英国国家语料库（BNC）
-
-
网站链接点击跳转到资源链接
简介
英国国家语料库（BNC）是一个包含1亿单词的书面和口语样本集合，这些样本来自广泛的来源，旨在代表20世纪后期英国英语的广泛横截面，包括口语和书面语。最新版本是2007年发布的BNC XML版。
BNC的书面部分（90%）包括，例如，来自地区和全国性报纸、专业期刊和杂志、适合所有年龄和兴趣的学术书籍和流行小说、已发布和未发布的信件和备忘录、学校和大学论文等各种文本的摘录。口语部分（10%）由未经脚本的非正式对话的正字法转录组成（由不同年龄、地区和社会阶层的志愿者以人口统计学平衡的方式录制），以及在不同上下文中收集的口语语言，范围从正式的商业或政府会议到广播节目和电话采访。
该语料库根据文本编码倡议（TEI）的指南进行编码，以表示CLAWS（自动词性标注器）的输出和文本的其他各种结构属性（例如，标题、段落、列表等）。每个文本还以符合TEI标准的头部形式包含了完整的分类、上下文和书目信息。
构建该语料库的工作始于1991年，并于1994年完成。项目完成后没有添加新的文本，但在发布第二版BNC World（2001年）和第三版BNC XML版（2007年）之前对语料库进行了稍微修订。自项目完成以来，已经单独发布了两个子语料库，包含来自BNC的材料：BNC Sampler（一个包含一百万书面单词和一百万口语单词的通用集合）和BNC Baby（来自四个不同体裁的四个一百万单词样本。
关于BNC的所有方面的完整技术文档，包括其设计、标记和内容，由《英国国家语料库（XML版）参考指南》提供。对于参考指南的早期版本和其他文档，请参阅BNC档案页面。
BNC是什么样的语料库？
单语种：它处理现代英国英语，而不是在英国使用的其它语言。然而，非英国英语和外语单词确实出现在语料库中。
共时性：它涵盖了二十世纪末的英国英语，而不是产生它的历史性发展。
通用性：它包括许多不同的风格和变体，并不局限于任何特定的主题领域、体裁或注册。特别是，它包含了口语和书面语言的例子。
样本：对于书面来源，从单一作者文本的各个部分抽取了45,000个单词的样本。最多45,000个单词的较短文本或多作者文本，如杂志和报纸，被完整包含。抽样允许在1亿的限制内覆盖更广泛的文本，并避免过度代表特异文本。