中研院现代汉语标记语料库使用说明

专业的语料库应用技巧语料库是指收集和存储大量真实语言文本的数据库，这些文本可以用来进行语言学研究、语言教学以及自然语言处理等方面的工作。

在当今信息爆炸的时代，语料库的应用变得越来越重要。

本文将介绍一些专业的语料库应用技巧，帮助读者更好地利用语料库。

一、语言学研究语料库在语言学研究中有着广泛的应用。

研究人员可以通过语料库收集大规模的语言数据，分析其中的语言现象，从而对语言规律进行深入研究。

比如，研究人员可以通过语料库来研究某一语言的词汇使用频率、词义变化、语法特点等。

此外，语料库还可以帮助研究人员找到真实语言中的典型例子，验证自己的研究假设。

二、语言教学语料库在语言教学中也有着重要的应用。

通过利用语料库，教师可以为学生提供大量真实语言文本，让学生通过观察和分析，深入了解语言的使用。

学生可以通过语料库了解词汇的用法、短语和句型的搭配，从而提高自己的语言表达能力。

此外，语料库还可以帮助教师设计教学材料，制定教学计划。

三、自然语言处理语料库在自然语言处理领域也具有重要意义。

自然语言处理是研究如何使计算机能够理解和处理人类语言的学科。

语料库中的大量文本可以作为训练数据，用于开发和评估自然语言处理系统。

比如，通过语料库可以训练机器翻译系统、文本分类系统、信息抽取系统等。

语料库还可以帮助改善问答系统、机器人对话系统等人机交互系统。

四、语料库的构建构建一个优质的语料库是语料库应用的基础。

首先，语料库的收集需要广泛而有代表性，涵盖各类语言和语体。

其次，语料库的标注也非常重要，可以通过手工标注或自动标注的方式，对语料库中的各种语言信息进行注释。

再次，语料库需要定期更新和维护，以保证其数据的新鲜和可靠性。

最后，语料库的存储和检索功能也需要得到合理的设计和实现，方便用户的使用和查询。

五、语料库查询工具为了更好地利用语料库，我们需要了解一些有效的查询工具。

常见的查询工具有AntConc、Sketch Engine、CLAWS等。

中文基准语料库-概述说明以及解释1.引言1.1 概述中文基准语料库是指一种包含大量中文文本的语料库，它被广泛用作语言研究、自然语言处理、机器翻译等领域的标准参考。

中文基准语料库的建立旨在提供一个覆盖广泛的文本资源，使研究人员能够进行准确和全面的中文语言分析。

中文基准语料库的构建是一个复杂而耗时的过程。

通常，它涉及对大量现代和古代中文文本的收集、整理和标注。

这些文本可以包括各种文学作品、新闻报道、社交媒体内容等。

通过对这些文本进行语言学和语义分析，研究人员可以得到有关中文语言规律和特点的重要信息。

中文基准语料库具有重要的研究价值和实际意义。

首先，它为中文语言研究提供了全面的材料基础，可以帮助研究人员深入了解中文的语法、词汇和语义结构。

其次，它为自然语言处理和人工智能领域的技术开发提供了必要的训练和评估数据。

通过大规模的中文基准语料库，研究人员可以构建和改进各种中文文本处理模型和算法。

中文基准语料库在许多应用领域都发挥着重要的作用。

例如，在机器翻译领域，中文基准语料库可以用来训练和改进机器翻译系统，提高系统的翻译质量和准确性。

在文本分类和信息检索领域，中文基准语料库可以用来构建文本分类模型和搜索引擎，帮助用户更快捷地找到需要的信息。

此外，中文基准语料库还可以在教育、语言学习和文化研究等方面发挥重要的作用。

总之，中文基准语料库是中文语言研究和自然语言处理领域不可或缺的资源，它为各种语言分析和技术应用提供了基础和支持。

随着技术的不断发展和语料库的不断壮大，中文基准语料库将持续发挥重要的作用，并为未来的研究和应用提供更多可能性。

1.2 文章结构：本文主要分为引言、正文和结论三个部分。

在引言中，首先对中文基准语料库进行概述，介绍其定义、重要性以及应用领域。

然后说明文章结构，即引言、正文和结论的内容安排，并提出文章的目的。

接下来是正文部分，主要包括三个子部分。

首先介绍中文基准语料库的定义，包括其所指的内容范围和构建标准。

现代汉语语料库加工——词语切分与词性标注规范与手册俞士汶主编北京大学计算语言学研究所1999年4月目录●现代汉语语料库加工规范——词语切分与词性标注⒈前言 (1)⒉切分规范 (3)⒊切分和标注相结合的规范 (10)⒋标注规范 (14)⒌后记 (19)●现代汉语语料库加工手册——词语切分与词性标注⒈语料库加工的标记集及其说明 (20)⒉加工好的样例 (20)⒊若干个常用多类词的处理 (24)⒋词语切分和词性标注中的典型错例及分析 (28)⒌准谓宾动词示例 (41)⒍机器自动加工的样例及后校正注意事项 (42)⒎后记 (46)●附录：⒈按代码的字母顺序排列的标记集 (47)⒉按名称的汉语拼音顺序排列的标记集 (48)⒊参考文献 (49)现代汉语语料库加工规范——词语切分与词性标注1999年3月版北京大学计算语言学研究所1999年3月14日⒈前言北大计算语言学研究所从1992年开始进行汉语语料库的多级加工研究。

