一对四_英汉双语对应语料库的建设及应用_任小华

2013年9月第3期外语艺术教育研究

Educational Research on Foreign Languages ＆Arts Sep．2013No．3

收稿日期：2013－04－10

基金项目：2012年洛阳市社会科学规划项目“英汉双语对应语料库的建设及应用”（2012B233）。

作者简介：任小华（1978－），男，陕西汉中人，洛阳师范学院公共外语教研部讲师、硕士，主要研究方向为应用语言学、语料库语言学、对比语言学。

“一对四”英汉双语对应语料库的建设及应用

任小华

（洛阳师范学院

公共外语教研部，河南

洛阳471022）

摘要：双语对应语料库对对比语言学和翻译研究的重要性不言而喻，国内外大多双语对应语语料库不

对外公开或提供的检索数据很有限，而已建成或在建的“一对多”双语对应语料库并不多见。以美国总统就职演说词及四个汉语译文为语料开发的“一对四”型的英汉双语对应语料库，库容为76万词/字。其对整理后的语料进行分词、词性标注，也对未分词标注的语料进行了句子对齐，并实现了“一对四”双语语料的检索。

关键词：双语语料库；美国总统就职演说词；分词；标注；对齐；检索

中图分类号：H 319

文献标识码：A

文章编号：粤内登字O －10339（2013）03－0020－07

一、引言

由于现代计算机和网络技术的有力支持，语料库语言学得到了飞速的发展，现已成为语言学的一个重要分支。随着语料库语言学的发展，语料库的研制类型也呈现多样化，双语甚至多语的平行对应语料库成为语料库语言学的一个亮点。平行语料库开发具有较高的理论及应用价值。Ai-jmer 和Altenberg 指出，平行语料库对翻译和语言对比研究特别有用，并扩展了研究问题的范围。

［10］12

它有助于通过对比深入了解所对比的语

言，而这往往在研究单语种语料库时被忽略，通过比较，它能揭示语言的共性以及某语种所特有的、语言类型与文化上的差异，还可以揭示原文与译文、母语与非母语之间的差异等。

双语对应语料库最初侧重于英语与其亲属语言之间，上世纪90年代中期才逐渐扩展到英语与欧洲之外的一些语言之间，现在已几乎覆盖世界上所有主要的语言之间。在国外，挪威、荷兰、英国、美国、加拿大等国家都建立了涉及不同语种、不同规模的平行语料库。

［1］18－19

比较著名

的平行语料库有：Hansard 对应语料库

［11］169－176

，英语－挪威语双语对应语料库（ENPC ）

［12］87－112

，ITU 英语－法语－西班牙语三语对应语料库

［13］219－226

，英语－法语－丹麦语－芬兰语－希

腊语－拉丁语－瑞典语－西班牙语－越南语等九种语言的Bible 对应语料库

［14］129－153

。

近年来港台学者和海外华人学者也建立了一些双语对应语料库，主要是和汉语对应的平行语料库，如吴德凯等人在香港科技大学建立的HKUST 中英对应语料库［15］80－87，台湾的中英对应

语料库（Sinica Corpus ）

［1］18

，Bermingham 中英对应语料库［1］18

，英国兰卡斯特大学的中英对应语

料库

［1］19

，以及巴比伦英汉平行语料库［1］19，等

等。大陆学者也建了一些英汉平行语料库，包括：北京大学计算语言学研究所的新闻机助类平行语料库Babel ，北京外国语大学中国外语教育研究中心的通用汉英平行语料库（PCCE ），南京国际关系学院的英汉平行语料库（PECC ），上海交通大学外国语学院的英汉平行语料库、莎士比亚戏剧英汉平行语料库和汉英会议口译平行语料库，绍兴文理学院的毛泽东选集汉英平行语料库、鲁迅小说汉英平行语料库、邓小平文选汉英平行语料库和中国法律法规汉英平行语料库，燕

