基于平行语料库的 跨语言知识挖掘 盛玉麒 2007-5-16

信息处理的发展与语言知识短缺 汉语本体应用研究的三个阶段： 字处理 词语处理 语句处理

相关交叉学科研究的三个领域 从人际系统到人机系统、 从母语到第二语言、 从单一语言到双/多语交互；

中文信息研究的理论发展 技术决定论 汉语特殊论 普适性规律的发现 跨语言资源共享

语言研究与语料观的转变 1．结构主义和功能主义 二十世纪语言研究形成两个大的阵营，结构主义和功能主义。 结构主义被西方学者称为“语言学主流”(mainstream linguistics)。 如果把新兴学科如社会语言学、语用学、会话分析、语篇分析等都划人功能主义(因为这些都是研究语言的各种功能的)，那么功能主义大有取代结构主义成为语言学主流之势。

语料库语言学的地位 “语料库语言学”(corpus linguistics) 一是利用语料库对语言的某个方面进行研究，也就是说“语料库语言学”不是一个新学科的名称，而仅仅反映了一个新的研究手段。 二是依据语料库所反映出来的语言事实对现行语言学理论进行批判，提出新的观点或理论。 现在是否能把语料库语言学跟社会语言学、心理语言学、语用学等相提并论，需要时间和实践。

汉语研究的语料观 举例说明 文献检索 燕京大学《引得》系列

言语语言学的语料观 世界上大约有5000到6000种语言(准确的数字要看如何界定语言跟方言的区别)，有文字的还不到一半。 母语习得 二语学得：听-说-读-写 语言差异 方言差异。 历时因素导致的语言差异

索绪尔的做法 排除差异，找出共性， (共时)语言学研究的是langue，即同质的、抽象的语言形式，而不是parole，即异质的、五花八门的言语。 结构主义研究的语言是高度独立性的抽象的符号系统。 难题：他们看得见听得着的是异质的、五花八门的言语，要研究的却是同质的抽象符号系统。 早期结构主义者(以美国Bloomfield为代表) 对异质的的言语进行调查，从中找出同质的、共性的形式结构。 贡献：在语音、音位和形态； 局限：在词组、句法层次。

乔姆斯基的做法 Chomsky提出转换生成语法理论，可以说帮助结构主义摆脱了困境。 他区分了competence(语言能力)和performance(语言使用)。 Langue是凌驾于个人、属于语言社团的抽象系统， competence是个人能生成无限言语的、根植于大脑之中的语言知识。 Chomsky把句法研究的主要任务视为找出那些能生成无限句子的有限规则。

Chomsky认为：对同一语言来说，他不需要做语言调查，强调 “语言直觉”。 语言是生理和心理现象，人们说出来的话(即实际语料)不能完全反映语言的本质。 最有力的证据就是人们能说出他们从来没有听别人说过的句子。 语料库是有限的，语言是无限的。 Chomsky理论的弱点： 一否定了语言的社会性。 二忽视语料库的作用。

功能主义的做法 功能主义(以Halliday为代表)最大的特点是强调语言的社会性，语言的使用功能为语言结构作出最终的解释。 Halliday《功能语法导论》序 (1985：Xiii)： ......千万年来一代代人使用语言才使得语言形成今天这样一个系统。语言为了满足人类的需要在发展；它的组成结构之所以是功能性的正是因为这些需求。它不是任意性的。一部功能语法本质上是一部“自然”语法，即书中所说的一切都能在语言的使用方式中找到最终的解释。

功能主义的语料观 功能主义注重语言实际使用情况，语料库是不可多得的帮手。 语料库语言学对功能主义的发展会提供很多具有相当说服力的佐证。 语言的最原始和最古老的形式 书面语料库 口语语料库

语料库语言学的基本问题 1．建立语料库 建库的目的； 语料品种； 取样标准； 规模； 人力及资金来源； 存贮方式与格式。

2．语料转写 口语语料的处理 转写成文字和计算机可读的声音符号 格式和规范。

3．语料标注 “生语料库” “熟语料库”。 把语料所具有的重要语言学信息用一组符号标注出来。 “吃饭”： 结构：“吃”+“饭”构成动宾结构； 功能：做谓语； 条件：主语是有生命的，…… 标注得越是详细，研究者从中能得到的信息也就越大。

4．管理与应用软件 检索 更新 排序 重组 转存 ……

5．语言研究 语言单位的专题研究 专项研究 词典学研究 句法学研究。

四、语料库的应用 1、辞书编撰： 1）大型语料库 2）代表性 3）分析工具。

●用法即意义； ●根据词频编制常用词表； ●根据非语言要素的联结(如语域、历史阶段与方言等)，了解和判断不同类型语言的用语特征； ●确定词项的搭配及分布； ●确定某词的义项及用法的分布。 ●确定同义词的使用与分布 ●了解语境对词义选择、搭配与语域的关系。

2、语法研究 各种语言结构的频率分布； 语法结构与语言的其它层次间的关系， 语言因素与非语言因素之间的关系； 解释讲话者选择一定语言形式的原因； 用实证的方法对语法资源的各种使用模式做出定量定性的分析。

3、词汇与语法的联结 词汇与其语法环境之间的关系； 语法结构与相关词汇环境间的关系； 区分同义词或近义词； 区分同义或近义的语法结构。

4、语篇分析 精确地描写所选语域的语篇特征； 文本符合其语域的一般语篇模式的程度； 用程序(与拼写检查器相似)分析语篇特征； 用自动分析器检索整个文本中某些语法特征。

5、语言变异研究 语域变异 语域间定量的变异可在功能上得到解释； 从句在口语和书面语语域中频率与分布差异； 不同学科的文本之间语言变异的模式的差异； 同一文本中，不同章节的语言特征变化； 进行定性分析，解释语言模式的功能。

6、语言习得与发展研究 儿童语言习得研究； 小学生母语能力的发展; 不同年级的小学生使用情况； 小学生与成人语言比较研究。

7．语言历时研究 历时语料库 不同语域的静态动词和准静态动词的使用； 口语与书面语语域中语言模式的变异； 男性与女性私人信件中的特征； 对照各个历史时期中小说文本，调查某些词语的历时变化。

8．语言风格研究 根据大量的有关文本、语域种类、历史时期与语言特征，可以为描述文本与作者的风格提供一种可靠的分析框架。 整本小说或一个作家的所有作品， 并行比较或历时比较， 一个作家不同类型作品的比较。

9．服务于语言教学 1）分析大量语料，改进课程设计。 2）了解语言使用模式，开发语言教学资料，优化教材编写。 3）改进课堂教学活动。

10．服务于信息处理 搭配与共现 歧义选择 模糊判断 定量分析 频度动态优化 专家系统

谢谢！