中医英语语料库建设初探

随着语料库发展到第三代,专门用途语料库已经成为一个新的重要方面。作为传统医学走向世界的重要平台,中医英语语料库的建立要从语料库的基本定义入手,厘清其定义、相关概念、进行初步的规划和设计以及解决相关技术问题。本文就是针对这系列问题开展研究,结论是中医英语语料库的建立不仅可行而且能为该领域的研究作出重要贡献。     

基于组块分析的路径自然语言语义角色标注方法

为了进行路径自然语言研究,首先设计了路径自然语言收集方案,主要面向室内环境收集了一定的路径自然语言语料,通过手工标注建立了一个小型的语料库.其次,对路径自然语言的特征进行了一定的分析,在此基础上概括了几种常见的语义角色,主要包括关于landmark和方位转换的语义角色.路径自然语言本身具有高度规律性,语义角色相对集中,因此语义分析采用了基于组块分析的语义角色标注方法,将语义分析问题转化为序列信号的切分和分类问题.最后,利用支持向量机进行了相关的组块标注实验.实验结果表明提出的方法具有较大的潜力.     

基于语料库的同义词辨析新探

基于语料库的搭配和语义韵研究为英语同义词辨析提供一个新的研究视角.文章在搭配理论和语义韵理论框架下,分析了gain和obtain在FROWN语料库中的搭配形式和语义韵特征,并探讨了搭配和语义韵研究对同义词辨析的作用.研究发现:(1)词语的搭配关系是人类认知的反映,语义韵是认知规律性的体现;(2)搭配是词义引申的一个重要...     

基于语料库的同义词辨析教学

基于英语语料库进行的同义词辨析教学,不仅可以通过检索统计观察到同义词在不同语境中的分布差异,还可以发现它们各自不同的典型类联接行为和典型搭配词.另外,通过对搭配词的量化分析,可以揭示同义词在语义韵上的差异.     

Harbor表示“持有…特殊思想或感情”时语义韵分析

本文运用语料库语言学词语搭配研究的方法,分别以当代美国英语语料库BROWN和当代英国英语语料库LOB,以及交大科技英语语料库JDEST为基础,利用MCONCORS）软件,将三个语料库中所出现的harbor在表示“持有或抱有（某种特殊的思想或感情）”的义项时,其搭配词的语义倾向进行分析：结果显示：词项harbor在表示“持有特殊思想或感情”时,虽然我们在LOB当代英国英语语料库没有检索出合有此义项的检索项,但在BROWN和JDEST中,其搭配词偶尔有积极语义倾向,但绝大多数情况下具有明显的消极语义倾向。由此我们推断．对英关本族语者来说．harbor在表示上述义项时．是一个具有混合语义韵的词项．但绝大多数情况显示是带有明显消极语义特征的。     

BNC与CLEC中英语动词语义韵之特征分析

语义韵为教育工作者提供了一个崭新而独特的视角来研究英语学习者的词语搭配行为,对提高学习者的英语水平起着积极的作用。本研究基于中国学习者英语语料库CLEC和英国国家语料库BNC,调查分析了学习者和本族语者的动词BRING ABOUT的语义韵特征。通过对比发现,中国学生中该动词的语义韵呈现出消极语义韵特征,与本族语者的错综语义韵存在显著差异。同时,还对本族语者中近义词BRING ABOUT和CAUSE的语义韵特征作了对比,发现它们的语义韵也存在差异。     

基于Ontology的Web语料的挖掘

针对传统英语语料库的缺陷,提出了对英语语料建立本体的新型语料库,并对基于Ontology在Web上挖掘英语语料做出了详细的阐述.对在Web上进行语料挖掘的几个关键技术作了不同程度的说明,并对此语料挖掘系统做出了评价.     

基于语料库的大学英语阅读材料生词率探测技术

英语阅读是英语语言教学的核心内容之一,对于阅读材料的难度调控、定级分类是英语教学中必须面对的问题。本文以大学英语阅读为例,介绍了一种阅读材料生词率探测技术:通过利用多个语料库作为数据支撑,构建囊括中学英语词汇和大学英语四六级词汇的参照词汇语料库,采用语料库软件及相关功能构建基于阅读材料的目标词汇语料库,最后将目标词汇语料库与参照词汇语料库对比,从而探测出大学英语阅读材料的生词率。     

一个基于语义万维网的应用平台

为了对语义万维网程序提供支持，构建了一个基于语义万维网应用的平台(SWAP)。介绍了SWAP的存储模型，包括对文本文件的支持、数据库的设计和构建；描述了中间层的应用程序接口的设计，举例阐述了存储模型与核心数据结构的转换，并简单介绍了建立在此基础上的语义知识编辑环境这一特殊应用，SWAP系统为语义万维网程序的开发和运行提供了一个完整的平台。     

基于本体的服装领域语义web检索方法

针对服装电子商务领域用户的语义查询需求,依据国内外相关标准,建立了服装分类本体模型.在此基础上给出了语义web检索系统框架,设计并实现了查询信息的语义检索,包括同义词检索、实例查询、细化查询、联想查询、智能推理等功能.实验表明,基于本体的语义检索系统具有较好的查全率和查准率,实现智能查询.     

