陳夢圓

語料庫研究興起于20世紀(jì)60年代其在語言學(xué)各領(lǐng)域所引發(fā)的革命，引起了語言學(xué)家、教育學(xué)家的極大關(guān)注。語料庫研究以及基于語料庫的語言研究，正逐漸成為語言學(xué)研究領(lǐng)域的話語中心，其涵蓋范圍及應(yīng)用領(lǐng)域也日益廣泛。本文首先對國內(nèi)外語料庫建設(shè)研究進行梳理、分析，且就與語料庫相關(guān)的方面如自動標(biāo)注與檢索研究等進行了闡述，重點介紹中醫(yī)文獻(xiàn)語料庫建設(shè)研究概況，旨在于為中醫(yī)文化研究及中醫(yī)翻譯提供借鑒。

1 國內(nèi)外語料庫建設(shè)

語料庫（corpus）就是計算機應(yīng)用于語言領(lǐng)域的一種形式，是存放語言的倉庫，將實際使用中真實出現(xiàn)過的語言材料經(jīng)過加工（分析和處理）成為有用的資源以電子計算機為載體的語言知識基礎(chǔ)資源。近年來，語料庫的建設(shè)已在世界范圍廣泛展開，容量逐步擴大，種類繁多，其應(yīng)用已滲透到語言領(lǐng)域的各個方面，成為語言研究、詞典編纂、語言教學(xué)的有力工具，受到語言研究者和教育工作者的重視。

1.1國外語料庫建設(shè)

計算機語料庫建設(shè)始于1964年美國布朗大學(xué)發(fā)布的BROWN語料庫以及1987年英國Lancaster大學(xué)發(fā)布的LOB語料庫。歐美學(xué)者利用這兩個語料庫開展了大規(guī)模的研究，范圍涉及自然語言文本的采集、存儲、檢索、統(tǒng)計、語法標(biāo)注等問題以及語料庫在語言定量分析、詞典編纂、作品風(fēng)格分析、自然語言理解和機器翻譯等領(lǐng)域中的應(yīng)用，取得了豐碩的成果（Leech，1987;Sinclair， 1999; Thomas， 2001）。此后的十幾年里，語料庫建設(shè)在全球范圍內(nèi)快速發(fā)展：歐洲相繼建成了COBUILD語料庫、BNC語料庫（British National Corpus）;美國的賓州大學(xué)發(fā)布了樹庫語料庫（TreeBank）;日本建成了RWC日語語料庫;臺灣的中央研究院建成了現(xiàn)代漢語平衡語料庫。

1.2中國的語料庫建設(shè)

中國的語料庫建設(shè)發(fā)端于上海交通大學(xué)的科技英語語料庫和國家語委的現(xiàn)代漢語語料庫。此后，北京大學(xué)計算語言研究所開發(fā)了《人民日報》語料庫，中國科學(xué)院自動化研究所、清華大學(xué)、哈爾濱工業(yè)大學(xué)、山西大學(xué)等等也建設(shè)了各具特色的語料庫（馮志偉，1999;何安平，2001;楊惠中，2002）。國家語委現(xiàn)代漢語語料庫是一個大規(guī)模的平衡語料庫，語料選材類別廣泛，時間跨度大。在線提供檢索的語料經(jīng)過分詞和詞性標(biāo)注，可以進行按詞檢索和分詞類的檢索，還錄入了一部分未加工的古漢語語料，但沒有涉及《黃定內(nèi)經(jīng)》、《難經(jīng)》等中醫(yī)經(jīng)典著作。

進入21世紀(jì)以來，語料庫建設(shè)中的文本加工、存儲、檢索、管理等等問題基本上已經(jīng)解決，研究語料庫的學(xué)者們開始關(guān)注基于語料庫的數(shù)據(jù)統(tǒng)計、句法分析、語義分析、機器翻譯、自動對齊、知識自動獲取等等深層次的自動處理與應(yīng)用問題。

2 國內(nèi)外語料庫自動標(biāo)注與檢索研究

國內(nèi)外語料庫標(biāo)注與檢索（Annotation & Concordance）方面的文獻(xiàn)非常豐富，綜合既有文獻(xiàn)看，標(biāo)注與檢索研究主要涉及具以下幾個方面的內(nèi)容：第一，語料庫標(biāo)注規(guī)范及詞典研究，包括詞匯的詞性分類和語義分類，標(biāo)注符號的制定等。BROWN語料庫使用了不足40種詞類標(biāo)注符號，LOB語料庫卻使用了120多種，北大語料庫使用的詞類標(biāo)注符號跟中科院的也各不相同;詞匯語義分類中，Wordnet使用了詞義相互關(guān)系的網(wǎng)絡(luò)結(jié)構(gòu)，北大語料庫詞典主要采用了上下義關(guān)系的層次結(jié)構(gòu)（Leech，1994;于江生，2002;詹衛(wèi)東，2004）。第二，自動標(biāo)注程序開發(fā)，BROW語料庫設(shè)計了一個基于規(guī)則的自動標(biāo)注系統(tǒng) TAGGIT，LOB語料庫則設(shè)計了基于統(tǒng)計模型的 CLAWS 自動詞性標(biāo)注系統(tǒng)，我國中科院研制的中文分詞系統(tǒng)ICTCLAS具備漢語分詞和詞性標(biāo)注的雙重功能（Sinclair， 1991;俞士汶，2004;劉群，2005）。第三，語料庫檢索方法研究，除了跟大型語料庫配套的專用檢索工具之外，還出現(xiàn)了一些語料庫通用檢索工具，Wordsmith、 Antconc等工具具有關(guān)鍵詞檢索和搭配分析等功能;nooj系統(tǒng)還具有根據(jù)正則表達(dá)式、語法規(guī)則進行檢索的能力。第四，語料庫應(yīng)用研究，主要集中在計算語言學(xué)領(lǐng)域，自動句法分析和機器翻譯研究是此方面的典型代表，已提出很多算法如轉(zhuǎn)換生成語法、依存語法、詞匯功能語法、富田勝算法、概率算法等等（劉開瑛，2000;劉穎，2004）。第五，基于語料庫的數(shù)據(jù)挖掘和知識發(fā)現(xiàn)研究，主要涉及自動文摘、知識提取等方面，這種研究往往以語義詞典為基礎(chǔ)，其研究范圍已經(jīng)擴展到自由文本分析和網(wǎng)絡(luò)資源分析等等方面。