山大学的《红楼梦》中英文平行语料库，等等。

根据调查我们发现，绍兴文理学院的双语平行语料库可在线检索并获得全部检索行，北外汉英平行语料库可在线检索，但只提供100个检索行，南京国际关系学院的语料库需要在该校项目组的电脑里检索，其他国内学者建设的双语语料库至今都尚未对外界开放。已建成的双语语料库大多以文学作品为语料，除燕山大学《红楼梦》中英文语料库是“一对三”型，目前大陆的双语对应语料库大都是一对一型的。鉴于此，我们借鉴国内外已有的成果，以“美国总统就职演说词”及其汉语翻译为基础，开发了一个“一对四”型（一个原文对应四个译本）的英汉双语对应语料库，以期丰富国内英汉双语语料库的种类并深化语言对比和翻译的研究。

二、语料及其初加工

（一）语料

我们的英语语料包括华盛顿到克林顿共42位总统就职演说词，语料计97600词。英语语料主要从网上获取，然后参照中央编译出版社2009年出版的《美国历届总统就职演说》进行校对。

我们选取的四个汉语译本为：（1）由王建华编译的《美国历届总统就职演说精选》（江西人民出版社1995年出版），由于该本只收录到乔治·布什，因此克林顿的两篇演说词译文取自王建华主编的《美国历届总统就职演说精粹（英汉对照）》（广东旅游出版社2003年出版）；（2）岳西宽、张卫星翻译的《美国历届总统就职演说》（中央编译出版社2002年出版）；（3）李其荣主编的《美国历届总统就职演讲辞（全集）》（长江文艺出版社2006年出版）；（4）李剑鸣、章彤编译的《美利坚合众国总统就职演说》（天津人民出版社1997年出版）。根据英语语料从四个译本中选取相应的语料，最终的四个汉语语料分别为165669字、163063字、162317字、175705字，汉语语料合计666754字，加上英语97600词，总库容为764354词/字。

（二）语料的初加工

除了英语语料、岳西宽译本、李剑鸣译本可获得电子版外，其它两个汉语语料只有纸质版本。对于可获的电子语料，我们参照纸质本进行仔细校对。对于纸质本，我们借助ABBYYFine-Reader进行扫描、转化为电子（word）格式，然后参照纸质本进行初步整理，主要是更正错别字、清除杂质及多余语言符号等无用信息。之后我们借助EditPadpro软件对语料进行反复校对，最后将所有英、汉双语语料统一成电子文本（txt）格式。需要说明的是，汉语文本储存的格式很多，如ANSI、Chinese GB、Chinese Big5、Unicode、UTF8、UTF16等，我们在研究前人做法的基础上，结合自身反复的尝试，最终把所有语料统一为UNICODE编码格式。为了便于汉译本之间进行比较，我们对英语和四个汉译本语料单独存放。鉴于后期会使用CUC_ParaConc（中国传媒大学平行语料检索软件），我们对语料的储存方式也和CUC_ParaConc的要求保持一致。

三、语料的深加工

（一）英语语料的词性标注

英语词性标注工具比较多，如CLAWS POS Tagger，GoTagger、广东外语外贸大学词典编撰中心的英语词性标注器和北京外国语大学外语教育研究中心的英语词性标注工具等。我们使用的是北京外国语大学外语教育研究中心梁茂成二次开发的TreeTagger。该工具原由斯图加特大学计算语言学学院的Helmut Schmid开发，是一款通过词性（part-of-speech）和词原形信息对文本进行标注的工具，被证明可以成功用于多种语言的标注，如德语、英语、法语等。经过梁茂成二次开发，该工具能更好地服务于英语的词性标注。部分分词标注示例如下：

Among_IN the_DT vicissitudes_NNS inci-dent_NN to_TO life_NN no_DT event_NN

could_MD have_VH filled_VVN me_PP with

_IN greater_JJR anxieties_NNS than_IN that

_DT of_IN which_WDT the_DT notification_

NN was_VBD transmitted_VVN by_IN your_

PPMYM order_NN，_，and_CC received_

VVD on_IN the_DT14th_JJ day_NN of_IN

the_DT present_JJ month_NN．_SENT

———乔治·华盛顿首次就职演说词（二）汉语语料的分词和标注

由于汉语以字为基本书写单位，词语之间没有明显的区分标记，因而汉语文本处理中，首先遇到的问题是分词，也即在汉语文本中词与词之间加上标记。

2013年第3期“一对四”英汉双语对应语料库的建设及应用

20世纪80年代以来有报道的中文自动分词

方法归纳起来已有22种［2］

，但是把这些方法转化成工具的不多。目前广为使用的分词标注工具是中国科学院计算所的汉语词法分析系统（ICT-CLAS ），该系统的主要功能包括：中文分词，词性标注，命名实体识别，新词识别。该系统支持用户词典、繁体中文、GBK 、UTF-8、UTF-7、UNICODE 等多种编码格式。ICTCLAS 目前的分词速度单机为996KB /s ，分词精度为98.45%。

