語料庫

思路：
-語料庫有什麼用，在統計機器學習中的地位，用圖說明
-語料庫的一些基本概念。如熟語料、生語料等。
-有哪些著名的語料庫。人民日報語料庫、WordNet等。
-如何構建語料庫。主要是成本、規範。
一些歷史：
- 1957年，Chomsky的《句法理論》及其以後一系列著作的發表，根本改變了語料庫語言學的發展狀況。質疑了語料的作用，語料庫研究陷入沉寂期。
- 80年以後，隨着統計方法的流行，語料庫語言學復興。1983年，英國Lancaster大學的LOB語料庫，研究英國英語，500篇，每篇2000詞。法國國家科學研究中心與美國芝加哥大學聯合，建成法語語料庫TLF語料庫，2000書面文本，1.5億詞。芬蘭赫爾辛基大學建成歷史英語語料庫（850-1720年），1600萬詞。1988年倫敦大學建成國際英語語料庫ICE。1981年-1991年，480個語料庫項目得到資助。對比之下，1959年-1980年，只有140個語料庫項目。
- 國內語料庫研究歷史。1979年，武漢大學，漢語現代文學作品語料庫，527萬字。1998年，清華大學，1億漢字的語料庫，着重研究歧義切分問題。北京大學計算語言研究所，從1992年開始現代漢語語料庫的多級加工，先後建成2600萬字的1998年《人民日報》標註語料庫、2000萬字漢字1000多萬英語單詞的英漢雙語語料庫，以及8000萬字篇章級別信息科學與技術領域的語料庫。之前的錄入手段全靠手工，現在收集數據很簡單。
- 文本產權（國家知識產權保護空白）、標記產權
- 單語。雙語（機器翻譯）。是否標註？是，熟語料；否，生語料。平衡語料，各個領域或類別或時間或地域的平衡。平行語料庫
- 白菜、白桌子，豬肉、天鵝肉
- 美國LDC 語料庫，定義了漢語某些標準。
- http://www.huaxia.com/zhwh/wszs/2009/01/1294679.html
- 幾個典型的語料庫：
–Brown Corpus 20世紀60年代，Francis和Kucera在Brown大學建立，世界上第一個根據系統性原則採集樣本的標準語料庫，100萬詞規模。
待續