兰卡斯特汉语语料库介绍1.PDFVIP

“兰卡斯特汉语语料库”介绍1 许家金 （北京外国语大学 中国外语教育研究中心，北京 100089 ，北京） 提要：本文介绍“兰卡斯特汉语语料库” （简称LCMC）的取样方案、文本构成、标注体系和应用方面的概 况。该语料库是依照英国英语语料库 FLOB 的取样方案和规模创建的可比汉语语料库，适合开展英、汉语 对比研究，同时也适合汉语研究。 关键词：汉语语料库；LCMC；对比研究 1.0 前言 “兰卡斯特汉语语料库” （The Lancaster Corpus of Mandarin Chinese，简称 LCMC） 系旅英学者肖忠华博士创建的现代汉语平衡语料库。该语料库严格按照 FLOB （Freiburg-LOB Corpus of British English）模式编制，它的建成有助于开展基于语料库的 汉语单语或汉英（英汉）双语对比研究及汉语研究。 2.0 LCMC 语料库概况 LCMC 语料库是一个 100 万词次（按每 1.6 个汉字对应一个英文单词折算）的现代汉 语书面语通用型平衡语料库。起先建立时，它是作为英国经社研究委员会资助项目 Contrasting Tense and Aspect in English and Chinese 的部分成果。肖忠华最初的设想是 要将其建成同 FLOB 和 FROWN 对应的现代汉语语料库。筹建这样的一个语料库的另一个 动因是：尽管已经有很多汉语语料库存在，但却没有一个完全免费对公众开放的平衡的汉语 语料库2 。 2.1 取样模式与文本收集 考虑到 LCMC 主要做对比研究之用，肖忠华创建语料库之初就确定了对比的对象。一 方面，在短期内想要建成像 BNC 那样的逾亿词次的语料库并不现实。另一方面，要建立同 LOB 和 Brown 平行的语料库的问题在于很难找到 1961 年前后材料的电子文本。于是，最 后对比目标被锁定在语料出版年份主要是 1991、1992 年的 100 万词次的 FLOB 上。鉴于 同时还有与 FLOB 对应的美国英语语料库 Frown 的存在，LCMC 建成以后也可与美国英语 进行比较。最后，确定下来的方案是按 FLOB 的构建模式，从 15 个文体类型（见表 1）中 选取 500 篇 2,000 词左右的样本。样本的出版日期基本在 1991 年前后。 LCMC 的筹建基本上是严格按照 FLOB 的取样模式进行，只在两个方面做了微调。 第一、FLOB 的取样范畴中，肖忠华将FLOB 中第 N 类样本的“西部和历险小说”改成“武 侠小说” 。一方面由于中国没有所谓的“西部小说”，另一方面，“武侠小说”和“西部和历险小说” 从内容性质上同属一类，且在中国这一类小说中数量众多，因此有充足理由将其收入 LCMC 中。 表 1：LCMC 取样范畴表 代码 取样类型 代码 取样类型 A 新闻报道 J 学术、科技 B 社论 K 一般小说 C 新闻评论 L 侦探小说 1 D 宗教 M 科幻小说 E 技术、商贸 N 武侠小说 F 通俗社会生活 P 爱情小说 G 传记和杂文 R 幽默 H 其他：报告和公文等 第二、由于受到文本来源的制约，肖忠华将样本的出版年代扩大至 1991 年前后各两年 （即1989 到 1993 年）的跨度范围（详见表 2 ）。他认为前后两年的幅度并不会影响整个 语料的同质性。为保证取样内容的同质性，LCMC 中选取的都是