论文语料库怎么建立

问：怎么建立语料库

1. 答：1. 多做翻译，之后把翻译对齐（可以用Tmxmall做在线对齐，比较简单），对齐后的文件便是tmx语料库格式
   2. 自己到网上下载相关语料，然后做对齐，制作tmx双语文件
   3. 倘若公司以前有做过的翻译语料，直接可以用Tmxmall做对齐，复用以前的翻译
   4. 用TMROBOT管理语料，防止语料太乱以及语料丢失
   建立语料库最大的任务就是做对齐，对齐效率越高，准确率越高，用处就越大。
   Tmxmall对齐方式是先基于段落对齐，然后再细化为句对丛租罩齐，很好的提高了工作效率及准确。
   其次，在线对齐型和使得对齐工作变得更为简单，渗闹易操作。
2. 答：仅卜兆一个文本拆嫌肯定是不够的，要有很多文本，而为了保证文本的真实性（不能自己凭型御租空捏造），所以做科学研究的时候就需要建立在语料库的基础上，所以说是基于语料库的研究。比如，我研究一个作家的语言风格，我就要建立在他创作出来的文本之上；我要研究汉语的一些语言现象，一般就要建立在平衡语料库之上，研究其他语言同样。语料库一般都会有人创建的，不需要自己做。

问：怎样创建语料库?

1. 答：首先要明确建立的是单语语料库还是双语语料库，因为用到的建库软件和方法不一样，单语语料库的建立过程相对简单一些。
   语料库有多种类型，确定类型的主要依据是它的梁芦研究目的和用途，这一点往往能够在语料采集的原则和方式上有所体现。有人曾经把语料库分成四种类型：⑴异质的（Heterogeneous）：没有特定的语料收集原则，广泛收集并原样存橡梁带储各种语料。
   ⑵同质的（Homogeneous）：只收集同一类内容的语料；⑶系统的（Systematic）：根据预先确定的原则和比例收集语料，使语料具有平衡性和系统性，能够代表某一范围内的语言事实；⑷专用的（Specialized）：只收集用于某一特定用途的语料。
   除此之外，按照语料的语种，语料库也可以分成单语的（Monolingual）、双语的（Bilingual）和多语的（Multilingual）。按照语料的采集单位，语料库又可以分为语篇的、语句的、短语的。双语和多语语料库按照语料的组织形式，还可以分为平行（对齐）语料库和比较语料库，前者的语料构成译文渣笑关系，多用于机器翻译、双语词典编撰等应用领域，后者将表述同样内容的不同语言文本收集到一起，多用于语言对比研究。
   已经累积了大量各种类型的语料库，如：葡萄牙语料库、面向文本分类研究的中英文新闻分类语料库、路透社文本分类训练语料库、中文文本分类语料库、大开放字幕库OpenSubtitles的多语言平行语料数据（OpenSubtitles Corpus）、《圣经》双语语料库（"Bible" bilingual corpus）、Short messages service( S) corpus（短消息服务（ S）语料）等。

问：如何建立自己的语料库

1. 答：基本上没有办法建立相应的语料库，优质的原语料是优质语料库的前提。
   动态变化的语料库：大众传播媒体的情况是在不断变化的，语料库也要相应变化.（例如：1978年,中国报纸只有186种，基本上是单一的党委机关报，到1995年底，已经增茄滑加到2202种，平均期印数增加4倍，总印张增加3·5倍，报纸的品种，功能，发行都有了相当大的变化如果要科学地反应语言的流通应用情况，语料库的容量，选材，抽样等怎么可能一隐纳侍成不变呢）。
   扩展资料：
   语料库的分类：
   1、是研究双语语料的对齐技术（Alignment），国内外学者就此提出多种策略和方法，已经出现了许多对齐双语或多语语料的程序或工具[Gale 1993]；
   2、是研究双语语料的各种应用，如在基于统计的机器翻译技术[Brown 1990]、基于实例的机器翻译技术[Nagao 1984]，双语词典编纂[Klavans and Tzoukermann 1990]技术中，双语语料库都发挥着十分重要的作用；
   3、是双语语料库的设计、采集、编码和管理问题。比较著名的语料库编码方案有TEI 文本编码标准以及CES标准，两者均基于SGML标记语言研究
   指不只有一种语言的语料灶吵库。分为平行语料库和对照语料库两种。平行语料库指库中的两种或多种文本互相是对方的译文，因此可以用于翻译或者机器翻译研究；对照语料库中两种或多种语言的文本不构成对译关系，只是领域相同，主题相近。通常只能用于两种或多种语言的对比。
   参考资料来源：
2. 答：首先要明确建立的是单语语料库还是双语语料库，因为用到的建库软件和方法不一样，单语语料库的建立过程相对简单一些。
   1、单语语料库
   （1）准备单语语料，将语料都转换成TXT格式，建议按一定规律给各个文档命名
   （2）下载并安装AntConC软件，界面如下
   （3）将准备好的文档全部导入软件，然后就可以在AntConc里检索语料了。具体使用方法可以自行百度。
   2、双语做散中语料库
   （1）语料准备
   准备英汉对照的双语文档。可以是两个文档，其中一个英文，一个中文；也可以是英中上下对照或左右对照的单文档。无论是双文档还是单文档，都要注意原文与译文需要严格对照，这是后续软件识纯山别的重要基础。
   （2）语料对齐
   业内有几种主流的语料对齐工具，我个人用的最多的是Tmxmall在线对齐。
   例如，英中文档的对齐效果如下，掘悉将对齐好的文档导出，存为tmx格式。
   （3）在trados等CAT工具中新建翻译记忆库，把之前保存好的tmx文件导入即可。
   附：关于原语料来源，一是自己翻译积累，二是权威网站获取，优质的原语料是优质语料库的前提。如果觉得自己做语料库耗时间，也可以到Tmxmall语料商城上看看别人上传的各类语料库，和其他译员交易已经建好的语料库。
3. 答：1. 多做翻译，之后把翻译对齐（可以用Tmxmall做在线对齐，比较简单），对齐后的文件便是tmx记忆库格式
   2. 自己到网上下载相关语料，然后做对齐，制作tmx双语文件
   3. 倘若公司以前有做过的翻译语料，直接可以用Tmxmall做对齐，复用以前的翻译
   4. 用TMROBOT管理语料，防止语料太乱以及语料丢失
   建立语料库最大的任务就是做对齐，对齐效率越高，准确率越高，用处就越大。
   Tmxmall对齐方式是先基于段落对齐，然后再细化为句对丛租罩齐，很好的提高了工作效率及准确。
   其次，在线对齐型和使得对齐工作变得更为简单，渗闹易操作。
4. 答：至少五年以上翻译方有意义，否则根本杯水车薪，积累的太少。单个领域的语料库没有个几万，根本用不上。