大数据时代汉英语际对应词的挖掘.docVIP

大数据时代汉英语际对应词的挖掘 　　摘要文章分析了大数据时代词典编纂可用或可参考数据的特点，探索如何从海量数据中挖掘汉英语际对应词等词汇知识，还简要探讨了与数据或语料使用相关的问题。挖掘实践表明： 充分利用可用资源，从纷杂的大数据中可以挖掘出所需的词汇知识，但目前仍需专业人员进行筛选、认定和解读。词典要保持生命力必须及时修订和收录新词。对于汉英词典来说，提供汉语词语的地道英语对应词会提升其实用价值。研究语际对应词挖掘不仅有助于编纂出符合用户需求的双语词典，对构建大数据语言资源库和开发挖掘分析软件也有参考价值。 　　关键词大数据时代对应词新词挖掘汉英词典 　　一、 研究背景 　　移动互联网的飞速发展加快了媒体融合的进程，也使传统的词典学研究和词典编纂实践面临挑战。不仅纸质词典，就连掌上型电子词典也遭到了前所未有的冷遇。人们更喜欢通过智能手机或计算机查询在线网络词典或离线电子词典。 　　移动互联网的不断普及也加速了大数据的产生和应用。词典学研究和编纂实践不仅要跟上时代的步伐，更应抓住机遇。2011年，世界知名咨询公司麦肯锡称：“数据，已经渗透到当今每一个行业和业务职能领域，成为重要的生产因素。”（韩蕊2013）自从2012年以来，大数据（big data）这个新词热度不减。大数据研究及应用成为世界范围内各界持续关注的焦点。《大数据时代》的作者舍恩伯格和库克耶（2013）断言：“大数据带来的信息风暴正在变革我们的生活、工作和思维，大数据开启了一次重大的时代转型。就像望远镜让我们感受宇宙，显微镜让我们能够观测到微生物一样，大数据正在改变我们的生活以及理解世界的方式，成为新发明和新服务的源泉，而更多的改变正蓄势待发。”2014年初舍恩伯格和库克耶又出版了Learning with BIG DATA： The Future of Education《与大数据同行――学习和教育的未来》一书，畅谈大数据与学习和教育的关系以及大数据将如何深刻影响到学习和教育的未来态势。（赵中建，张燕南2014）蔡翠红（2014）认为，大数据不仅迅速成为计算机行业讨论的热门概念，而且也开始渗透到国际关系领域。针对数字出版业发展迅速并产生海量数字出版数据这个现状，齐元军（2014）指出：“如何将大数据挖掘技术应用到数字出版业中，已成为出版行业目前研究的热点话题。” 　　大数据的应用前景广阔。但是，词典学研究和词典编纂可用的数据是大数据吗？词典学研究和词典编纂真的需要大数据吗？我们尝试从大数据时代词典学研究和编纂实践可用数据的特点出发回答第一个问题，结合汉英语际对应词的挖掘实例分析回答第二个问题，还简要探讨与数据或语料使用相关的问题。 　　二、 大数据与编纂词典的可用数据 　　1. 大数据的特点 　　传统意义上的“数据”指的是“有根据的数字”。现在，“数据”不仅指“数字”，还统称一切保存在电脑中的信息（包括文本、声音、视频等）。（赵勇，徐轲2014）在这个信息爆炸的时代，经过一定时间的积累就会出现海量或巨量的数据。过去，计算机存储信息或数据的计量单位用GB/Gigabytes（1GB=1024MB）就已经很大了。现在用到TB/Terabytes（1TB=1024GB），PB/Petabytes（1PB=1024TB=1048576GB），甚至更大的计量单位。但是，不能简单地认为数量大就是大数据。大数据的体量巨大，不仅存储量大，计算量也大，超出了传统数据处理方法所能管理和处理的能力。 　　现在具有代表性的观点是大数据具备4V特征： （1） 数据量庞大（Volume）。（2） 数据呈现多样性（Variety），不但类型多（如文本、网页、图片、音频、视频和位置信息等），而且来自多种数据源，不仅有结构化数据，更多的是半结构化数据和非结构化数据。（3） 时效性（Velocity），即数据增长速度快、变化速度快，处理速度也要求快，包括大量的在线或实时数据分析处理。例如电子商务对销售数据的实时快速分析就意味着能及时抓住商机。（4） 数据价值高（Value），但价值密度低，即价值与数据总量之比很低，需要对海量的数据进行挖掘分析才能形成用户价值。如在长时间连续的监控视频中查找犯罪线索，有用的数据可能只有短短几秒钟。（赵勇，徐轲2014；严霄凤，张德馨2013；宗威，吴锋2013） 　　2. 大数据的定义 　　信息时代的“数据”概念是明确的，但是对于“大数据”至今还没有一个公认的标准定义。 　　美国国家科学基金会（NSF）将大数据定义为：“由科学仪器、传感设备、互联网交易、电子邮件、音频视频软件、网络点击流等多种数据源生成的大规模、多元化、复杂、长期的分布式数据集。”（黄南霞，谢辉，王学东2013） 　　李战怀、王国仁和周傲英（2013）从数据库研究