贺 敏 张春明

(上海外语教育出版社 上海 200083)

上海外语教育出版社(以下简称“外教社”)承担的上海市科委课题“双语词典编纂系统的研发”是上海市政府扶持辞书编纂出版数字化的重大科研项目，该课题的总体目标是开发一个基于语料库的数字化双语词典编纂出版系统，其子课题之一就是构建一个服务于双语词典编纂、经过深加工的、通用共时并在句子层面对齐的英汉双语书面语语料库。该语料库以英语为原语、以汉语为译语，以XML(extensible Markup Language)为标注语言，对英语原文语料的标注做到分词(tokenization)、主词标注(lemmatization)及词性赋码(part of speech tagging)，对汉语译文语料的标注做到分词及词性赋码。基于该语料库，词典编纂者及词典用户可以通过在线检索平台提取有效的词典例证，统计具体词语的词频信息，了解词汇的分布情况，获得具体词语或结构的用法信息(包括语义、语法、搭配等方面)。经过三年多的建设，该语料库一期工程已建成收录68万英汉双语平行句对的语料库，总字数达5455万。本文将综述该语料库的设计和构建过程，内容涉及语料的采集、加工、标注、检索等方面。

一、语料库前期设计

课题研究开始时，外教社课题组与各合作单位进行了较为广泛的调查工作，并以此为基础制订了详细的语料库建设实施方案，确定语料库设计阶段的主要任务为:(1)确定标注语言;(2)确立语料选取的原则及语料来源;(3)制订语料储存方案与各项工作流程;(4)编制语料库技术开发需求规约。……