个性化虚拟语料库及其应用

         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)