大规模语料库中自动搭配获取的统计方法研究

搭配在语言学习、辞典编撰或自然语言处理的应用中有重要价值,搭配的自动荻取是自然语言计算的基本研究领域之一.利用对数似然度、卡平方和互信息作为关联强度测度,从Penn Treebank语料库中自动获取搭配候选,以比较3种测度的不同特性.实验结果表明由于3种测度遵从不同的分布假设和倾向,抽取的搭配具有不同的分布特征.     

汉语普通话语音合成语料库TH-CoSS的建设和分析

本文介绍了汉语语音合成语料库TH-CoSS的建设和分析。本语料库包括男女声朗读语句约2万个。语料库分为四个部分: TTS系统建库用语句、TTS系统测试用语句、特殊语调语句和特殊音节组。语料设计考虑了语料的平衡和音段、韵律信息的丰富。语料库中除了文本、语音数据外,还带有音段切分标志,标注文件采用XML格式。为了方便语音分析与开发,特研制了标注软件。本文还给出了语境特征对语音韵律影响的分析结果。     

语音库裁剪的一种不定长递阶聚类方法

大量使用不定长是大语料库语音合成质量的一个重要保证,而语音库裁剪方法通常会导致不定长的损失.针对这一关键性问题,该文构建了NuClustering-VPA算法:对不同粒度的不定长变体进行聚类,根据高阶聚类结果调整低阶变体的聚类,使得低阶聚类中心有所偏向.NuClustering-VPA算法保留了最重要的不定长,从而有效减小了裁剪对不定长的破坏.测听实验表明,利用NuClustering-VPA算法,即使在语音库裁减率为39.63%时,合成自然度下降较小,仍然保持在较高的水平.这一技术已被应用在科大讯飞公司的实际语音产品中.     

服务于词典编纂的特定领域专业术语自动抽取

双语词典是跨语言信息检索以及机器翻译等自然语言处理应用的基础资源.为了利用双语语料库获取汉英词典,在对三种常见的基于共现信息的短语对译计算模型进行了研究之后,以对数相似性模型为基础,采用迭代策略实现了翻译词典获取.实验表明,该方法能够有效地提高词典获取的正确率,提高基于语料库的汉英词典编撰效率.     

双语对齐技术在双语教学词典自动编纂中的应用

双语对齐是自然语言处理研究的重要课题之一,结合基于句子长度和基于词典的两种经典的对齐算法,通过段内寻找锚点的算法对双语互译文本进行划分,实现了双语句子对齐,为双语语料库的建设提供了工具,并为双语教学词典的编纂做了基础性工作.     

规则与统计相结合的汉语词义消歧模型

针对已有的词义消歧研究方法的不足,在分析了多种不同结构知识词典的可计算性及其计算复杂度之后,选择北大计算语言所的《现代汉语语法信息词典》和《现代汉语语义词典》,并结合已经标注了词义的人民日报语料作为词义消歧知识源,从中获取汉语词义消歧所需要的统计知识和规则知识,并采用统计与规则相结合的方法构建词义消歧模型,取得了比较满意的词义消其效果.     

基于语料库的中国英语专业学生使用OF的研究

本研究在CLEC语料库基础上对中国大学英语专业学生书面语中使用OF的情况进行了调查研究。与本族语学生相比，中国大学英语专业学生书面语中使用OF时有显著差异。本研究旨在发现中国大学英语专业学生英语写作中存在的问题，对改进我国英语写作教学有重要的启示意义。     

不可靠语料库的提纯及词权度量指标IDF的改进

不良短信的泛滥严重影响了社会风气,干扰了人们正常的生活秩序,研发不良短信过滤技术具有相当高的实用价值.研究了文本分类中的两个问题,可应用于不良短信过滤.其一是应用聚类方法进行不可靠语料集的提纯,实验表明,该方法对不可靠数据的提纯效果比较明显;其二是关于IDF词权度量指标的一点改进.     

语料库应用于独立学院大学英语写作教学

本文通过问卷调查、模拟写作和语料库语言学的应用,对独立学院学生作文的错误进行分析,研究独立学院大学英语写作水平.语料库大量真实的语言材料有助于学生在学习中不断调整自己的语言,写出地道的作文.检索软件的使用能够增强学习者的语言意识,增强对语言的敏感性,提高英语写作水平.     

基于COCA语料库的汉语新词英译研究

随着中国国际地位的提升和国外媒体对中国发展的关注,汉语新词的英译问题正在成为研究热点。新词发展是动态的发展过程,是共时的历时问题,而网络语料库更新快、实效强,应用动态语料库的检索系统可以对其译法和用法作出即时、客观的探讨与评价。以COCA为研究工具,以《最新汉英特色词汇词典》为例,讨论其中译法的合理性及英译考量因素,可以为汉语新词的英译提供支持,为新词译法研究提供独特视角及方法。