第一步是对原始语料进行切分和词性标注。

1994年制订了《现代汉语文本切分与词性标注规范Ｖ1.0》。

几年来已完成了约60万字语料的切分与标注，并在短语自动识别、树库构建等方向上进行了探索。

在积累了长期的实践经验之后，最近又进行了《人民日报》语料加工的实验。

为了保证大规模语料加工这一项重要的语言工程的顺利进行，北大计算语言学研究所于1998年10月制订了《现代汉语文本切分与词性标注规范Ｖ2.0》（征求意见稿）。

因这次加工的任务超出词语切分与词性标注的范围，故将新版的规范改名为《现代汉语语料库加工规范》。

制订《现代汉语语料库加工规范》的基本思路如下：⑴词语的切分规范尽可能同中国国家标准GB13715“信息处理用现代汉语分词规范”（以下简称为“分词规范”）保持一致。

由于现在词语切分与词性标注是结合起来进行的，而且又有了一部《现代汉语语法信息词典》（以下有时简称“语法信息词典”或“语法词典”）可作为词语切分与词性标注的基本参照，这就有必要对“分词规范”作必要的调整和补充。

[转载]语料库⼯具箱⽤户指南（ACWT）原⽂地址：语料库⼯具箱⽤户指南（ACWT）作者：gjxyxkgy主页：/alc/chinese/ACWT/ACWT.htm软件下载：/alc/chinese/ACWT/ACWT.zip1.什么是“语料库⼯具箱”ACWT？语料库⼯具箱（ACWT）是指嵌⼊到⽂字处理软件NoteTab中的⼀组模块（clips），Perl代码及其他⼀些中英⽂⽂本处理⼯具。

这些⼯具可以帮助处理⼀些通常需要昂贵复杂的商业软件才能实现的“⼜脏⼜累”的语料库和话语分析、处理⼯作。

⽬前“⼯具箱”中主要包括以下组件：Text Utilities⽂本处理Merge Files档合并HTML<-->Text Conversion HTML-TXT格式相互转换Tagged Text-->Plain Text Conversion去除标注⽂本中的标记File comparison/sizes/counts⽂本⽐较/檔⼤⼩/字数统计/分割/和并Chinese Character Spacing/Word Segmentation/POS Tagging汉字分字/分词/词性标注Search&Analysis检索统计Basic Chinese Concordance简单汉语检索Basic English Concordance简单英语检索Word List/Frequency词表/词频表Mutual Info/T-Score/Z-Score/Log-likelihood互现信息/T值/Z值/Log-likelihoodNormed Freq/Ratio/Lexical Density常态化频率/型次⽐/词汇密度Interactive Text Tagging互动加码L2 Errors–The CLEC Tags⼆语学习者错误代码—CLEC赋码集Discourse Structure–Samples话语结构标注—样例Semantics&Pragmatics–Samples语义语⽤标注—样例Sociolinguistics–Samples社会语⾔学标注—样例Syntax–Samples句法标注—样例Discourse Transcription⼝语转写The Du Bois System-DuBois最新⼝语转写体系-2005-08Header Info头⽂件信息Voice Quality⾳质Turn Taking话轮转换Conversation Structure会话结构Metalinguistic元语⾔特征2.安装要运⾏这些组件需要安装4.5及以上版本的NoteTab⼯具，Perl（译码）程序，以及下⾯提及的相关⼯具。

HSK语料库体例说明HSK动态作文语料库”语料标注及代码说明“HSK动态作文语料库”从字、词、句、篇、标点符号等角度，对所收入的作文语料中存在的外国人使用汉语的中介语偏误进行全面标注。

