鉴价值的模板和方法。

总之，“中国英汉平行语料库”这一超大规模的英汉/汉英平衡语料库，为今后其他语对的双语平行语料库或多语平行语料库的研制、双语对比与研究、英汉语言接触与现代汉语历时变化研究等，提供共同的大型的实证研究基础，为中国的语料库研究走向世界前沿作出贡献。

2、国内外双语平行语料库研制现状

平行语料库的研制历史并不长，从世界上第一个初步的平行语料库TheCanadian Hansard Corpus(包括英法语版本的加拿大议会辩论语料)到目前仅二十年左右。但由于平行语料库对于语言对比研究、翻译研究、翻译教学、翻译技术开发（如机器翻译系统、机辅翻译工具）、双语词典编纂等语言学和自然语言处理研究具有巨大的潜在应用价值，平行语料库的建设在世界上得到迅速发展（参见王克非等2004，McEnery&Xiao2007）。目前，平行语料库研究大多集中在欧洲，涉及语言也主要与欧洲语言有关，特别是欧共体/欧盟等机构的文件。

如兰卡斯特大学早期创建的ITU/Crater平行库包含欧洲委员会有关电信的英法双语文件各一百万词，在句级对齐。

欧洲委员会联合研究中心的JRC-ACQUIS多语种平行语料库包括成员国的22种欧洲语言，目前的3.0版包括五十年代至2006年的欧洲法律文件463,792个，共计十亿词。

欧洲人类语言技术研究网络（ELSNET）1994年发布的欧洲语料库规范多语种语料库1期（ECI/MCI）包括27种语言（主要是欧洲语言，也包括汉语、日语和马来语），以官方文件为主，但也包括少量的报纸、小说、技术报告、词典和词表；该库共48部分，共计9,800万词，其中12个部分包含有平行语料。

MULTEXT语料库是由欧洲语言资源协会资助的项目，其目的是开发多语种工具和语料库；该语料库包括采样于欧洲委员会官方杂志（JOC）的五种语言各40个文档，句级对齐，其中10个文档还作了词性标注。

PAROLE语料库包括欧洲14种语言，采样年代为1997-1998，文本来源包括书籍（20%），报纸（65%），杂志（5%），以及杂类文本（10%），共计2,000万词，每个子库中25万词按照统一标准作了词性标注。