大规模现代汉语标注语料库的加工规范

摘要

北京大学计算语言学研究所在开发了《现代汉语语法信息词典》等语言资源的基础上，又在实施另一项大型语言工程，即对大规模的现代汉语原始语料进行多级加工，目前的加工项目包括词语切分、词性标注（包括动词和形容词的特殊用法），并标出专有名词以及短语型的地名、机构名称等等。规划中的语料库规模约为２７００万字。现在已经完成了１４００万字的任务，而且质量很高。要建成高质量的标注语料库，必须制订出完备的加工规范。本文介绍制订加工规范的原则和执行加工规范的经验。