第 2 集 · B2 · 7 分钟
语料库讲座 · 第2集 · 国家俄语语料库（续）
语言学家科泽连科讲国家俄语语料库能做什么，句子完整，适合进阶听讲。 开头：以及带有某些参数的文本，也就是说
中俄字幕
и тексты с какими то параметрами, то есть
以及带有某些参数的文本，也就是说
делать отбор подкорпуса,
进行子语料库筛选，
создавать свой собственный
创建自己的子语料库，
подкорпус, в который входят не все тексты
其中并不包含当前语料库中的全部文本，
того корпуса, где мы находимся, а только
而只包含其中的部分子集。
некоторые подмножества.
某些子集。
Кроме того, в устных корпусах у нас
此外，在口语语料库中，
размечены реплики, то есть мы знаем, кто
话语已标注，即我们清楚谁说了什么，
что сказал, и у нас есть описание свойств
并且我们还拥有说话人属性的描述：
говорящего: кто это говорящий, какой у
说话人是谁，其具有何种特征，
него пол, возраст, и мы можем,
其性别、年龄，我们就可以
соответственно, искать реплики по
据此按说话人进行检索：
говорящим: что сказали говорящие такого-
查找特定年龄段说话人的语句：
то года рождения в такой- то области.
在特定地区出生的该年龄段说话人所说的话。
можем задавать такой поиск
我们可以执行此类检索。
ну и в мультимедийном корпусе который
此外，在多媒体语料库中，该语料库
имеет очень сложную разметку после
具有极为复杂的标注结构，其复杂程度
поэтического корпуса и наравне с
仅次于诗歌语料库，并与诗歌语料库
поэтическим корпусом это наверное самая
堪称多媒体语料库中最复杂的标注。
сложная разметка в мультимедийном корпусе
多媒体语料库中的标注最为复杂。
есть глубоко аннотированная часть где
存在一个深度标注的部分，其中
размечены все жесты
所有手势均已被标注
то есть это видеоматериалы в которых
即这些是视频资料，其中
каждый жест описан по множеству параметров
每个手势都依据多个参数进行了描述
и вы можете в этих материалах искать жесты
您可在这些资料中搜索手势
и видеть как они употреблялись в тех или
并查看它们在各类影片、戏剧等中是如何使用的
иных фильмах спектаклях и так далее
及其他影视戏剧作品中
это особенность Национального корпуса
这是俄罗斯国家语料库的一大特色
русского языка еще одной особенностью
俄罗斯国家语料库的另一大特色是
является то что у нас представлены тексты
收录了各类文本
с разной снятой или неснятой аммонией то
带有已去除或未去除氨的样本
есть у нас есть тексты с аммонией снятой
我们有带已去除氨的文本
вручную снятой автоматически и не снятой
手动去除、自动去除和未去除的
что это значит
这表示什么？
мы когда берём любое слово в корпусе, оно
当我们从语料库中选取任意一个词时，它
имеет некоторую разметку.
都带有某种标注。
Вот здесь видно, что слову приписана
此处可见，该词被赋予了
разметка, приписана лемма этому слову,
词形还原标注，即该词的词元，
приписана грамматика, семантика, и есть
还有语法、语义标注，此外还包含
ещё какие то похожие слова, про которые мы
一些我们所知的相似词汇。
ещё поговорим.
