词义标注语料库建设综述-教育部语言文字应用研究所.pdfVIP

第 22 卷 　第 3 期 中文信息学报 Vol . 22 , No . 3 2008 年 5 月 J OU RN AL O F C H IN ESE IN FO RMA T ION PROCESSIN G May , 2008 文章编号 : (2008) 0300 1608 词义标注语料库建设综述 金 澎 , 吴云芳, 俞士汶 (北京大学 计算语言学研究所 ,北京 10087 1) 摘 　要 : 词义消歧的关键问题是缺少大规模 、高质量的词义标注语料库 。本文分别从语料选取 、词典选择 、标注规 模和标注质量等方面介绍已经建成的较有影响的若干词义标注语料库 。在 自动构建词义标注语料库的方法中 ,本 文集中介绍 boot st rapping 策略在语料库建设方面的应用以及利用双语对齐语料库开展的相关研究 。最后 ,针对词 义标注语料库建设存在的问题提出自己的分析和思考 。 关键词 : 计算机应用 ; 中文信息处理 ;词义消歧 ;词义标注语料库 ;平行语料库 ;boot st rapping 中图分类号 : TP39 1 　　　　文献标识码 : A Survey of Word Sense Annotated Corpus Construction J IN Peng , WU Yunfang , YU Shiwen ( In stit ut e of Comp ut ational Lingui stics , Peking U niver sit y , Beij ing 10087 1 , China) Abstract : The bottleneck of wor d sen se di sambiguation (W SD) i s lack of lar ge scale , highqualit y wor d sen se anno t at ed corp u s. In t hi s p ap er , several wor d sen se annot at ed corp u s are int roduced in t he a sp ect s of corp u s coverage , dictionary , token s , wor d t yp es and t he int er annot ator agreement , involving Engli sh , Chinese and J ap anese . A s for t he auto and semiauto con st ruction met hods , t hi s p ap er s focu ses on boot st rapping met ho ds and wor daligned p aral lel corp u s ba sed app roaches. And finally , some i ssues in t he wor d sen se annot at ed corp u s con st ruction are point ed and po ssible solution s are given . Key words : comp ut er app lication ; Chinese information p rocessing ; word sen se di sambiguation ; wor d sen se annot a t ed corp u s ; p arallel c