然而，由于权限所致，我们手头的ICTCLAS （试用版）不提供完整的语料分词和标注。最终我们

选择了分词和标注功能合二为一的中国传媒大学在线分词标注系统对汉语语料进行了分词和标注。该标注系统由国家教育部语言监控机构研制，包括“按粗粒度切分”和“按细粒度切

分”

，二者主要区别在于是否把人名中姓与名、组合机构、地名、其他专名、组合型时间表达式、组合型数字表达式和组合型数量词表达式分开。我们选择标注较简单的“按粗粒度切分”法，加载语料后界面如图1所示。

点击“切分”后，部分语料分词、词性标注如图2所示

。

图1传媒在线语料分词标注系统（加工前

）

图2传媒在线语料分词标注系统（加工后）

由于语料头部在研究中主要提供参考作用，因此我们不对该部分进行深加工，在使用该系统后，删除了头部的分词、标注信息。标注后有部分乱码，我们也根据纸质本进行了校对。

（三）英汉句子对齐

目前最常见的对齐是在段落和句子层次上进行，对从句、单词、多词表达对齐的研究（如上

海交通大学为研究意义单位而进行的双语短语单位对齐）也在进行中。在各级对齐研究中，最为重要且较为成熟的对齐技术是句子一级的对齐，有些可以达到自动或半自动。由于项目持续时间较短、人力有限和技术原因，我们主要在句级对齐英汉语料。

迄今为止，有关双语语料的对齐算法或方法不

外语艺术教育研究总第43期

少，如基于长度的方法（length-based）［11］169－176；［16］，基于词汇的方法（lexical-based）［17］，混合法（combination）［15］［18］，基于译文的对齐方法［3］，基于长度的扩展方法［4］，基于句子长度和位置信息的结合算法［5］，“锚点与重叠信息”对齐汉英句子的方法［6］，等等。但是，将这些对齐方法编成软件供他人使用的则鲜有报道，这极大地影响着双语语料库的建设及发展速度。“一对一”型双语语料库可借助ParaConc或雪人计算机辅助翻译软件自带的对齐功能实现句子对齐。然而，如果“一对四”型双语语料用这两种软件来对齐会遇到一些问题，最主要的是原文和四个译文之间对齐的一致性得不到保证。我们使用了中国传媒大学平行语料检索软件（CUC_ParaConc）来检索语料，故接受了CUC_ParaConc的开发者程南昌的建议并参照其提供的语料对齐样例，采取人工对齐方法。

对齐分为两步：（1）先将两种英汉语文本分成句子，每个句子占一行。句子定义为：以句号、问号和感叹号结尾的一串字符。“行”的概念是一串以回车换行符结尾的字符。（2）在第一步产生的结果的基础上我们以手工方式将两种语言的文本在句子水平上对齐，需要借助UltraEdit 软件完成。需要说明的是，一些句级对齐采取调整源语以适应目的语的方法，这主要见于“一对一”型平行语料库的语料。我们的“一对四”显然不能使用这样的方法，否则难以保持四个译文文本和原文对齐。所以在实施双语句级对齐时，我们还采取了反向原则，即：如果两种语言的文本在句子的切分上有差异，应尽量保持原文句子不动，调整译文以适应原文。此外，为了能从双语平行语料库中获取更多的信息，我们在对齐过程中插入分译和合译标记。为了适应后期检索软件要求，对于过长的句子（以逗号和分号连接多个分句组成的长句），我们在适当的地方将其截短成两个或更多的小句。

在对齐时，我们首先打开UltraEdit软件，随后将五个已经分为句子的文本文件依次打开，在该软件的工具栏的“窗口”下拉菜单中点“水平平铺”选项，使五个打开的文本同时显示在屏幕上。加载语料后如图3所示