3.中醫(yī)文獻(xiàn)語料庫建設(shè)研究

縱觀語料庫建設(shè)方面的既有文獻(xiàn)可見，隨著語料庫自動標(biāo)注工具的開發(fā)，語料庫建設(shè)的規(guī)模越來越大，語料庫建設(shè)的難度也在不斷降低，然而，關(guān)于中醫(yī)經(jīng)典文獻(xiàn)語料庫建設(shè)方面的研究文獻(xiàn)卻寥寥無幾，已有文獻(xiàn)大多是泛泛的建議或可行性研究、或者是一些定性概括。中醫(yī)經(jīng)典文獻(xiàn)，按照中醫(yī)學(xué)的觀點，至少應(yīng)該包括《黃帝內(nèi)經(jīng)》、《難經(jīng)》、《神農(nóng)本草經(jīng)》、《傷寒雜病論》和《金匱要略》五部作品。建設(shè)一個中醫(yī)經(jīng)典文獻(xiàn)語料庫，不但需要面對語料庫建設(shè)過程中關(guān)于文本存儲、標(biāo)注、檢索等等基本問題，還必須解決錯訛字、假借字、異體字規(guī)范化、古漢語自動分詞與標(biāo)注、中醫(yī)術(shù)語分類詞典設(shè)計等等特殊問題，尤其是語料庫的檢索系統(tǒng)，不能僅僅停留在語言問題的檢索方面，還必須研究如何充分利用分詞和標(biāo)注符號進行信息篩選提取的問題。

已有文獻(xiàn)調(diào)查顯示，字詞研究以及中醫(yī)術(shù)語詞典研究相對豐富，已出版有《內(nèi)經(jīng)詞典》、《實用中醫(yī)詞典》等等（馬繼興，1990;張登本，1990）。深加工的古漢語中醫(yī)文獻(xiàn)語料庫建設(shè)及其標(biāo)注與數(shù)據(jù)分析方面的研究尚未見到。由陜西中醫(yī)藥大學(xué)聞永毅在研的“中醫(yī)經(jīng)典文獻(xiàn)語料庫建設(shè)及其數(shù)據(jù)分析方法研究”（2016-2019）是一種深加工的古漢語中醫(yī)經(jīng)典文獻(xiàn)語料庫建設(shè)項目，在國內(nèi)外尚無先例，填補了古漢語語料庫建設(shè)方面的空白。本研究目的截然不同于其他語料庫，已有語料庫建設(shè)項目主要服務(wù)于語言自身問題研究或者機器翻譯研究，對本課題而言，這只是語料庫的一種基本功能;本研究高度關(guān)注如何從古漢語文獻(xiàn)語料庫中自動篩選并提取有價值的信息，探索一整套適合古漢語自動加工和數(shù)據(jù)分析的具體方法才是本研究的最終目的。再者，以分詞與標(biāo)注的方法處理并保存中醫(yī)經(jīng)典文獻(xiàn)，是保護與傳承古籍的一種新思路，含有古籍文獻(xiàn)標(biāo)準(zhǔn)化的理念，是對標(biāo)準(zhǔn)化研究古漢語文獻(xiàn)的一種創(chuàng)造性探索。

十八大以來，黨和國家領(lǐng)導(dǎo)人多次強調(diào)要保護好、傳承好中醫(yī)藥文化，屠呦呦獲得諾貝爾獎的青蒿素故事更進一步激發(fā)了人們從中醫(yī)古籍文獻(xiàn)中挖掘數(shù)據(jù)的積極性，中醫(yī)經(jīng)典文獻(xiàn)語料庫能夠在此方面發(fā)揮重要作用。中醫(yī)經(jīng)典文獻(xiàn)語料庫能夠徹底改變一邊翻閱紙質(zhì)資料、一邊手工記錄的資料查閱方式，而只需在計算機上輸入關(guān)鍵詞或特定模式，然后由檢索系統(tǒng)自動篩選并提取所需信息，無需擔(dān)心因異體字、假借字、分詞斷句、古漢語閱讀障礙等因素而造成信息檢索不全的問題，其檢索準(zhǔn)確性會遠(yuǎn)遠(yuǎn)優(yōu)于谷歌、百度等搜索引擎。另外，深加工的中醫(yī)經(jīng)典文獻(xiàn)語料庫又是一個古漢語研究平臺，能夠用于古漢語的字詞、語法、語義問題研究，徹底扭轉(zhuǎn)古漢語研究缺乏大規(guī)模統(tǒng)計數(shù)據(jù)支持以及漢語研究與醫(yī)古文研究長期相互脫節(jié)的局面。

本文為國家社會科學(xué)基金項目;課題編號：16xyy011

（作者單位：陜西中醫(yī)藥大學(xué)）