附件1语料文件命名格式.doc

汉语树库构建——使用手册 周 强 清华大学计算机系 智能技术与系统国家重点实验室 北京100084 zhouq@ 语料文件标注格式说明 目前完成的句法树库按文体分为文学、新闻、学术、应用四类，总规模约100万汉字。各类语料按文本文件的方式组织。每个标注文件的基本命名格式为：类型标记 文件序号 . 文件后缀。具体的分类说明如下： （1）文学类 小说（包括普通小说、爱情小说、科幻小说、侦探小说等门类）：类型标记XSA, XSB 散文（包括杂文、小品文等）：类型标记SW 剧本（包括谈话、演讲）：类型标记HJ （2）新闻类： 回忆录（包括传记）：类型标记HYL 时事报道：类型标记NEWS （3）学术专著（包括人文与社会科学、自然科学的各子类）：类型标记BAIKE （4）应用类：类型标记YYW 文件后缀统一为pct。 各个语料文件的基本标注格式为：{句子序号 {词语/词类 + 句法成分标注 } 回车符}。其中的句法成分标注格式为： [ 功能标记+结构信息标记 … ]。下面是几个具体标注实例： 1 [dj-ZW [np-DZ 香港/nS [np-DZ 基层/n 组织/n ] ] [vp-ZZ 积极/aD [vp-PO 推广/v 基本法/n ] ] ] 2 [dj-ZW [np-DZ [mp-DZ 一/m 批/qN ] 公务员/n ] [vp-PO 参加/v 讲习班/n ] ] 3 [pp-JB 据/p [np-DZ [sp-DZ 新华社/nO 香港/nS ] [np-DZ [tp-DZ [tp-DZ ３/m 月/qT ] [tp-DZ １４/m 日/qT ] ] 电/n ] ] ] 4 [zj-XX [fj-LS [dj-ZW [np-DZ 香港/nS [np-DZ [mp-DZ 各/rB 界/qN ] [np-DZ 基层/n 组织/n ] ] ] [vp-ZZ [pp-JB 通过/p [np-DZ [mp-DZ 多/m 种/qN ] 形式/n ] ] [vp-PO 推广/v 基本法/n ] ] ] ，/， [vp-ZZ [pp-JB 为/p [np-DZ 香港/nS 的/u [np-DZ 平稳/a 过渡/vN ] ] ] [vp-PO 开展/v [np-DZ 实际/a 工作/n ] ] ] ] 。/。 ] 分析树显示和校对辅助工具 为了更方便地显示句法树的分析层次，并提高分析树校对的工作效率，我们开发了一个基于窗口操作的句法树显示和校对辅助工具（TreeTuner.exe），其操作界面如下图所示。其中，窗口上部是句子文本信息显示窗口，从中可以了解句子的整体信息。右边有两个控制按钮，可以顺序选择所要校对的句子。窗口下部是句法层次树，可以完成各种分析错误的发现和调整操作。 这个校对辅助工具的基本使用步骤为： 读入句法树标注结果： 点击菜单项：‘文件’( ‘打开’，在对话框中选择需校对的文件，程序将文件内容读入，并自动打开第一句句子的有关信息。 选择句子 选择首句：跳到当前树库文件的第一句，使用快捷键Home 选择末句：跳到当前树库文件的最后一句，使用快捷键End 选择上一句：跳到当前句子的上一句，使用快捷键PageUp，或单击‘上一句’ 选择下一句：跳到当前句子的下一句，使用快捷键PageDown，或单击‘下一句’ 选择特定序号句子：点击菜单项：‘选择句子’( ‘跳到…’，在弹出的信息框中输入句子序号，可以直接跳到树库文件中特定编号的句子 分析树调整 校对者可以通过以下基本操作，在句法树窗口中，对句法树的信息进行修改和调整： A．删除句法成分 选定某个待删除的句法成分，按DEL键，可以删除此节点，并使它的所有子节点与它的兄弟节点处于同一层次中。 B．插入句法成分 选定两个以上相邻的子节点序列，按INS键，可以插入一个父节点，并在节点位置上输入父节点的句法标记信息。 C．节点缩放 双击某个句法成分节点，可以缩放此句法成分的所有子树信息。 D．节点拖放 可以通过节点拖放，改变句法树层次。具体方法是把某个节点拖放到目标节点的父节点上，程序会自动根据节点所覆盖的词语的顺序进行自动排序，形成新的节点分布关系。 E．修改节点标记信息 选定某个待修改的词语（叶节点）或句法成分（中间节点），单击鼠标，在弹出的对话框中修改相应的词语、词类标记或句法标记