1 、字处理（包括标点符号）[C]：错字标记，用于标示考生写的不成字的字。

用[C]代表错字，在[C]前填写正确的字。

例如：地球[C]（“球”是错字）、这[C]。

[B]：别字标记，用于标示把甲字写成乙字的情况。

别字包括同音的、不同音而只是形似的、既不同音也不形似但成字的等等。

把别字移至[B]中B的后面，并在[B]前填写正确的字。

例如：提[B题]高、考虑[B虎]。

[L]：漏字标记，用于标示作文中应有而没有的字。

用[L]表示漏掉的字，并在[L]前填写所漏掉的字。

例如：后悔[L]，表示“悔”在原文中是漏掉的字。

农[L]药，表示“农”在原文中是漏掉的字。

[D]：多字标记，用于标示作文中不应出现而出现的字。

把多余的字移至[D]中D的后面。

例如：我的[D的]，表示括号中的“的”是多余的字（原文中写了两个“的”）。

[F]：繁体字标记，用于标示繁体字。

把繁体字移至[F]中F的后面，并在[F]前填写简体字。

例如：记忆[F憶]、单{F單}纯、养{F養}分{F份}。

注意：1）繁体字标记标示的是使用正确的繁体字，如果该繁体字同时又是别字，则先标繁体字标记，再标别字标记。

例如：俭朴[F樸[B僕]]。

2）繁体字写错了，标为：后[F後[C]]。

{CLH}：离合词错误标记，用于标示各种和离合词相关的错误。

标在有错误的离合词的后边，表示前边的离合词用法有误。

例如：……我快要毕业{CLH}大学{CQ了}。

虽然这么[L]多年都没见面{CLH}过，…………我对哈尔滨{CJ-zy很}感兴趣。

有观光{CLH}哈尔滨的宿愿。

{W}：外文词标记，用于标示以外文词代替汉语词的情况。

把外文词移至{W}中W的后面，并在{W}前填写相应的汉语词。

在W和外文词之间填写汉语词的字数。

「內容檢索」使用說明「內容檢索」的檢索條件詞設定，在於輸入檢索條件詞，在語料庫中將所有在「內容檢索」設定的檢索條件符合者，並在「自訂語料庫」設定範圍內，包含檢索條件詞的文句挑出並顯示。

檢索的方式分兩種：一、單項條件檢索方式：一次設定一項檢索條件；二、多項條件檢索方式：一次設定一項檢索條件，包括「and檢索條件」，以及利用「續設條件」設定「or檢索條件」。

檢索的對象分四種：1. 關鍵詞；2. 重疊詞；3.詞類；4. 特徵。

A.單項條件檢索：一次設定一項檢索條件1.關鍵詞：將滑鼠移到「關鍵詞」的框框內，鍵入欲搜尋的關鍵詞，再將滑鼠移到「執行」按下。

▪關鍵詞可以由下列幾種符號組合而成：▪中文字▪? ：表示一個任意字元▪* ：表示零至無限多個任意字元▪範例：▪鍵入「電話」，會搜盡包含「電話」的文句。

▪鍵入「電*」，會搜盡包含以「電」開頭的詞（單字詞、雙字詞、多字詞都包括在內，如：電、電話、電視機）的文句。

▪鍵入「電?」，會搜盡包含以「電」開頭的雙字詞的文句。

▪鍵入「*電」，會搜盡包含以「電」結尾的詞（單字詞、雙字詞、多字詞都包括在內）的文句。

▪鍵入「??電」，會搜盡包含以「電」結尾的三字詞的文句。

▪鍵入「*電*」，會搜盡出現過含有「電」的詞（單字詞、雙字詞、多字詞都包括在內）的文句。

▪鍵入「?電?」，會搜盡包含將「電」置於中央的三字詞的文句。

▪鍵入「?電*」，會搜盡包含將「電」置於第二字的詞（雙字詞、多字詞都包括在內）的文句。

▪鍵入「????」，會搜盡含有任何四字詞的文句。

2.重疊詞：將滑鼠移到「重疊詞」的框框內，鍵入欲搜尋的重疊詞種類，再將滑鼠移到「執行」按下。

或者將滑鼠移到「重疊詞」框框旁的箭頭，按一下，即出現四種重疊詞種類，在所欲搜尋的重疊詞種類按一下，再將滑鼠移到「執行」按下。

▪重疊詞種類共分四種，如介面所示：▪重疊詞AAB－如：試試看、走走路▪重疊詞ABB－如：試看看、亮閃閃▪重疊詞AABB－如：高高興興、平平安安▪重疊詞ABAB－如：高興高興、研究研究▪範例：▪鍵入「AAB」，會搜盡含有任何AAB型重疊詞的文句。

中央研究院近代汉语标记语料库：
语料库语言学在线：(搜LOCNESS就能出来LOCNESS)
北京大学中国语言学研究中心，简称CCL语料库检索系统（包括：现代汉语语料库、古代汉语语料库、汉英双语语料库）
闽南语典藏：.tw/
或
中国科学院计算所的双语语料库：/corpus/query_process.php
每个邮箱可以注册一次，免费期是一个月，免费期过了就再注册一个邮箱，再注册一次。

