小型英漢平行語(yǔ)料庫(kù)的建設(shè)研究與應(yīng)用

周影

（北方民族大學(xué)，銀川 750021）

1 語(yǔ)料庫(kù)介紹

1.1 語(yǔ)料庫(kù)的分類

語(yǔ)料庫(kù)的英文為corpus，從字面上的意思講，即收集語(yǔ)料的倉(cāng)庫(kù)。早期的語(yǔ)料庫(kù)規(guī)模較小，隨著計(jì)算機(jī)技術(shù)的發(fā)展和語(yǔ)言詞匯數(shù)量的增加，其發(fā)展規(guī)模越來(lái)越大，類型也變得更加多樣化，常見(jiàn)的語(yǔ)料庫(kù)分為單語(yǔ)語(yǔ)料庫(kù)和雙語(yǔ)/多語(yǔ)語(yǔ)料庫(kù)。單語(yǔ)語(yǔ)料庫(kù)是目前開(kāi)發(fā)和使用最多的語(yǔ)料庫(kù)，它僅收集一種語(yǔ)言的語(yǔ)料。雙語(yǔ)/多語(yǔ)語(yǔ)料庫(kù)是指由兩種或兩種以上語(yǔ)言的文本構(gòu)成的語(yǔ)料庫(kù)。平行語(yǔ)料庫(kù)是指由原文文本及其平行對(duì)應(yīng)的譯語(yǔ)文本構(gòu)成的雙語(yǔ)語(yǔ)料庫(kù)，其雙語(yǔ)對(duì)應(yīng)程度有詞級(jí)、句級(jí)和段級(jí)幾種。

1.2 語(yǔ)料庫(kù)研究現(xiàn)狀

20世紀(jì)60年代初，第一代現(xiàn)代計(jì)算機(jī)語(yǔ)料庫(kù)LOB(1961)和BROWN(1961)建成。人們對(duì)語(yǔ)料庫(kù)的研制興趣日益濃厚，后隨著計(jì)算機(jī)技術(shù)的飛速發(fā)展，語(yǔ)料庫(kù)研究也得到迅速發(fā)展。在雙語(yǔ)對(duì)應(yīng)語(yǔ)料庫(kù)的對(duì)象語(yǔ)言上，從一開(kāi)始的僅側(cè)重于英語(yǔ)，發(fā)展到現(xiàn)在的幾乎覆蓋世界上所有主要語(yǔ)言，其所涉語(yǔ)種達(dá)20種之多。目前，國(guó)內(nèi)外建立了許許多多規(guī)模迥異、語(yǔ)種多樣的平行語(yǔ)料庫(kù)，如北京外國(guó)語(yǔ)大學(xué)北京日本學(xué)研究中心研制的中日對(duì)譯語(yǔ)料庫(kù)；北京大學(xué)計(jì)算語(yǔ)言學(xué)研究所開(kāi)發(fā)的主要應(yīng)用于新聞的、機(jī)助翻譯類的雙語(yǔ)平行語(yǔ)料庫(kù)；Johansson等人在挪威奧斯陸大學(xué)建立的英語(yǔ)和挪威語(yǔ)雙語(yǔ)對(duì)應(yīng)語(yǔ)料庫(kù)等。國(guó)內(nèi)平行語(yǔ)料庫(kù)起步較晚，但發(fā)展很快。北京外國(guó)語(yǔ)大學(xué)中國(guó)外語(yǔ)教育研究中心王克非主持和研制的北外“通用漢英對(duì)應(yīng)語(yǔ)料庫(kù)”是目前世界上最大的雙語(yǔ)語(yǔ)料庫(kù)，容量為3000萬(wàn)字詞，并在進(jìn)一步建設(shè)中。(王克菲，2004)

2 語(yǔ)料庫(kù)的建設(shè)

2.1 語(yǔ)料的選取與處理

獲得英漢對(duì)照的原語(yǔ)料的方法有很多種。本文主要講解的語(yǔ)料的獲取方法為直接從網(wǎng)上下載流行的美劇和美國(guó)電影的字幕。下載美劇字幕作為原語(yǔ)料有兩點(diǎn)好處，第一，研究人員可以直接從網(wǎng)上獲取大量英漢對(duì)照語(yǔ)料，無(wú)需到處搜集，更無(wú)需手動(dòng)敲打到電腦上；第二，下載近幾年的美劇字幕作為原語(yǔ)料能幫助人們了解近幾年美語(yǔ)的使用習(xí)慣和流行用語(yǔ)的使用，畢竟，語(yǔ)言在不斷的變化，例如，“how are you”“I am fine thank you，and you”這種對(duì)話不再常見(jiàn)[1]。

