平行语料库制作流程

《平行语料库制作流程》由会员上传分享，免费在线阅读，更多相关内容在应用文档-天天文库。

1、平行语料库制作流程说明：在邹颂兵先生、孟令子博士的基础上，由李涛、李晓倩讨论完成，期间胡慧婷也参与讨论，给予了很好的建议。这个流程对于有些老师和同学，实在没有必要这么繁琐，有些步骤可以利用一些软件一次性解决，推荐两款软件试用，文本整理器；PowerGREP。之所以如此繁琐，是想让大家更加详细的了解整个建库流程以及为什么这么做。当然在建库过程中还会遇到更多的问题，大家可以尝试自己去解决。）1．语料采集（目的不同，方法各异）2．去噪（Emeditor）（1）消除回车和空行：s*——空（表示新行；s表示空格，*表示0个或多个；之所以加上

2、s*是为了避免回车键前面有空格。）（2）去空格英文s+替换为空格（s表示空格，+表示1个或更多。该表达式意思表明如果原来有1个空格，就替换为1个空格，如果多于1个空格，仍然替换为1个空格。之所以如此，是因为英文单词之间是有1个空格存在的。）中文s*替换为空（s表示空格，*表示0个或更多。该表达式意思表明如果原来有0个空格，就替换为0个空格，如果多于1个空格，仍然替换为0个空格。之所以如此，是因为汉字之间是有0个空格存在的。）3．分词英文Claws中文ICTCLAS（可以选择二级标准，北大标准）中文分词校对常见：人名标注为/nr，(如

3、小说《首席》里，人名飘雪被标注为“飘/v雪/n”;可以统一替换为“飘雪/nr”);地名/ns；4．标点符号处理英语标点符号全部替换成单个标点。（因为Claws标注后的英文标点及其标注显示为“标点_标点”；以问号?为例，即“?_?”；更改后，变为“?”即可。特别注意省略号，因为Claws标注后的省略号及其标注显示为“._.._.._.”其中第一个“._.”和后面两个“._.._.”之间换行了，这样在添加标志是会造成默认三个英语句号标识。两种解决方案：1.替换句号之前查找“._.._.._.”（选择正则表达式一栏），替换成“---”

4、(什么符号都可以，自己知道意思即可，但整个语料库建设里一般会涉及多人，所以大家要统一)；2.如果先替换句号，就直接查找“...”（选择正则表达式一栏），替换成“---”。建议所有查找和替换操作都从文本中复制以免格式不匹配。中文标点符号全部转成英文状态下的半角格式并去除其词性标注/w。（ICTCLAS标注后的中文标点及其标注显示为“标点/w”；以问号？为例，即“？/w”；更改后，变为“?”即可。特别提醒：一些中文特有的标点符号如“……”；“破折号”；“、”“《》”等，我们认为可以分别替换成“---”（三个）；“--”（两个）；“/”；“<>

5、”）问题：（可以专门查找省略号，然后自己判定是否是句子结束标志；也可以忽略，在对齐校对的时候做。）“我……我……我怎么了？”这个时候……并不是一句话的结束。“啊……”这个时候……是一句话的结束。4.添加对齐标志(中英文一致)考虑到有时在对话中句号、问号和叹号加上了引号，即.”、?”、!”，也代表一句话的结束，因此我们建议分三步添加对齐标志：（1）用特定符号，如11111111，替换带引号的句号、问号、叹号，目的在于避免对其标志出现在引号之内。（2）句号、问号和叹号之后添加对齐标志。（3）在11111111之后添加对齐标志。（1）处理加引号的句

6、号、问号和叹号（使用正则表达式）."替换为11111111?"替换为22222222!"替换为33333333(2)处理所有文本中句号、问号和叹号（使用正则表达式）查找.替换为.查找?替换为?查找!替换为!(3)再处理（1）遗留的问题查找11111111替换为."查找22222222替换为?"查找33333333替换为!"开头和结尾处标注手动添加1．平行(详细做法请参照Para

7、Conc使用说明)1）添加语料2）AlignFormat要选Start/Stoptags3)查看语料对齐4)选中两个文本后，选中alignment