语料库
语料库一词在语言学上意指大量的文本，通常经过整理，具有既定格式与标记，可用于人工智能的基础训练。根据语料库的特征，可以分为单语语料库、双语语料库、平行语料库等；根据语料的来源，可以分为书面语语料库、口语语料库、作文语料库、学习者语料库、古文书语料库等。[1]语料库被广泛运用在语言研究、外语教学科研与实践、翻译研究、历史与人文学研究等领域，随着人工智能的发展，语料库也成为了人工智能研究的重要工具[2]。
语种
[编辑]多语
[编辑]- 点通多语言语音语料库
- 宾州大学语料库（页面存档备份，存于互联网档案馆）
- Wikipedia XML 语料库
- 绍兴文理学院--中国汉英平行语料大世界 （页面存档备份，存于互联网档案馆） 中英平行文本双语语料库
英语
[编辑]- https://www.english-corpora.org （页面存档备份，存于互联网档案馆）
- The Collins Corpus （页面存档备份，存于互联网档案馆）
- Collin's Cobuild Project - 成果：Collin's当代英语辞典、及当代英语文法。
- Corpus of Political Speeches （页面存档备份，存于互联网档案馆）（香港浸会大学图书馆 （页面存档备份，存于互联网档案馆）提供）
汉语
[编辑]- LIVAC汉语共时语料库 （页面存档备份，存于互联网档案馆）
- 兰开斯特大学汉语平衡语料库 （页面存档备份，存于互联网档案馆）
- 兰开斯特-洛杉矶汉语口语语料库 （页面存档备份，存于互联网档案馆）
- 政治人物演讲语料库 （页面存档备份，存于互联网档案馆）（香港浸会大学图书馆 （页面存档备份，存于互联网档案馆）提供）
繁体中文
[编辑]- 台湾华语文语料库 （页面存档备份，存于互联网档案馆）
- 中央研究院汉语平衡语料库 （页面存档备份，存于互联网档案馆）
- 台湾台语语料库
- 中华民国客家委员会台湾客语语料库 （页面存档备份，存于互联网档案馆）
简体中文
[编辑]日语
[编辑]- 现代日语书面语均衡语料库BCCWJ （页面存档备份，存于互联网档案馆）
- 日语口语词汇语料库CSJ （页面存档备份，存于互联网档案馆）
- 筑波网络语料库TWC （页面存档备份，存于互联网档案馆）
研究机构
[编辑]外部链接
[编辑]- Free, web-based corpora (45-425 million words each): American (COCA, COHA, TIME), British (BNC), Spanish, Portuguese（页面存档备份，存于互联网档案馆）
- 开放目录项目中的“Computational Linguistics”
- ACL SIGLEX Resource Links: Text Corpora
- The Leipzig Glossing Rules（页面存档备份，存于互联网档案馆）: Conventions for interlinear morpheme-by-morpheme glosses
- Developing Linguistic Corpora: a Guide to Good PracticeArchive.today的存档，存档日期2012-12-22
- An interface for querying automatically-constructed virtual corpora[失效链接].
- TEP: Tehran English-Persian Parallel Corpus.
- [1] Building synchronous parallel corpora of the languages taught at the Faculty of Arts of Charles University.
- TS Corpus - A Turkish Corpus freely available for academic research.（页面存档备份，存于互联网档案馆）
- Turkish National Corpus - A general-purpose corpus for contemporary Turkish（页面存档备份，存于互联网档案馆）
- Free web-based English corpus to download (3 billion words)（页面存档备份，存于互联网档案馆）
参考文献
[编辑]- ^ 狐狸等间隔. 日语语料库超入门. 微信公众平台. [2022-12-20]. （原始内容存档于2022-12-20）.
- ^ “AI语料”迎来风口 上市公司争相布局-新华网. www.news.cn. [2026-03-29].