中央研究院現代漢語標記語料庫４.０版簡介
「中央研究院漢語平衡語料庫」 （簡稱 Sinica Corpus）第 4.0 版，為一包含一千多萬目詞的帶標記平衡語料庫。本語料庫中每個文句都依詞斷開，並標示詞類標記。語料的蒐集也盡量做到平衡分配在不同的主題和語式上，是現代漢語無窮多的語句中一個代表性的樣本。所蒐集的文章為 1981 年到 2007 年之間的文章，於2010年開始授權申請使用，而一千萬語料的查詢介面為2013年起提供查詢。語料庫共有 19,247 篇文章；1,396,133句數；11,245,330 個詞數 (word token) ；239,598 個詞形 (word type)；17,554,089 個字數 (character token)。各主題其篇數如下：
| 主題 | 詞數 | 字數 | 篇數 |
| 文學 | 2,244,361 | 3,427,101 | 2,525 |
| 生活 | 2,253,102 | 3,547,925 | 5,461 |
| 社會 | 3,636,897 | 5,865,905 | 7,466 |
| 科學 | 1,132,298 | 1,874,228 | 1,482 |
| 哲學 | 1,129,512 | 1,681,026 | 1,378 |
| 藝術 | 849,160 | 1,337,904 | 935 |
| 加總結果 | 11,245,330 | 17,554,089 | 19,247 |
>>> 進入語料檢索系統 <<<
如欲更進一步了解語料庫的內容，請參考中央研究院資訊所、語言所詞庫小組所編技術報告第 95-02/98-04號「中央研究院漢語料庫的內容與說明」。[Sinica Corpus English user manual]
若有錯誤指正或改良建議等歡迎寄電子郵件至 yuehyin @iis.sinica.edu.tw 施悅音 小姐
 |
 語言所 |
資訊所 |
資訊服務處 |
版權聲明 |