语料库的创建与应用.pptx

语料库的创建与应用 管新潮 上海交通大学外国语学院 2016-11-23 1）语料库类型 2）语料选取原则与操作标准 3）语料库规模 4）语料句对齐标准 5）语料库的制作 6）数据挖掘 7）翻译教学 8）翻译研究 9）语料的版权 10）语料的质量 11）语料库与翻译创造力 12）语料库的应用 1）语料库类型 平行语料库：源语文本+目的语文本 双语平行语料库：英语+汉语或德语+汉语 多语平行语料库：两种以上语言 双向平行语料库：英汉+汉英 单向平行语料库：英汉或汉英 1）语料库类型 可比语料库：语料具有可比性 单语可比语料库：翻译文本+原创文本（政府工作报告英文版+美国国情咨文） 双语可比语料库：无翻译关系的双语文本（德国有限责任公司法和中华人民共和国公司法——术语） 语料可比性 1）语料库类型 翻译语料库：翻译文本 口语语料库：标注？（蒙特雷） 2）语料选取原则与操作标准 代表性或影响力原则 可及性原则 时间原则（胡开宝，2011：45-46） 质量原则 专业分类原则 2）语料选取原则与操作标准 ①原文与译文呈一一对应关系； ②原文应具备一定的文笔表现力； ③译文应符合所在国的阅读习惯和表述要求，同样具备一定的文笔表现力，而且该译文是经过认可的； ④按专题模块汇集语料，使语料文本具有同质性； ⑤选用具有代表性的语料文本； ⑥所选用的每一篇语料文本都是一个完整的单元。 2）语料选取原则与操作标准 例如：英汉医学平行语料库 以图书、论文、报告为主， 专业方向涉及微生物学、生物化学、解剖学、病理学、药理学、临床诊断学、内科学、外科学、妇产科学、儿科学、眼科学、耳鼻咽喉科学、口腔医学、皮肤病学、神经病学、精神病学、感染病学等。 3）语料库规模 BNC（Britisch National Corpus）：超1亿词 COCA（Corpus of Contemporary American English）：4.5亿词 DWDS（ Das Digitale Wörterbuch der deutschen Sprache ）：25亿词 3）语料库规模 北外汉英对应语料库：3000万字词 中国法律法规汉英平行语料库：2200万字词 莎士比亚戏剧英汉平行语料库：600万字词 英汉医学平行语料库：1000万字词 英汉科普平行语料库（郭鸿杰）：1000万字词 中国英汉平行语料库（王克非）：1亿字词 3）语料库规模 应用于翻译实践的语料库规模究竟要多大？ 4）语料句对齐标准 学术研究 翻译实践 句子单位 4）语料句对齐标准 英文原文与中文译文的句子对齐以一一对应为主，但也允许语句一对多或多对一等情况的存在。 一般以句号、分号、问号等为分句标记，但总有例外情形存在。这里最为重要的是，必须考虑到英文在句法逻辑上是一个完整的单元，中文语句与之相应匹配。 5）语料库的制作 WORD PDF 纸质版 其他格式 5）语料库的制作 语料的降噪处理： 公式、表格、图片 “纯”文本 5）语料库的制作 对齐工具： WinAlign ParaConc Abbyy Aligner 等等 自行开发TMX-ParaConV 5）语料库的制作 保存格式： 例如TMX，TXT 目的在于多用途 5）语料库的制作 TM库的制作： 1）Word格式（WinAlign，Abbyy Aligner） 2）Xliff格式（新建记忆库、更新记忆库等） 3）Excel格式（2007版或之前版本，2009版或之后版本）——TMX Editor 5）语料库的制作 5）语料库的制作 制作语料库的有效方式： ABBYY Aligner + 自编软件 + ParaConc等 6）数据挖掘 使用英文或汉语（须经切分）单语导入WordSmith或AntConc进行词频排序 进入双语界面进行检索查询：ParaConc或Trados记忆库界面 6）数据挖掘 6）数据挖掘 专业通用词（General Words for Specific Purposes） 法律（action, award, damage） 医学（normal , management） 海洋工程（high, sea） 6）数据挖掘 Article 14 Anti-Dumping Action on Behalf of a Third Country第14条 代表第三国的反倾销诉讼（ action=law suit） He was awarded $500 damages for injury he suffered in the accident.（award非“奖励”，是“法定裁定”）（damage非“损坏”，是“赔偿金”） 6）数据挖掘 Liver function tests gave normal results.肝功能检验均无异常发