平行语料库制作流程.docVIP

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。） 语料采集 （目的不同，方法各异） 去噪 （Emeditor） （1）消除回车和空行：\n\s*——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 \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。） 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； 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。 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，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）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 \?替换 \! 替换 (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./seg\nseg 查找\? 替换为?/seg\nseg 查找\! 替换为!/seg\nseg (3)再处理（1）遗留的问题 查 替换为 ./seg\nseg 查 替换为 ?/seg\nseg 查 替换为 !/seg\nseg 开头和结尾处标注手动添加 平行 (详细做法请参照ParaConc使用说明) 1）添加语料 2）Align Format 要选Start/Stop tags 3)查看语料对齐 4) 选中两个文本后，选中alignment