下載好的語(yǔ)料需要進(jìn)行去噪處理。本文處理語(yǔ)料使用的軟件為emeditor。該軟件功能強(qiáng)大、簡(jiǎn)單好用、支持多種配置。首先，打開(kāi)原語(yǔ)料文檔，去除時(shí)間軸和一些無(wú)關(guān)緊要的內(nèi)容，只留下漢英語(yǔ)料以及譯者和語(yǔ)料來(lái)源（注意：去除時(shí)間軸可用ALT鍵進(jìn)行豎排文本選擇然后右鍵刪除，去噪時(shí)不能更改語(yǔ)料內(nèi)容，要保持原有語(yǔ)料翻譯風(fēng)格）。去噪完成后，將漢英進(jìn)行分開(kāi)處理。以提取英語(yǔ)語(yǔ)料為例，使用漢語(yǔ)通配符[一-龥](méi)，利用查找替換去除全部漢語(yǔ)語(yǔ)料，并將漢語(yǔ)語(yǔ)料中殘留的阿拉伯?dāng)?shù)字、漢語(yǔ)標(biāo)點(diǎn)和多余的空格全部刪除，留下英語(yǔ)語(yǔ)料即可。提取漢語(yǔ)語(yǔ)料時(shí)，方法與提取英語(yǔ)語(yǔ)料相同，英語(yǔ)的通配符為[a-zA-Z]。將英語(yǔ)語(yǔ)料去除后，要人工為漢語(yǔ)語(yǔ)料添加標(biāo)點(diǎn)，因?yàn)樵Z(yǔ)料中沒(méi)有漢語(yǔ)標(biāo)點(diǎn)（注意：添加標(biāo)點(diǎn)時(shí)要與相對(duì)應(yīng)的英語(yǔ)標(biāo)點(diǎn)保持一致）[2]。

2.2 語(yǔ)料的標(biāo)注

本文介紹使用的標(biāo)注應(yīng)用程序?yàn)闈h語(yǔ)詞性標(biāo)注工具。該應(yīng)用程序操作簡(jiǎn)單、還可批量處理文件。將處理好的漢語(yǔ)語(yǔ)料保存在一個(gè)文件夾中，加載該文件夾，選擇要處理的文件，點(diǎn)擊開(kāi)始切分標(biāo)注，即可得到標(biāo)注好詞性的漢語(yǔ)語(yǔ)料。對(duì)英語(yǔ)進(jìn)行標(biāo)注處理，使用的應(yīng)用程序?yàn)門(mén)agAnt。該應(yīng)用程序操作簡(jiǎn)便，但不可批量處理，一次只能處理一個(gè)文檔且只能處理utf-8格式的文檔。點(diǎn)擊input files選擇要處理的英語(yǔ)語(yǔ)料，點(diǎn)擊start即可得到標(biāo)注好詞性的英語(yǔ)語(yǔ)料。標(biāo)注好詞性后的語(yǔ)料，還需用emeditor做分句處理。打開(kāi)語(yǔ)料，在每個(gè)句號(hào)、問(wèn)號(hào)和嘆號(hào)的句子后面加上＜/seg＞ ＜seg＞，英漢語(yǔ)料處理方法相同，此處可利用查找替換操作。（注意：查找替換時(shí)要勾選“使用正則表達(dá)式”）

2.3 語(yǔ)料的平行匹配

本文介紹使用的匹配軟件為paraconc。在平行匹配時(shí)，只能上下調(diào)動(dòng)語(yǔ)料位置，不能更改語(yǔ)料內(nèi)容，所以在匹配之前，要確保英漢語(yǔ)料在內(nèi)容上沒(méi)有問(wèn)題。首先，點(diǎn)擊file里的load corpus file加載英漢語(yǔ)料，因?yàn)楸疚闹饕v解的是英漢雙語(yǔ)平行語(yǔ)料庫(kù)，所以在parallel texts處選擇2，在語(yǔ)言處選擇漢語(yǔ)和美語(yǔ)并在對(duì)應(yīng)的框里分別加載相應(yīng)的漢英語(yǔ)料，點(diǎn)擊OK即可。然后，點(diǎn)擊file里的view corpus alignment，選擇Alignment即可查看語(yǔ)料。因?yàn)榇蟛糠值恼Z(yǔ)料都不是對(duì)齊的，所以需要研究者手動(dòng)調(diào)節(jié)，可單擊右鍵選擇merge with next segment或merge with previous segment將此行語(yǔ)料與下一行或上一行語(yǔ)料合并；還可選擇split segment將此行語(yǔ)料調(diào)至下一行；當(dāng)操作錯(cuò)誤時(shí)，可選擇undo撤銷上一行為。