。

图3五个文本加载图

该软件可以同时打开多个文件，但是如果一次打开太多文件进行对齐，字号变得很小，会影响对齐的速度和准确率。因此我们进行“一对四”对齐时采取两步走的方法，即首次打开一个英语文件和与之对应的两个汉语文件，对齐工作完成后，关闭这两个汉语文件后再打开其它两个汉语文件。第一次对齐如图4所示

。

图4一英二汉对齐图

为了对齐文本，我们要不断上下移动文本。

移动文本可以用鼠标移动窗口右边的滑块来完

成。也可以将光标放在某一行，然后用鼠标的中

间滚轮来上下移动。

四、语料检索

目前双语研究应用最广的检索工具是

ParaConc，但是检索时最多限于“一对三”语

料。而CUC_ParaConc软件是一个免费的绿色软

件，主要用于检索双语、多语平行语料，支持对

Unicode、UTF8、ANSI等编码的纯文本语料检

索，支持多个国家的平行语料检索。更重要的是

该软件可以实现“一对八”的平行语料，是目前

唯一一款能检索一对三以上的软件，而且有的学2013年第3期“一对四”英汉双语对应语料库的建设及应用

者声称，完全可以替代ParaConc。

“一对一”检索方法可参阅该软件的使用说明，我们只在此对“一对多”检索功能进行简要的介绍。

启动软件之前，要保证文件名称后缀一致，否则不能进行正常检索。以我们的语料为例：后缀“－ztys”为五个文件名称相同部分，“en1－”“wjhcn1－”“yzcn1－”“lqrcn1－”和“ljmcn1－”分别为王建华、岳西宽等、李其荣、李剑鸣等的译文文件的前缀。

确保文件名称没有问题之后，启动软件，点击“一对多平行语料检索”，然后选择对齐的译本数“4”，语料编码方式为“UNICODE”，大小写可区分或不区分。在原著、译著前缀部分，分别输入“en1”“wjhcn1”“yzcn1”“lqrcn1”和“ljmcn1”，由于《美国总统就职演说词》只有四个汉译本，我们删除5－8。语料加载可先可后，保存文件夹可采取默认或自建方式（如图5所示）。

加载好语料后，点击“检索中英对齐语料”标签，然后在“英文关键词”输入要检索的单词“this”，点击“检索”即可得到“this”的部分检索（结果如图6所示）

。

图5一对多检索调入语料窗口

在“中文关键词”输入要检索的字“这”，重复其它操作，就得到“这”的部分检索结果（如图7所示）。

当然，也可以在英文关键词和中文关键词中分别输入这两个检索项同时对“this”和“这”进行检索，以便考察其对译情况

。

图6以“this”

为关键词的检索

图7以“这”为关键词的检索

外语艺术教育研究总第43期

五、基于语料库的研究

双语平行语料库包含两种建立翻译关系的原语和译语，因此我们可以进行基于原语或译语的研究，但更多的是同时基于原语和译语的对比和翻译研究。

基于美国总统就职演说词原文可以研究多种语言现象，如情态动词、语言使用的短语倾向、衔接手段及词块等。此外，基于汉语译文可以探索翻译语言的词汇（如关键词、代词、连词）、语法（“被”字句、“把”字句、体标记、结构助词）等方面的特征。由于我们语料库中有四个译本，故也可进行译本间翻译语言的比较。

但是，双语平行语料库更多用于对比和翻译研究，Aijmer和Altenberg早就指出了平行语料库在翻译和语言对比研究中的用途，他们认为平行语料库可用于探索“同一内容是如何用两种语言表达的”［10］13。尽管许多学者认为平行语料库用于对比研究有其局限性，如译语不可避免带有原文的烙印，即“翻译腔”［19］243－245；［20］247；［21］，但是却为研究某种意思如何从一种语言转换成另一种语言提供了宝贵的资源。Xiao和McEnery使用了一个英译汉的平行语料库（约26万词）研究了英语中的时体意义是如何在汉语中表达的。［22］我们的语料库有望在进行衔接、连贯、信息结构、短语及“起句词”［1］10等方面的探索作出贡献。在翻译方面，双语平行语料库主要用于探讨翻译共性（如显化、隐化、简化、范化）、翻译语言（如词汇特征、句法特征、搭配、语义韵）、译者风格（如译者的痕迹和译者的声音）、翻译规范（如对规范的遵循或偏离）等。

