新京报讯（记者 周怀宗）日前，南京农业大学黄水清教授团队推出的新版现代汉语通用语料库——新时代人民日报分词语料。黄水清教授介绍，新版“语料库”是对北京大学1998年1月人民日报语料库的弥补，此外，该语料库将对学界发布，供学术研讨用，而且后续还将不断弥补最新语料，以促进语料资源的敞开和同享。
新京报记者得悉，相对于20年前的语料库，新语料库呈现了许多改变，其间“乡愁”“村庄复兴”“扶贫”“精准扶贫”等呈现在人民日报上的频率大为添加，如“村庄复兴”在1998年1月全月中，呈现次数为0次，2018年1月，全月呈现次数为393次。
1998年、2015年、2016年、2017年、2018年1月份，四个词在《人民日报》悉数文章中呈现的频次。受访者供图
什么是“语料库”
何谓“语料库”？黄水清介绍，“语料库”是实在言语资料的聚集，“言语有许多种，口头言语、书面言语等。所谓实在言语，便是在实践中，实践有人说过、有人写过的词汇和语句。”
语料库并非简略搜集实在言语资料，黄水清说，“假如仅仅把一堆实在言语资料放在一同，那是没什么含义的。搜集之后，还要进行标示，所谓标示，便是依照不同的需求对相应的言语单位添加符号。比方标示名词、动词，比方把方言与普通话、中文与英文对应的阶段、语句、词汇对照起来。不同需求的使用者，可以精确的经过自己的需求寻觅适用的语料库。”
作为现代汉语通用语料，北京大学核算言语研讨所发布的“1998年人民日报语料”不管在学界和业界都有巨大的影响力。可是跟着时刻的推移，该语料库在词汇的时效性、齐备性和掩盖度上均有必要进行更新和弥补。“这也是咱们做这个新的语料库的初衷。这次发布的语料库，都是精标的。标示有两种方法，一种是机器标示，一种是人工标示。现在的技能条件下，人工标示的精准度要高于机器标示，所以人工标示也被称为精标”。
“语料库”是干什么的
搜集和收拾实践中使用过的实在言语资料，有什么用处？黄水清介绍说，“当时大多数都用在机器学习，当然也包含当时盛行的深度学习”。
“跟着人工智能的展开，机器学习的目标越来越重要。”黄水清说，“举例来说，像无人驾驭，抱负的办法是输入驾驭的操作方法、交规、地图等，它就能完成无人驾驭了，但现在技能还达不到，这样的情况下，就会挑选另一种技能计划，找一些优异的司机，让机器跟着人学。言语也是如此，抱负的战略，是给它输入语法、语义、语用，它就具有了言语了解和生成的才能，但相同做不到。这时候，根据实在言语的语料库，就有用处了，机器能从语料库中学到言语才能，相当于跟优异司机学驾驭才能。咱们挑选《人民日报》刊发的文章作为原始语料，一方面是因为《人民日报》的文章都是标准的现代汉语，思想内容与同时期的中央精神高度一致，另一方面也为了连续前人的效果，有利于展开持续性的研讨”。
据介绍，新版语料库已录入近年来共9个月的《人民日报》刊发的一切文章，悉数为人工标示精加工语料。
新版语料库有哪些改变
相对于1998年的语料库，新版语料库有哪些改变呢？
“咱们发现，20年前的语料和现在的语料仍是有一些显着的差异，有些东西改变很大。从总体上看，词语、语句都变长了。详细来看，有些词汇、语句的语境发生了改变。机器假如仍是依照20年前的语料库学习，很可能学的便是错的”，黄水清说。
记者注意到，和村庄相关的词汇，近年来呈现的频次大为添加。黄水清介绍，“跟着脱贫攻坚、村庄复兴等作业的推动，相应的概念渐渐的变多地呈现在干流媒体的言语中。咱们计算了1998年1月、2015年1月、2016年1月、2017年1月、2018年1月乡愁、村庄复兴、扶贫、精准扶贫几个词汇在人民日报中呈现的次数。在1998年，几个词汇呈现的次数分别是1次、0次、407次、0次。到2018年，几个词呈现的次数分别是44次、393次、1176次、137次。”
新京报记者 周怀宗
修改 张树婧 校正 李立军