保存語(yǔ)料有兩種方法。①點(diǎn)擊file里的save workspace as，然后命名好并保存到相應(yīng)位置，再次操作時(shí)打開(kāi)該workspace即可，但該workspace不能移動(dòng)位置，更改路徑將無(wú)法打開(kāi)；②點(diǎn)擊file里的export corpus files，命名并選擇保存到相應(yīng)位置，在alignment style處選擇tags，然后點(diǎn)擊OK即可。應(yīng)用時(shí)按照匹配的第一步驟分別加載該漢英文檔。使用此保存方法在移動(dòng)語(yǔ)料位置時(shí)，對(duì)該語(yǔ)料無(wú)影響。

3 語(yǔ)料庫(kù)的應(yīng)用

Paraconc具有檢索動(dòng)能，點(diǎn)擊search，在彈出的搜索框內(nèi)輸入需要搜索的詞匯即可。輸入漢語(yǔ)關(guān)鍵詞時(shí)，可得到大量相對(duì)應(yīng)的英語(yǔ)的相關(guān)表達(dá)。相比于英漢詞典，語(yǔ)料庫(kù)內(nèi)容更為豐富，而且有相應(yīng)語(yǔ)境，語(yǔ)料更新鮮、地道，這些內(nèi)容是無(wú)法從詞典里搜索到的。輸入英語(yǔ)關(guān)鍵詞時(shí)，可得到大量詞匯搭配、構(gòu)詞法、地道的美語(yǔ)例句等。英語(yǔ)愛(ài)好者可利用英漢平行語(yǔ)料庫(kù)學(xué)習(xí)地道美語(yǔ)，通過(guò)其檢索功能，學(xué)習(xí)新鮮英語(yǔ)詞匯，了解相同詞匯在不同語(yǔ)境下的用法，以及學(xué)習(xí)最正宗的美語(yǔ)表達(dá)，練就一口地道美語(yǔ)口語(yǔ)，避開(kāi)中式英語(yǔ)的影響。

語(yǔ)料庫(kù)中包含大量真實(shí)的語(yǔ)言材料及其譯文，翻譯工作者可通過(guò)譯者的不同翻譯風(fēng)格對(duì)比分析，來(lái)掌握規(guī)律，從而提高自身翻譯水平；英漢語(yǔ)言對(duì)比研究人員可對(duì)建成的語(yǔ)料庫(kù)進(jìn)行詞匯檢索，來(lái)得到大量檢索詞的常見(jiàn)搭配形式及其譯文，可幫助研究人員更好地開(kāi)展語(yǔ)言對(duì)比研究；詞匯學(xué)家和語(yǔ)法學(xué)家可利用語(yǔ)料庫(kù)進(jìn)行詞典編纂工作和歸納總結(jié)語(yǔ)法。

英語(yǔ)教師可利用語(yǔ)料庫(kù)中的資源，為學(xué)生提供優(yōu)秀的翻譯文本，讓學(xué)生平行比較源語(yǔ)言和譯入語(yǔ)，幫助學(xué)生認(rèn)識(shí)二者的關(guān)系。此外，英語(yǔ)和漢語(yǔ)分屬于兩個(gè)不同語(yǔ)系，它們中的大部分詞語(yǔ)都不是一一對(duì)應(yīng)的，一種句型的翻譯方式也不是單一的，學(xué)生無(wú)法簡(jiǎn)單地從教材上或詞典中學(xué)習(xí)到這些，教師可以利用平行語(yǔ)料庫(kù)，讓學(xué)生獲得感性認(rèn)識(shí)。語(yǔ)料庫(kù)中的真實(shí)語(yǔ)料可為學(xué)生提供豐富的知識(shí)來(lái)源，還可作為學(xué)生的語(yǔ)言能力訓(xùn)練的測(cè)試的平臺(tái)，可有效提高學(xué)生的翻譯能力和外語(yǔ)知識(shí)水平。

4 結(jié)語(yǔ)

英漢平行語(yǔ)料庫(kù)的建成可為翻譯人員、語(yǔ)料庫(kù)研究人員、英語(yǔ)語(yǔ)言學(xué)習(xí)者以及英漢語(yǔ)言對(duì)比分析學(xué)家等提供大量的重要的語(yǔ)言材料，我國(guó)從研究建庫(kù)開(kāi)始到現(xiàn)在，已能夠建設(shè)并建成雙語(yǔ)或多語(yǔ)語(yǔ)料庫(kù)，為很多領(lǐng)域提供了重要的信息來(lái)源。但語(yǔ)料庫(kù)的發(fā)展還有許多不足之處，由于語(yǔ)料庫(kù)相關(guān)軟件的稀缺，大型英漢語(yǔ)料庫(kù)的建設(shè)，從最開(kāi)始的語(yǔ)料處理操作到最后的平行匹配都需要花費(fèi)大量的人力物力。平行語(yǔ)料庫(kù)的建設(shè)與應(yīng)用還有很大的發(fā)展空間，等待各位語(yǔ)料庫(kù)愛(ài)好者去挖掘與應(yīng)用。