【趣站】英国国家语料库 BNC – British National Corpus
英国国家语料库 BNC – British National Corpus
英国国家语料库（BNC）最初是由牛津大学出版社在20世纪80年代-90年代初创建的，它包含了1亿字的文字文本，这些文本来自各种体裁（如口语、小说、杂志、报纸和学术）,旨在代表20世纪后期英国英语的广泛领域，包括口语和书面语。最新版本是2007年发布的BNC XML版本。
BNC 概况
BNC的书面部分（90%）包括，例如，地区和国家报纸、各年龄和兴趣的专业期刊和期刊、学术书籍和通俗小说、已出版和未出版的信件和备忘录、学校和大学论文以及许多其他文本的摘录。口语部分（10%）由未经脚本的非正式对话（由来自不同年龄、地区和社会阶层的志愿者以人口统计平衡的方式录制）和在不同背景下收集的口语组成，从正式商务或政府会议到广播节目和电话。
语料库根据文本编码倡议（TEI,Text Encoding Initiative）指南进行编码，以表示CLAWS（自动部分语言标记器,automatic part-of-speech tagger）的输出和文本的各种其他结构特征（例如标题、段落、列表等）。每个文本还以符合TEI的标题形式包含完整的分类、上下文和书目信息。
建立语料库的工作始于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）和第三版BNC XML edition（2007）之前，对语料库进行了轻微修改。自该项目完成以来，已经分别发布了两个包含BNC材料的子语料库：BNC Sampler（100万个书面单词，100万个口语单词的集合）和BNC Baby（来自四个不同流派的4个100万单词样本）。
BNC是什么样的语料库？
单语：它涉及现代英国英语，而不是英国使用的其他语言。然而，语料库中确实出现了非英语和外语单词。
同步：它涵盖了二十世纪末的英国英语，而不是产生它的历史发展。
概述：它包括许多不同的风格和种类，不限于任何特定的学科领域、流派或语域。特别是，它包含口语和书面语的例子。
样本：对于书面来源，从单个作者文本的各个部分抽取了45000个单词的样本。最短的文本（最多45000字）或多作者文本（如杂志和报纸）均包含在内。抽样允许在1亿范围内对文本进行更广泛的覆盖，并避免过度表示特殊文本。
链接
BNC语料库：http://www.natcorp.ox.ac.uk/