我们稍后再谈。
так вот каждому слову прописаны все
每个词都已完整标注了所有
абсолютно разборы которые эта словоформа
该词形可能具有的语法分析结果。
конкретно может иметь то есть если мы
也就是说，如果我们
встречаем в тексте слово пирога
在文本中遇到单词“пирога”（pie的属格形式）
то у него будет два разбора это лемма
它将有两个分析结果：词元“пирог”（pie）的属格形式，
пирог в родительном падеже и лемма пирога
以及词元“пирога”的主格形式。
в именительном падеже потому что
因为进行这些标注的词元化工具
лемматизатор который проставлял эти
所标注的特征，它并不知道
признаки он не знает в каком из этих
这两个结果中哪一个更合适。
разборов здесь слово употреблено и
此处‘分析’一词已被使用，且
приписывает все возможные разборы
为所有可能的分析结果都进行了标注
вот это называется неснятые омонимии
这被称为未消解的同形异义现象
а монимейс не так это когда каждому слову
而单义性则不同，即每个词
приписан либо только один разбор
仅对应一种分析结果
и его может быть прописан вручную то есть
该分析结果可由人工标注，即
просто буквально весь текст прочитан каким
整段文本由某人逐字阅读
то человеком который проставил все
此人负责标注全部分析结果
правильные разборы конечно там сначала
当然，首先会进行正确的分析标注
есть автоматическая некоторая
先进行一定程度的自动处理
предобработка а потом исправление ошибок
预处理，然后纠错
но тем не менее все проверено вручную
但无论如何，所有内容均经人工核查
либо анемии может быть снята автоматически
或者失忆症可被自动排除
прошелся какой то алгоритм
某个算法运行了一遍
тексты были обработаны нейросетью и мы
文本由神经网络处理，我们
получили автоматический разбор
获得了自动解析结果
так вот выясняется что для поиска это
结果发现，对搜索而言
крайне важно снята амнезия или нет и
是否已排除失忆症至关重要
некоторые функции про которые мы дальше
我们接下来要讨论的某些功能
будем говорить они возможны только в тех
仅在以下情况下才可能实现
корпусах где амнезия снята например любую
在已去除失忆处理的语料库中，例如任何
частотность можно считать только со снятой
词频只能在去除失忆处理后计算
амнезией потому что если мы не знаем какая
失忆处理，因为如果我们不知道此处的词元是什么
здесь лемма то мы и не можем посчитать
我们就无法计算该词元的频率
частоту этой леммы может одна лемма может
可能是一个词元，也可能是另一个
другая Давайте посмотрим, что, собственно,
我们来看一下，语料库中实际上有什么
есть в корпусе.
语料库中有什么
и тут будет отмечено что из этого новое
此处将标出哪些是新增内容
что нет я разбила все что есть в корпусе
没有，我已将语料库中的全部内容进行了分类
на такие категории где можно искать то
分为若干类别，以便于检索相关内容
есть какие есть корпуса что можно искать
存在一些可供检索的语料库
как можно искать и как можно смотреть на
可以如何检索，以及如何查看
результат вот мы сейчас посмотрим по всем
结果。现在我们来逐一查看
этим категориям что в корпусе есть вообще
语料库中实际包含的所有这些类别
и что из этого нового
以及其中哪些是新增内容
значит где можно искать это мы сейчас
那么，可以在哪里检索呢？我们现在
посмотрим на список корпусов что можно
查看一下可供检索的语料库列表
искать можно искать словосочетания можно
可以检索词语，也可以检索词组
искать грамматические категории то есть не
还可以检索语法范畴，即不仅
просто слово с грамматической категорией а
限于带语法范畴的单个词，而是
можно искать грамматическую категорию и
可以搜索语法范畴以及
без слов например там все существительные
不带词语，例如，其中所有名词
все прилагательные или
所有形容词，或者
все существительные в таком то падеже с
某种格的所有名词，搭配
прилагательным такого то вида
某种类型的形容词
в поэтическом корпусе как уже мы говорили
在诗歌语料库中，如我们之前所说
можно искать строфы и строки в устных
可以搜索诗节和诗行；在口语语料库中
корпусах можно искать реплики
可以搜索话语片段
в глубоко аннотированной части
在深度标注的部分
мультимедийного корпуса можно искать звуки
在多媒体语料库中可以搜索声音
и сочетания звуков
以及声音的组合
и жесты собственно вот все про что мы
以及手势——这正是我们所讨论的全部内容
говорили что оно размечено соответственно
我们之前提到，它已做了相应标注
это и можно искать
因此可以进行检索
как можно искать то есть какие есть виды
那么该如何检索？即有哪些检索类型？
поиска у нас традиционно в корпусе был
传统上，语料库中存在以下检索方式
точный поиск и лексико грамматический
精确检索和词法语法检索
поиск и совсем недавно появился еще поиск
而最近又新增了搭配检索功能
коллокаций но кроме того отбор под корпуса
此外，还有我们之前提到的语料子集筛选功能
о котором мы говорили то есть выбор не
即并非全部语料的选择
слов и категорий а выбор текстов это тоже
词语和类别，以及文本选择，这也是一种
своего рода поиск так называется он отбор
搜索，这种搜索被称为筛选
под корпус В каком виде можно смотреть
语料库以何种形式呈现结果？
результат? Вот у нас есть
结果是什么？这里我们有
семь видов выдачи.
