《《“兰卡斯特汉语语料库”介绍》》.doc

“兰卡斯特汉语语料库”介绍 许家金 （北京外国语大学 中国外语教育研究中，北京 100089，北京） 提要：本文介绍“兰卡斯特汉语语料库”（简称LCMC）的取样方案、文本构成、标注体系和应用方面的概况。该语料库是依照英国英语语料库FLOB的取样方案和规模创建的可比汉语语料库，适合开展英、汉语对比研究，同时也适合汉语研究。 关键词：汉语语料库；LCMC；对比研究 1.0 前言 “兰卡斯特汉语语料库”（The Lancaster Corpus of Mandarin Chinese，简称LCMC）系旅英学者肖忠华博士创建的现代汉语平衡语料库。该语料库严格按照FLOB（Freiburg-LOB Corpus of British English）模式编制，它的建成有助于开展基于语料库的汉语单语或汉英（英汉）双语对比研究及汉语研究。 2.0 LCMC语料库概况 LCMC语料库是一个100万词次（按每1.6个汉字对应一个英文单词折算）的现代汉语书面语通用型平衡语料库。起先建立时，它是作为英国经社研究委员会资助项目Contrasting Tense and Aspect in English and Chinese的部分成果。肖忠华最初的设想是要将其建成同FLOB和FROWN对应的现代汉语语料库。筹建这样的一个语料库的另一个动因是：尽管已经有很多汉语语料库存在，但却没有一个完全免费对公众开放的平衡的汉语语料库。 2.1 取样模式与文本收集 考虑到LCMC主要做对比研究之用，肖忠华创建语料库之初就确定了对比的对象。一方面，在短期内想要建成像BNC那样的逾亿词次的语料库并不现实。另一方面，要建立同LOB和Brown平行的语料库的问题在于很难找到1961年前后材料的电子文本。于是，最后对比目标被锁定在语料出版年份主要是1991、1992年的100万词次的FLOB上。鉴于同时还有与FLOB对应的美国英语语料库Frown的存在，LCMC建成以后也可与美国英语进行比较。最后，确定下来的方案是按FLOB的构建模式，从15个文体类型（见表1）中选取500篇2,000词左右的样本。样本的出版日期基本在1991年前后。 LCMC的筹建基本上是严格按照FLOB的取样模式进行，只在两个方面做了微调。 第一、FLOB的取样范畴中，肖忠华将FLOB中第N类样本的“西部和历险小说”改成“武侠小说”。一方面由于中国没有所谓的“西部小说”，另一方面，“武侠小说”和“西部和历险小说”从内容性质上同属一类，且在中国这一类小说中数量众多，因此有充足理由将其收入LCMC中。 表1：LCMC取样范畴表 代码 取样类型 代码 取样类型 A 新闻报道 J 学术、科技 B 社论 K 一般小说 C 新闻评论 L 侦探小说 D 宗教 M 科幻小说 E 技术、商贸 N 武侠小说 F 通俗社会生活 P 爱情小说 G 传记和杂文 R 幽默 H 其他：报告和公文等 第二、由于受到文本来源的制约，肖忠华将样本的出版年代扩大至1991年前后各两年（即1989到1993年）的跨度范围（详见表2）。他认为前后两年的幅度并不会影响整个语料的同质性。为保证取样内容的同质性，LCMC中选取的都是中国大陆的出版物。该语料库是书面语语料库，选取文本时碰到图表一般使用gap替代。为了保证所选文字是原汁原味的汉语，如果在选文中遇到较长的译文或不是1989到1992年期间的引文，也采用gap来替代，以避免翻译腔和时间跨度上的不一致。LCMC中的电子文本除了部分取自互联网，其他大部分语料取自超星图书馆（）。肖忠华将超星图书馆提供的PDG格式的电子文本经过OCR识别后转换成文本文件，由此产生的1-3%的识别错误率再加以人工校对。超星图书馆是一个巨大的数字图书馆，但少有新闻报刊，因此，LCMC中新闻文体有三分之一的内容用的是新华社新闻（取自Guo Jin编写的PH语料库）。 表2：LCMC的取样时间跨度 取样类型 1989 1990 1991 1992 1993 A —— 22.7% 72.7% 2.3% 2.3% B 7.4% 14.8% 51.9% 3.70% 22.2% C —— 5.9% 88.2% 5.9% —— D 5.9% 17.6% 41.2% 11.8% 23.5% E —— 23.7% 44.7% 10.5% 21.1% F 6.8% 25% 29.5 13.6% 25% G 1.3% 10.4% 64.9% 16.9% 6.5% H —— —— 100% —— —— J 1.2% 7.5% 72.5% 17.5% 1.3% K —— —— 79.3% 13.8% 6.9% L —— 8.3% 62.5% 16.7% 12.5% M —— ——