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

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~

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

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~

往期回顾

1. 精彩回顾 | ChatGPT如何辅助语料库建设？语料库怎么加工？干货来啦
   
2. 精彩回顾 | 王琳：ChatGPT私有化工具部署及应用
   
3. 精彩回顾 | 王华树：ChatGPT助力翻译实践与教研
   
4. 行业观察 | 王树槐：GPT与诗歌翻译批评：GPT与文学翻译之一
   
   
   

1. 技术应用 | Microsoft Translator Provider 错误及解决方法
2. 行业科普 | 热点新闻编译（ATA/ITI）
   
3. 重要提醒 | 多语应急科普，汛期防灾避险指南
   
4. 技术应用 | 服务器内存不足，分享服务器清理技巧
   
5. 行业技术 | LLMs能否替代人工评价作为对话生成质量的评估器？
   

1. 新课来袭 ｜ChatGPT与语料数据处理工作坊
   
2. 精品小班 |  刘世界：6节语料库专题课，从入门到精通
   
3. 精品课程 | GPT+：翻译、技术与语言学习工作坊
   
4. 精品小班 |  探索变成辅助语料数据处理及分析无门？刘世界博士为你解秘！
   
5. 精品课程｜ChatGPT如何处理各类语料数据？大语言模型上大分！
   

1. 资源干货 | 语言资源服务最常用的50个核心术语
   
2. 资源干货 | 最新版Z-library官方客户端和最新地址
   
3. 双语干货 中华人民共和国对外关系法
   
4. 双语干货 | 谢锋大使向中美媒体发表讲话
   
5. 资源宝库｜译者用“典”，多多益善——精选31款在线词典