七种呈现方式。
Как мы можем посмотреть?
我们如何查看？
Конкорданс, клик, можно скачать всю выдачу
共现检索、点击浏览，也可将全部结果下载为Excel文件
в Excel, можно смотреть график, статистику
还可查看图表、统计数据
выдачи, инграммы и частотность.
的呈现结果、词频图及词频统计。
Мы сейчас подробнее посмотрим, что это
接下来我们将详细说明这些内容
такое, как оно устроено.
其结构就是如此。
Но начнем вот по этому списку.
但我们将从这个列表开始。
Где можно искать, что можно искать, как
在哪里搜索、能搜索什么、如何
можно искать и как можно смотреть
搜索以及如何查看结果。
результат. значит где можно искать
首先，我们来看在哪里可以搜索：
у нас сейчас двадцать один корпус в
目前国家语料库（NKRY）共包含21个语料库。
составе НКРЯ если вы заглянете на главную
如果您访问主页，
страницу собственно можем ходить смотреть
就可以浏览并查看。
Как можем это делать, вот так.
我们可以通过这种方式操作。
да вот здесь вы увидите
是的，您将在此处看到
шестнадцать почему потому что они на самом
十六，为什么？因为它们实际上
деле сгруппированы и под одним большим
被归为一组，并且一个大标题下
заголовком может быть несколько корпусов
可能包含多个语料库
основной корпус газетных корпусов у нас
我们的主要语料库是报纸语料库
два это центральные СМИ и региональные СМИ
共有两个：中央媒体和地方媒体
синтаксический корпус содержит размеченные
句法语料库包含已标注的句子
предложения вот новый корпус появился
这里出现了一个新语料库
социальные сети устный акцентологический
社交媒体、口语、重音语料库
мультимедийный два мультимедийных
多媒体语料库，共两个
параллельных корпуса русский и англо
平行语料库，俄语和英语
русский дальше параллельный корпус мы
俄语，接下来是平行语料库，我们
называем одним корпусом на самом деле там
实际上称之为一个语料库，其中
двадцать пять двадцать четыре языковых
有二十五种、二十四种语言对，
пары еще многоязычный корпус но считаем
还有一个多语种语料库，但我们视其为
это как один,
一个整体，
поскольку это совершенно идентичные по
因为这些语言对在结构上完全相同。
своему устройству пары языковые.
这些语言对在结构上完全相同。
есть диалектный корпус, обучающий корпус,
还有方言语料库、教学语料库，
новый корпус от двух до пятнадцати,
两至十五岁新语料库，
поэтический корпус, новый корпус русской
诗歌语料库、俄语新语料库。
классики, четыре исторических корпуса и
经典语料库、四个历史语料库以及
новый панхронический корпус.
一个新的共时历时语料库。
вот давайте посмотрим что за новые корпуса
我们来看看，最近出现了哪些新语料库。
появились за последние
最近
фактически полгода появилось четыре
实际上半年内就新增了四个
корпуса новых
新语料库。
панкреатический корпус что это такое
胰腺语料库？这是什么？
этот корпус фактически объединяет
该语料库实际上整合了
материалы четырех корпусов основного
主语料库中四个语料库的材料，
корпуса русского языка древнерусского
即古俄语语料库。
корпуса старорусского и корпуса версти
老俄语楼和维尔斯蒂楼
ныкрант и таким образом получается что
尼克拉恩特，因此得出结论
материалы этого корпуса покрывают
该楼的材料涵盖
все те
所有这些
来源：Институт лингвистики РГГУ · CC BY 3.0