个性化虚拟语料库及其应用

作者:刘喜琴 更新时间:2017-05-22 14:10 点击:
【论文发表关健词】个性化虚拟语料库;维基百科语料库;词表;专门用途英语教学;专
【职称论文摘要】
个性化虚拟语料库是大数据时代应运而生的新兴工具,在语言教学与研究中应用前景广阔。它是以现有语料库或互联网语料为基础,根据个性化需求临时创建的专题语料库。本文以美国杨百翰大学维基百科英文语料库为例,介绍了如何创建、编辑、管理和使用个性化虚拟语料库,包括其检索方法,阐述了如何从中挖掘利用语言教学和词典编纂所需的各类词表,并探索了其在专门用途英语教学中的应用,最后提出了如何有效利用该类资源的建议和展望。

         中图分类号:H319.3 文献标识码:B 论文编号:1674-2117(2017)09-0096-05
近年来,语言教学与研究正日益广泛地用到语料库(corpus)资源。用户可在现成正规语料库或互联网语料的基础上,根据自身需求临时创建专题语料库,即个性化虚拟语料库(customized virtual corpus)。这两种语料来源各有优缺点,现成的正规语料库制作规范,标注与统计功能强大,但由于是静态资源,语料库容量有限,所以在建成之初其语料就已经“过时”。而互联网语料实际上是大数据时代的“网络语料库”(web as corpus,又译作“以网络为语料库”),它主要通过Google等搜索引擎来收集最新语料,其中以英国伯明翰城市大学的WebCorp等为代表,但由于受到搜索引擎功能的限制,缺乏正规语料库的标注和统计功能,所以它往往无法按语言工作者的需要精确检索到语料。
美国杨百翰大学(Brigham Young University)Mark Davies教授于2015年发布了具有开放性和动态性的维基百科英文语料库平台(The Wikipedia Corpus)。它为用户专门设置了创建个性化虚拟语料库的功能,这克服了“网络语料库”的目的性和针对性不强的缺点,同时又具有正规(静态)语料库的语料处理功能。该库用户可根据所需主题,检索相关内容的语料,临时聚合语料并分类管理,从而创建个性化的专题(子)库(刘喜琴 & Davies, 2017)。与Sketch Engine等提供的虚拟语料库功能相比,该库创建、管理和使用起来更加灵活方便,进一步降低了用户的技术门槛,因而具有广阔的应用前景。目前,该库语料来源于所有英语国家,库容达190亿个词,含4,400,000个文件。虽然容量巨大,但检索速度很快,是Sketch Engine的五六倍。其优势还体现在它的语料检索功能远远超过维基百科原有系统,而且与学校其他十多个免费权威语料库(如COCA、COHA、BYU-BNC等)实现了无缝对接(Davies, 2015)。
众所周知,维基百科专业性强、规模大、应用广,具有很高的自然语言研究价值,因此引起了国内外学者的普遍关注(赵飞等,2010),如挖掘双语语料以建造双语平行语料库等(孟桂国,2010;胡弘思,2013)。在国外,个性化虚拟语料库已逐步应用于语言教学与词典编纂等方面(Avinesh et al,2012),但国内学界对其仍比较陌生,本文尝试以维基百科英文语料库为例,探索如何将其应用于个性化教学等方面。
个性化虚拟语料库的创建与管理
登录杨百翰大学的维基百科语料库网站(http://corpus.byu.edu/wiki/),可看到“Create corpus”按钮,点击即可进入创建页面。在“Title word(s)”(标题框)中输入包含在文档标题中的字符串,底下四个框还可以分别设置标题或网页中要包含或剔除的字符串,以及网页数量(pages)。例如,我们想创建一个关于圣诞节的专题库,通过网页查询Christmas后,发现需要过滤掉一些有关歌曲或电影的网页。可以先在标题框中输入Christmas,然后在“(Optional)Words not in title”框中输入“song film”,在“(Optional)Words not in pages”框中输入“movie film television”。
同时,也可以在建好的专题库中建立更小的子库,如想在BIOLOGY库下面建立STEM CELL子库,只需在BIOLOGY库中查询字符串“stem cell”,就能将系统自动显示的网页保存建库。
建好库后不仅可以对自建库进行编辑管理——从屏幕右边的自建库管理窗口开始进行各种操作,如将某库删除(delete)、隐藏(hide)、恢复隐藏等,还可以对各库顺序进行重排或重命名(rename),或对各库进行分类(regroup)并对類别进行命名。如下图所示,BASTKETBALL、BIOLOGY和INVESTMENTS三个专题库分别归在Sports类(Sp)、Science类(Sc)和Finance类(Fi)。
杨百翰大学语料库的检索方法
语料库检索方法是其使用过程中的关键,在语言教学、词典编纂和语言研究中也比较重要。杨百翰大学的语料库系统界面友好,查询方便,检索方式多样,检索功能强大。
1.简单检索
首先,用户需要了解一些基本的通配符(正则表达式),如*、?等,以及基本的统计学概念,如频数、互信息值、关联度等。输入字符串有严格的规定,可参看其网站介绍。查询一个单词时中间不要随意加空格,否则会被默认为两个连续的单词。如果要限定单词的词性(词类),可在单词后面加一个点,然后加中括号,将词性标签放入中括号内。点的前面和后面都不能有空格,否则会被视为两个连续的单词。如果要进行近义词检索和用户定制清单,则需要查询所匹配单词的所有屈折变化形式,只需在中括号外另加一对中括号,也可选择词目及词性。例如,键入s?ng*,则代表要查询song、singer、songbirds等单词(通配符问号代表一个字母)。如果想查询suggestive后面一般接哪些介词,在检索框中键入suggestive,POS LIST选择prep.ALL即可。