其中汉语语料库是没有加工的生语料库，使用价值不大。

关键是其中的英语语料库实际上是原来要付费才能使用的BNC，可以好好利用。

The Lancaster Corpus of Mandarin Chinese/scripts/download.php?otaid=2474
【在线字典、工具类】
爱词霸汉语词典/（有汉字笔顺Flash的演示，不错。

PS：爱词霸的其它链接也不错）
韩国21世纪世宗计划语料库（21세기세종계획）http://www.sejong.or.kr/ 【计算语言学里面使用最广的汉语树库】
Chinese PropBank (By U of Colorado) /chinese/cpb/。

973当代汉语文本语料库分词、词性标注加工规范（草案）山西大学从1988年开始进行汉语语料库的深加工研究，首先是对原始语料进行切分和词性标注，1992年制定了《信息处理用现代汉语文本分词规范》。

经过多年研究和修改，2000年又制定出《现代汉语语料库文本分词规范》和《现代汉语语料库文本词性体系》。

这次承担973任务后制定出本规范。

本规范主要吸收了语言学家的研究成果，并兼顾各家的词性分类体系，是一套从信息处理的实际要求出发的当代汉语文本加工规范。

本加工规范适用于汉语信息处理领域，具有开放性和灵活性，以便适用于不同的中文信息处理系统。

《973当代汉语文本语料库分词、词性标注加工规范》是根据以下资料提出的。

1．《信息处理用现代汉语分词规范》，中国国家标准GB13715，1992年2．《信息处理用现代汉语词类标记规范》，中华人民共和国教育部、国家语言文字工作委员会2003年发布3．《现代汉语语料库文本分词规范》（Ver 3．0），1998年北京语言文化大学语言信息处理研究所清华大学计算机科学与技术系4．《现代汉语语料库加工规范——词语切分与词性标注》，1999年北京大学计算语言学研究所5．《信息处理用现代汉语词类标记规范》，2002年，教育部语言文字应用研究所计算语言学研究室6．《现代汉语语料库文本分词规范说明》，2000年山西大学计算机科学系山西大学计算机应用研究所7．《資讯处理用中文分词标准》，1996年，台湾计算语言学学会一、分词总则1．词语的切分规范尽可能同中国国家标准GB13715《信息处理用现代汉语分词规范》（以下简称为“分词规范”）保持一致。

本规范规定了对现代汉语真实文本（语料库）进行分词的原则及规则。

追求分词后语料的一致性（consistency）是本规范的目标之一。

2．本规范中的“分词单位”主要是词，也包括了一部分结合紧密、使用稳定的词组以及在某些特殊情况下可能出现在切分序列中的孤立的语素或非语素字。

如何利用语料库辅助语言教学与研究（BNC）第一篇：如何利用语料库辅助语言教学与研究(BNC)如何利用语料库辅助语言教学与研究（BNC）一、绪言语料库是专门用于语言材料检索和统计的工具，包括为某一目的而收集的大量电子文本（加标注或未加标注）和专门的语料检索和管理程序。

其最大的特点是能快速提供大量真实的语言材料并进行相关统计（如词频和搭配词等），已广泛运用于词典、教材、语法书和词汇表等的编纂及语言研究中。

然而，语料库在日常外语课堂教学和学生自主学习中并没有得到广泛运用，至少在中国是如此。

这一方面是由于对语料库在教学中的运用缺乏有力推广，加价格、市场等因素使得购买商用语料库有难度，自己建设语料库又需花费较大精力，另一方面人们对如何获取网上免费语料库资源缺乏了解。

语料库在日常英语课堂教学和学生自主学习中能够起到多种作用。

作为一种高效的语言检索工具，它所提供的大量真实语言实例能提示从构词、词短语到句法结构乃至语篇几乎所有语言单位的语言生态（language ecology），包括语境、搭配规律、使用频率、语义和语用等。

语料库的获得和个人建设虽然面临诸多困难，但幸运的是，开放的互联网为广大英语教师和英语学习者提供了接触和使用语料库的机会。

二、网络语料库的运用 1．英语单语语料库1）提供语用实例语料库在线检索在日常英语课堂教学中最常见的用途是提供大量典型语例。

当传统方法（如词典）无法提供足够的典型例句时就可检索网上语料库。

如“wet”一词语义很丰富，而其动词用法在教学中关注不多，词典也没有提供足够的语用信息。

利用以上语料库在线检索（此处指柯林斯，检索表达式为“wet/VERB”，详细用法参见检索页使用说明），便可呈现它作动词时的大量语用实例，下面是部分检索行实例（concordance line）(经过整理)：Wet your face thoroughly before using the product.Yeah, They wet their pa nts and cry a lot.“[p]No.”She eased me, Sumner wet the bed every night.It would be impossible…对于词汇的某一具体用法，如该词的“wet the / one’s bed”，词典就更缺少语用信息。