中国英语学习者写作中"Actually"的使用情况

本文主要是研究话语标记语"actually"的语义和句法特征,然后着重的描述和分析这个标记语是如何被中国英语学习者即把英语当作第二语言的学生所使用的.此次研究的语料库材料是中国英语学习者写作语料库,大概有一百万个单词的容量.     

扩展主题图本体融合策略与算法

针对分布式建立与存储的领域本体主题图在融合过程中的语义与结构重复问题以及冗余信息的判断与消除问题,提出了基于语义词典与语料库相结合的主题图融合算法(TMMC),给出了概念相似度计算以及同义关系、整体部分关系等的处理方法.对本体中概念进行基于HowNet语义词典及其他语义词典的多层次相似度计算,定义概念间不同语义关系的融合规则,针对专业领域本体中大量术语词典未收录的问题,提出基于语料库的概念相似度算法,并对计算机教育专业领域扩展主题图进行了融合实验.实验结果表明,TMMC提高了融合的准确率与查全率.     

语料库驱动的happen一词的语义韵对比研究

基于语料库数据支持的词语搭配研究是语料库语言学研究的重要内容，该研究分别以中国学习者语料库（CLEC）和英国国家语料库（BNC）的一部分为基础，利用CONCAPP3．0和Win Concord分析软件，对两个语料库中出现的happen搭配词的语义倾向进行对比分析。重点分析了与happen共现频率在前5位，相互信息值大于3的搭配词。结果显示，中国英语学习者和本族语在使用happen时，其语义韵有明显的差异。     

基于语料库的美国英语认知语义的变化研究

美国英语词汇的语义从19世纪到21世纪经历了很多的发展和变化。本文通过使用语料库的研究方法,从美国当代英语语料库和美国历史英语语料库中提取文本语料,对美国英语词汇语义变化进行共时和历时的研究,从"一词多义"和"一义多形"的角度,结合语言中的社会、历史维度来揭示美国英语词汇语义变化的特征,并从认知语义学的视角对这些变化产生的原因进行定性的分析。     

基于关联规则挖掘的汉语语义搭配规则获取方法

针对自然语言处理系统在短语分析时的词汇排歧和结构排歧需要,本文提出了一种基于语料库的汉语短语语义搭配规则自动获取方法.该方法以《知网》为语义知识资源,在标注了句法语义信息的汉语短语熟语料库基础上,先采用数据挖掘中元规则制导的交叉层关联规则挖掘方法,自动发现汉语短语的语义搭配规律,再根据统计结果自动优选后生成语义搭配规则库.实验结果表明该方法是切实可行的.运用该方法自动获取的语义搭配规则具有较好的排歧效果.     

医学语篇常见搭配框的语义序列分析

基于Hunston的语义序列分析理论,以上海交大科技英语语料库(JDEST)的医学语料库为源库,对英语医学语篇常见搭配框the*of,a*of和be*to的前后搭配词、中间搭配词进行归类分析,发现医学语篇搭配框的搭配词多涉及医学治疗、诊断、药物使用、医学研究过程、作用、评价等医疗过程和医学研究的词汇,搭配框架的语义是有规律可循的,更是受体裁影响的。英语学习者可以不同的语义序列区分不同的语类特征,以便于掌握医学语篇的语义特点和语篇特征。     

语义韵在大学英语词汇教学中的应用

在大学英语的学习中,词汇学习占有十分重要的地位。随着语料库语言学的蓬勃发展,语义韵现象已得到了越来越多的关注,基于语料库的语义韵研究为词汇研究提供了新的思路,并且对学习者中介语、二语习得等也有重要的指导意义。本文尝试将语义韵与词汇搭配学习相结合,以期通过这种方法能够改进教师的教学方法,提高学生的自主学习能力。     

基于语料库的大学英语阅读资源建设

首先结合当前大学英语教学改革发展趋势,探讨了大学英语阅读资源建设的基本原则,并将语料库原理、方法、工具及常用在线语料库分析检索系统应用于大学英语阅读资源建设.对大数据阅读资源进行主题语义分析、易读性分级和专门用途归类,以便搜集阅读语料并为其贴上相应主题、分级和分类标签,构建英语阅读资源,有利于实现大学英语个性化自主阅读,提高英语教学的效果.     

蒙古语语音合成语料库标注规则的设计

在蒙古语语音合成系统中,语料库的好坏会直接影响语音合成的效果.因此,语料库标注规则的设计对语音合成工作具有重要意义.提出了一种新的蒙古语语音合成语料库的标注规则,并用按此规则标注的蒙古语语料库进行了基于隐马尔科夫模型的蒙古语语音合成实验,合成效果达到了预期目标,说明我们提出的标注规则是合理可靠的.     

潜在语义分析的英汉口译语料库挖掘

分析潜在语义分析的理论基础,结合英汉口译语料库的相关特点,提出了基于潜在语义分析的口译语料相似度的度量方法.基于PACCEL英汉口译语料库的实验表明,该方法的检索精度为0.79,召回率为0.59,F1为0.68,检索时间为1.124 s,在检索精度、召回率、F1值以及时间效率上均显著优于实验的参照方法.该方法能为用户提供更有效的检索推荐以及在扩展语料库时自动探析语料库存在的数据冗余,为语料库的构建和扩展提供了有效指导.