【NLP】语料库和词汇知识库

语料库(corpus)

语料库(corpus)就是存放语言材料的仓库(语言数据库)，基于语料库进行语言学研究–语料库语言学(corpus linguistics)。

语料库语言学研究的内容

1. 语料库的建设与编纂
2. 语料库的加工和管理技术
3. 语料库的使用

语料库的类型

平衡语料库

1. 平衡语料库着重考虑语料的代表性与平衡性。
2. 语料采集的七项原则:语料的真实性、可靠性、科学性、代表性、权威性、分布性和流通性。其中，语料的分布性还要考虑语料的科学领域分布、地域分布、时间分布和语体分布等。

平行语料库

两种含义：一种是指在同一种语言的语料上的平行，例如，“国际英语语料库”，共有20个平行的子语料库，分别来自以英语为母语或官方语言和主要语言的国家，如英国、美国、加拿大、澳大利亚、新西兰等。其平行性表现为语料选取的时间、对象、比例、文本数、文本长度等几乎是一致的。建库的目的是对不同国家的英语进行对比研究。

共时语料库与历时语料库

共时语料库是为了对语言进行共时(同一时段)研究而建立的语料库。研究大树的横断面所见的细胞和细胞关系，即研究一个共时平面中的元素与元素的关系。

历时语料库是为了对语言进行历时研究而建立的语料库。研究大树的纵剖面所见的每个细胞和细胞关系的演变，即研究一个历时切面中元素与元素关系的演化。

词汇知识库

知识库是以描述性方法来存储和管理知识的机构，由知识和知识处理机构行成一个知识域 

1.WordNet

开发目的：解决词典中同义信息的组织问题

2.知网(HowNet)

3.概念层次网络(HNC)

研究从自然语言空间到语言概念空间的映射：

1. 建立语言概念空间的概念基元符号体系；
2. 建立语言概念空间的语句基元符号体系。

什么是熟语料库?什么是生语料库?

熟语料库指在自然语言单位上添加人工的标签标注，如经过分词、词性标注、命名实体识别、依存句法标注形成的语料。

生语料库指直接收集而未经加工形成的语言资源集，如常见的微博语料，新闻语料等。