語料庫檢視原始碼討論檢視歷史
| 語料庫 |
語料庫指經科學取樣和加工的大規模電子文本庫，其中存放的是在語言的實際使用中真實出現過的語言材料。
簡介
語料庫是語料庫語言學研究的基礎資源，也是經驗主義語言研究方法的主要資源。應用於詞典編纂，語言教學，傳統語言研究，自然語言處理中基於統計或實例的研究等方面。語料庫有多種類型，確定類型的主要依據是它的研究目的和用途，這一點往往能夠在語料採集的原則和方式上有所體現。有人曾經把語料庫分成四種類型：⑴異質的（Heterogeneous）：沒有特定的語料收集原則，廣泛收集並原樣存儲各種語料；⑵同質的（Homogeneous）：只收集同一類內容的語料；⑶系統的（Systematic）：根據預先確定的原則和比例收集語料，使語料具有平衡性和系統性，能夠代表某一範圍內的語言事實；⑷專用的（Specialized）：只收集用於某一特定用途的語料。
評價
除此之外，按照語料的語種，語料庫也可以分成單語的（Monolingual）、雙語的（Bilingual）和多語的（Multilingual）。按照語料的採集單位，語料庫又可以分為語篇的、語句的、短語的。雙語和多語語料庫按照語料的組織形式，還可以分為平行（對齊）語料庫和比較語料庫，前者的語料構成譯文關係，多用於機器翻譯、雙語詞典編撰等應用領域，後者將表述同樣內容的不同語言文本收集到一起，多用於語言對比研究。已經累積了大量各種類型的語料庫，如：葡萄牙語料庫、面向文本分類研究的中英文新聞分類語料庫、路透社文本分類訓練語料庫、中文文本分類語料庫、大開放字幕庫OpenSubtitles的多語言平行語料數據（OpenSubtitles Corpus）、《聖經》雙語語料庫（"Bible" bilingual corpus）、Short messages service(SMS) corpus（短消息服務（SMS）語料）等。[1]