基于语料库的工作_4.pptxVIP

基于语料库的工作张宇*1中文信息处理--基于语料库的工作 大纲什么是语料库语料库的发展简史语料库建设中处理的问题数据标注1/24/2021中文信息处理--基于语料库的工作2 什么是语料库语料库，英文为Corpus存储语言材料的仓库现代的语料库是指存放在计算机里的原始语料文本或经过加工后带有语言学信息标注的语料文本.1/24/2021中文信息处理--基于语料库的工作3 关于语料库的三点基本认识语料库中存放的是在语言的实际使用中真实出现过的语言材料；语料库是以电子计算机为载体承载语言知识的基础资源；真实语料需要经过加工（分析和处理），才能成为有用的资源；1/24/2021中文信息处理--基于语料库的工作4 语料库示例1/24/2021中文信息处理--基于语料库的工作5北京大学计算语言所富士通人民日报标注语料库样例：历史/n 将/d 铭记/v 这个/r 坐标/n ：/w 北纬/b ４１．１/m 度/q 、/w 东经/b １１４．３/m 度/q ；/w 人们/n 将/d 铭记/v 这/r 一/m 时刻/n ：/w １９９８年/t １月/t １０日/t １ ５０分/t 。/w ……[中国/ns 政府/n]nt 顺利/ad 恢复/v 对/p 香港/ns 行使/v 主权/n ，/w 并/c 按照/p “/w 一国两制/j ”/w 、/w “/w 港人治港/l ”/w 、/w 高度/d 自治/v 的/u 方针/n 保持/v 香港/ns 的/u 繁荣/an 稳定/an 。/w 语料库的分类1/24/2021中文信息处理--基于语料库的工作6生语料库/熟语料库生语料库就是未经加工的,没有任何切分,标注标记的原始语料库熟语料库就是指经过加工,带有切分,标注标记的语料库系统型语料库/专用型语料库系统型语料库就是依据事先确定的选材原则和比例选取语料的语料库专用型语料库就是指专门服务于某个特定目的的语料库单语种语料库/多语种语料库 语料库发展简史第一代（1970－80年代）第二代（1980－90年代）第三代（1990年代－）1/24/2021中文信息处理--基于语料库的工作7 第一代语料库Brown语料库LOB语料库LLC语料库百万词级以语言研究为导向1/24/2021中文信息处理--基于语料库的工作8 第二代语料库COBUILD语料库Longman语料库千万词级词典编纂－应用导向1/24/2021中文信息处理--基于语料库的工作9 第三代语料库ACL/DCI语料库The Association for Computational LinguisticsData Collection InitiativeUPenn树库LDC（ Linguistic Data Consortium ）超大规模（上亿词级）标准编码体系深度标注/多语种NLP应用1/24/2021中文信息处理--基于语料库的工作10 语料库建设中处理的问题文本生文本标注文本语料库建设中处理的问题低级格式问题标记化：什么是一个词？词法句子1/24/2021中文信息处理--基于语料库的工作11 低级格式问题垃圾格式由于语料库的来源复杂，语料库中可能存在无法处理的各种各样的格式或内容，他们是没有用处的，需要过滤掉。文档页眉、分隔符、排版代码、表和图表如果数据来源于OCR，会引入错误识别的问题1/24/2021中文信息处理--基于语料库的工作12 标记化：什么是一个词非词语分界的空格data base – database, 9365 1873 –ew York, San Francisco如果和连字符一起出现，问题就更加复杂了?the New York – New Haven Railroad– 习惯搭配形成的词Work out– I couldn’t work the answer out.1/24/2021中文信息处理--基于语料库的工作20 标记化：什么是一个词1/24/2021中文信息处理--基于语料库的工作21电话号码国家电话号码国家0171 378 0647UK+45 43 48 60 60Denmark(44.171 830 1007)UK95-51-279648Pakistan+44 (0) 1225 753678UK+411/284 3797Switzerland01256 468661UK(94-1) 866854Sri Lanka(202) 522-2239USA+49 69 136-2 98 05Germany1-925-225-3000USA33 1 34 43 32 36France212.995.5402USA++31-20-5200161The Netherlands