目前，基于我们语料库的科研成果有三项（两项已发表）：第一项为慕娜在2012年向河南科技大学申请硕士学位时提交的学位论文，该文主要以韩礼德和哈桑的衔接模式［23］为基础，利用我们早期语料库中的英语语料和岳西宽、张卫星的汉译语料就语法衔接手段（指示照应、替代和连接）进行系统的对比研究，通过对比发现了这三种衔接手段在英汉语使用中的异同，并探究异同背后的原因。第二项是俞丽丽发表于《琼州学院学报》2012年第3期的一篇论文，该文以我们英语语料和岳西宽等的汉译语料为基础，对替代三种形式（名词替代、动词替代和小句替代）进行研究，并从形合和意合的角度对存在的异同进行了探讨。第三项是张宁基于我们的英语语料，对美国总统就职演说词中3－6词词块进行了研究，结果显示：美国总统就职演说词中词块遵循“词块越长，频率越低”的规律；词块的分布和所表达的功能会随语料体裁的不同呈现出差异。相关研究论文已被《河南科技大学学报（社会科学版）》录用，于2013年第3期刊出。

六、结语

我们以美国总统就职演说词及其四个汉译本为基础，开发了这个“一对四”型英汉双语对应语料库，目前拥有一套建库及检索工具，也积累了一些双语平行语料库的建设经验。然而，由于时间关系，还存在以下三点不足。（1）由于目前没有可资利用的针对分词、词性标注后“一对多”双语平行语料检索工具，故我们没有对分词、标注后的语料实施句级对齐，只对生语料进行了句级对齐处理。（2）由于原语料版权约束，目前语料库只供课题组成员使用，未对外界公开。对此，我们将和双语检索工具的开发者联手，增进分词标注后语料的检索功能，并对我们分词标注后的语料进行对齐；此外，我们将和原语料版权拥有者进行磋商，在得到许可后第一时间公开语料库，如果协商未果，我们将通过在线检索方式供感兴趣的人士使用。

当然，美国总统就职演说词的汉译本比较多，我们目前只在语料库中收录了四个，我们将再收集四个质量上乘的译本来扩充语料库，建成一个“一对八”型双语对应语料库，从而将已有的检索工具的功能发挥到极致，同时能进一步深化对比和翻译研究。

参考文献：

［1］王克非等．双语对应语料库及其研制［M］．北京：外语教学与研究出版社，2004．

［2］周程远．中文自动分词系统的现状与实践［D］．上海：华东师范大学，2009．

［3］钱丽萍等．基于译文的英汉双语句子自动对齐［J］．计算机工程与应用，2000，（12）：59－61．

［4］张艳，柏冈秀纪．基于长度的扩展方法的汉英句子对齐［J］．中文信息学报，2005，（5）：31－36．

［5］李维刚等．基于长度和位置信息的双语句子对齐方法［J］．哈尔滨工业大学学报，2006，（5）：689－692．

［6］张绪华．基于对译信息的汉英句子自动对齐［J］．当代外语研究，2010，（9）：40－43．

2013年第3期“一对四”英汉双语对应语料库的建设及应用

［7］慕娜．基于语料库的英汉语法衔接手段对比研究［D］．洛阳：河南科技大学，2012．

［8］俞丽丽．基于语料库的英汉语篇替代对比研究［J］．琼州学院学报，2012，（3）：115－116，121．

［9］张宁．美国总统就职演说词中的词块研究［J］．河南科技大学学报（社会科学版），2013，（3），待刊发．

［10］AIJMER，K，B．ALTENBERG，and M．JOHANSSON．Text-Based Contrastive Studies in English：Presentation of a Project

