《平行语料库制作流程》由会员分享，可在线阅读，更多相关《平行语料库制作流程（4页珍藏版）》请在金锄头文库上搜索。
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：ns*空 （n表示新行；s表示空格，*表示0个或多个；之所以加上s*是为了避免回车键前面有空格。）（2）去空格英文
2、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
3、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seg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“_.n ._”（选择正则表达式一栏），替换成“-”（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“. n .”（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
4、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）；“/”；“”）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.”、?
5、”、!”，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 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. n查找?替换为? n查找!替换为! n再处理（1）遗留的问题查找 11111111 替换为.n查找 22222222 替换为?n查找 33333333 替换为！n开头和结尾处标注手动添加5.平行（详细做法请参照ParaConc使用说明）1）添加语料Ete Ho1 . -1 r 1 11HL i Ctrf+gsn 呈 afcspacm.Chi+O5aw rfocispKe.主 v jn Ehfqs Settnjs&CorpusErrt Setip-EiJtCiilHQ2) Align Format 要选 Start/Stop tags3）查看语料对齐ParaConcFile Search Frequency InFo4）选中两个文本后，选中alignment
