語料格式要求

語料格式要求

語料格式要求
1．原始語料的電子文本。
1.1 文件夾名用來表示課文的出處
文件夾名稱格式：地區_出版商_出版時間_版本代號_學科代號_年級
如： cn_rj_2001_6_yw_6
文件夾名語義：中國大陸/人民教育出版社/2001年出版/第六版/語文/六年級的語料。
1.2 文件以課文為單位存放在相應的文件夾下
課文以第幾冊第幾篇為名保存。格式：第幾冊_第幾篇.txt
如：1_10.txt
表示該課文是某文件夾下（某出處）的“第1冊/第10篇課文”的文本。
2. 切詞校對后的文本文件。即對原始語料分詞并校對后的文本。存放格式同1，只是文件夾和文件名后分別加字母q。如：
cn_rj_2001_6_yw_6q表示是存放“中國大陸/人民教育出版社/2001年出版/第六版/語文/六年級的切分語料”的文件夾。
1_10.txt表示是“第1冊/第10篇課文”的切分文本。
3. 初始庫
3.1詞目語料
庫名為：地區_出版商_出版時間_版本代號；
表名為：學科代號_年級；
內容模式為：詞條   詞性   文件名。
即每個出版社每個版本建一個庫，每個學科分年級建表，表下存放詞條等。
如：
詞條 詞性 文件名
中國 n 1_10.txt
…… …… ……
其中文件名就是詞或句子所出現的課文文件的名稱。
3.2句子語料格式
庫名為：地區_出版商_出版時間_版本代號；
表名為：學科代號_年級；
表模式為：句子  單句|復句  句型   文件名。
即每個出版社每個出版時間建一個庫，每個學科分年級建表，表下存放詞條或者句子等。
如：
編號 句子 單句|復句 句型 文件名
1 列車已到了北京。 d 陳述句 1_10.txt
2 他的家遭到了炸彈的襲擊，他的生活和他一家人的生活受到威脅，但他決不退縮。 f 0 1-10.txt
3 你真聰明！ d 感嘆句 1-10.txt
…… …… …… …… ……
其中文件名就是詞或句子所出現的課文文件的名稱。句型只標注單句，復句一律標0。每篇課文每個句子指定一個編號，編號體現句子在原文中出現的順序。
4. 結果數據表
4.1詞語統計表：包括詞條、詞性、使用頻度、出現文本數
如：
詞條 詞性 頻度 出現文本數
中國 n 5000 300
……  …… ……

4.2句型統計表：
句型 句型頻度 出現文本數
陳述句 10 10
…… …… ……

【語料格式要求】相關文章：

情書的格式要求03-29

實習報告格式要求11-05

嚴格要求的作文02-10

實習報告撰寫要求08-24

辦法的格式08-24

規定的格式08-24

條例格式04-13

細則格式08-24

須知的格式08-24

制度的格式08-24