        如果要在自建库中查询词频表或词组频数表,则在自建库管理窗口中点选“FIND KEYWORDS”;如果要分类型来查,单词可查名词、动词、形容词和副词四种,词组可查“名词+名词”“形容词+名词”两种,按需点击相应按钮即可;如果要拿整个维基百科语料库作为参照,查询自建库的主题词(又称关键词,但实际上不同于被查询的字符串“语境中的关键词KWIC”),此时应点选“SPECIFIC”。 

  2.高级检索
这里主要介绍句法检索和搭配词检索。
维基百科语料库的句法检索比较强大,像ADJ/NOUN+fund或者market+NOUN这类检索,无需逐个输入确切的词组,只用一次性输入,仅需几秒钟时间,这是一般的语料库系统无法做到的。
在查询界面(SEARCH)可找到搭配词(COLLOCATES)按钮。查询搭配词时需要在两个选择框中设置左右位置的范围。两个选择框中的左框表示搭配词在目标字词左边(L)出现的最远位置,右框(R)则相反,默认情况下均为前后4个词的距离范围。如果想查询market后面常接哪些名词,可以在查询框中输入字符串“market”,然后点击词性下拉菜单(POS),选择“noun.ALL”。如果想查询哪些名词附近常用wear,或laughter附近常用哪些动词,可以输入“[wear]+a NOUN”或“VERB+his laughter”。如果想查询动词后面接介词of并且该结构位于句尾的情况,可以在查询框中键入查询表达式of.(of后面加一个空格,再加一个英文句号),POS框选择verb.ALL,COLLOCATES框选择1L和0R,就可以查到think、heard、know、made、speak、dreamed、rid等动词形式(刘喜琴,2013)。 (责任编辑:论文发表网)转贴于八度论文发表网: http://www.8dulw.com(论文网__代写代发论文_论文发表_毕业论文_免费论文范文网_论文格式_广东论文网_广州论文网)

发表评论
本站模板均经测试成功,请放心下载,遇到任何问题或者需要购买付费论文请联系本站。
表情:
验证码:点击我更换图片