［C］∥AIJMER，K．，B．ALTENBERG，and M．JOHANS-

SON．Languages in Contrast．Papers from a Symposium on Text-

based Cross-linguistic Studies．Lund Studies in English88．

Lund：Lund University Press，1996：73－85．

［11］BROWN，P．F．，J．C．LAI and R．L．MERCER．Aligining Sentences in Parallel Corpora［C］∥29th Annual Meeting of the

Association for Computational Linguistics．Berkeley，CA，1991：

169－176．

［12］JOHANSSON，S．，G．EBELING and K．HOFLAND．Coding and Aligning the English-Norwegian Parallel Corpus［C］∥K．

AIJMER，B，ALTENBERG，and M．JOHANSSON．Language

in Contrast：Papers from a Symposium on Text-Based Cross-Lin-

guistic Studies，Lund，March1994．Lund：Lund University

Press，1996：87－112．

［13］MCENERY，T．，A．WILSON．，F．SANCHEZ-LEON，and A．NIETO-SERRANO．Multilingual Resources for European

Languages：Contributions of the CARTER Project［C］∥

MARILYN DEEGAN and STUART LEE．Literary＆Linguistic

Computing．Oxford：Oxford University Press，1997：219－

226．

［14］RESNIK，P．，M．B．OLSEN and M．DIAB．The Bible as a Parallel Corpus．Announcing the“Book of2000Tongues”［J］．

Computers and Humanities，1999，33（1－2）：129－153．［15］WU，DEKAI．Aligning a Parallel English-Chinese Corpus Stas-tically with Lexical Criteria［C］∥32nd Annual Meeting of the

Association for Computational Linguistics．New Mexico，1994：

80－87．

［16］GALE，WILLIAM A and K．W．CHURCH．A Program for A-ligning Sentences in Bilingual Corpora［J］．Computational Lin-

guistics，1993，19（1）：75－102．

［17］Kay，M．and M．Roschiesen．Text-Translation Alignment［J］．Computational Linguistics，1993，19（1）：121－142．［18］TAN，C．L．and M．NAGAO．Automatic Alignment of Japa-nese-Chinese Bilingual Texts［J］．IEICE Transactions on Infor-

mation and Systems，1995，（1）：68－76．

［19］BAKER，M．Corpus Linguistics and Translation Studies：Impli-cations and Applications［C］∥M．BAKER，G．FRANCIS

and E．TOGNINI-BONELLI．Text and Technology：in Honour

of John Sinclair．Amsterdam：Benjamins，1993：233－252．［20］TEUBERT，W．Comparable or Parallel Corpora？［J］．Interna-tional Journal of Lexicography，1996，9（3）：238－264．［21］LAVIOSA，S．How Comparable can“Comparable Corpora”Be？

［J］．Target，1997，（9）：289－319．

［22］MCENERY，A．and XIAO，Z．Domains，Text Types，Aspect Marking and English-Chinese Translation［J］．Journal of Lan-

guages in Contrast，2002，2（2）：211－231．

［23］HALLIDAY，M．A．K and HASAN，R．Cohesion in English ［M］．Beijing：Foreign Language Teaching and Research

Press，1976/2001．

［24］GAO，ZHAO-MING．Automatic Extracting of Translation Equiv-alents from a Parallel Chinese-English Corpus［D］．Manches-

ter：University of Manchester，1998．

Construction and Application of“One-to-Four”

English-Chinese Parallel Corpus

REN Xiao-hua

（College English Teaching and Research Department，Luoyang Normal University，Luoyang471022，China）

Abstract：It goes without saying about the importance of bilingual parallel corpus to contrastive linguistics and translation studies．Almost all the parallel corpuses constructed at home are not open to the public use or set restriction on the number of concordance lines．Moreover，“one-to-many”bilingual parallel corpuses can rarely be seen．Basing on the U．S．presidential inaugural addresses and their Chinese translations，we，therefore，constructed a“One-to-Four”English-Chinese parallel corpus，the capacity of which is0．76million words/ characters．We segmented and POS-tagged the edited language data but aligned the data unsegmented and un-POS-tagged，and we succeeded in concordancing our aligned corpus．We finally introduce the potential applica-tion of our corpus as well as our corpus-based studies．

Key words：parallel corpus；the U．S．presidential inaugural addresses；segmentation；POS-tagging；a-lignment；concordancing

外语艺术教育研究总第43期