技术应用｜保姆级教程，教你如何建立自己的语料库

无论是在平常的翻译练习还是在学术研究中，语料库作为学习工具或是研究方法都不可或缺。那么，在做基于语料库方法的研究时应该如何

2.
 语料清洗

接下来就是语料的预处理，对语料进行校对降噪。

在这个过程中，我们需要把整理好的文本中多余的空格、空行、回车、乱码、错别字、以及其他不需要的信息（包括附录，表格，前言等）都去除掉。

推荐工具：MS Word和EmEditor（网址https://www.emeditor.com/）

P.S.在语料清洗的过程中，正则表达式是一个好帮手，在一些语料清洗工具中也提供了快捷键，不需要手动输入正则表达式，且能满足不少读者的需要。小编在这里附上示例表：

感兴趣的小伙伴可以在网址https://www.runoob.com/regexp/regexp-tutorial.html进行了解和学习~

3.
分词标注

首先请大家了解一下：

分词（tokenization）是指将一串字符转换成可以分析，容易识别的形符（token）——也就是词语——的过程；

标注（annotation）是指将文本中的词语按照各种属性（part of speech）进行标注；

但是请注意，对于汉语来说，分词是必须的，因为汉语的词语之间没有明显分隔，不进行分词的话难以识别分析；而标注不是必需步骤，在有需要时进行即可。

举个例子：

分词前

分词后

标注后

分词标注工具推荐：TreeTagger，CorpuswordParser（汉语），StanfordParser（英汉）等

以上工具都可以在http://corpus.bfsu.edu.cn/TOOLS.htm进行下载

4.
平行对齐

截止以上前三步，语料的加工基本已经完成，但如果你的语料是双语或多语，则需要对其进行对齐处理。

对齐是指将多语言语料实现句子的一一对应，也可以实现段落的一一对应，以形成规范的语对。

对齐推荐工具：memoQ，Tmxmall等

对齐完成后如图：

此图出自于上海外国语大学语料库研究院的《习近平谈治国理政》多语数据库综合平台

完成以上步骤就完成了对语料的处理和加工，成功建立了语料库！

三

 一些推荐

语料库建成后，小编在这里推荐两个常用的语料库检索分析工具：Antconc和Wordsmith。这两个软件可以帮助大家更好地对语料进行检索，生成词表等，是语料库人不离手的好工具！

此外，除了自建语料库，大家也要利用好现有的语料库，如：

英国国家语料库（British National Corpus，简称BNC）

http://www.natcorp.ox.ac.uk/

美国当代英语语料库（Corpus of Contemporary American English，简称COCA）

https://www.english-corpora.org/ 

SketchEngine

https://www.sketchengine.co.uk/ 

… …

以上就是本期全部内容啦，希望这篇文章可以在你探索语料库建立的途中提供一些帮助~

实践出真知，快去动手试试吧~

声明：本公众号转载此文章是出于传播行业资讯、洞见之目的，如有侵犯到您的合法权益，请致信：[e-mail]，我们将及时调整处理。谢谢支持！
-END-
本文转载自：翻译圈转载编辑：Pickey关注我们，获取更多资讯！

往期回顾

行业动态1. 行业动态 | 国家批准语言服务产业进入目录——政策解读
2. 行业观察 | 沈澍：AIGC是敌是友？翻译领域的机遇与挑战
3. 论坛预告 | 2023年京津冀翻译协会协同发展学术论坛4. 研究动态 | 李长栓：以实践报告展示翻译能力——论翻译硕士专业学位研究生翻译实践报告的写作
行业洞见

行业技术

精品课程

资源干货

招聘就业1. 
2. 招聘快报 | 中国外文局翻译院招聘外语人才3. 招聘快报 | 博硕星睿招募课程主持兼回顾文案编辑4. 招聘快报 | 哔哩哔哩招聘英语翻译5. 招聘快报 | 昆拓信诚招聘医学翻译