近年來，無論是在語言信息處理領(lǐng)域還是語言學(xué)研究領(lǐng)域，語料庫的重要作用均已經(jīng)得到充分的認(rèn)可，國(guó)際國(guó)內(nèi)在語料庫的建設(shè)和研究方面均做了大量的工作。下面是幾個(gè)雙語語料庫幾個(gè)設(shè)計(jì)原則。

1 語料庫的加工深度

語料庫不是任意文本的任意堆積，為了發(fā)揮語料庫的作用，通常都需要對(duì)語料庫進(jìn)行一定的加工，進(jìn)行何種加工和加工深度如何通常和應(yīng)用目標(biāo)有關(guān)。對(duì)于漢英雙語語料庫而言，基本的加工包括對(duì)語料進(jìn)行各級(jí)對(duì)齊工作，其中最為重要的是句子一級(jí)的對(duì)齊，這是各種應(yīng)用對(duì)雙語語料庫的一個(gè)最基本的需求。其他的加工包括：對(duì)漢語部分進(jìn)行切詞、詞性標(biāo)注以及注音；對(duì)英語部分進(jìn)行斷詞、形態(tài)還原和詞性標(biāo)注；漢英雙語語料在詞匯一級(jí)和短語一級(jí)對(duì)齊。對(duì)雙語語料庫的加工越多，雙語語料庫可以提供的信息也就越多，但同時(shí)也意味著工作量的劇增。

根據(jù)工作的需要，目前我們主要進(jìn)行句子一級(jí)的對(duì)齊工作，但在制定規(guī)范時(shí)也充分考慮了進(jìn)行其他可能的加工。

2 語料庫編碼

雙語語料庫收錄的文本通常不只一個(gè)來源，對(duì)漢英雙語語料庫而言更是如此，相關(guān)可用的電子文本遠(yuǎn)遠(yuǎn)不如單語文本多。要建立一個(gè)相對(duì)大規(guī)模的雙語語料庫，多渠道搜集語料就是唯一的選擇。這同時(shí)帶來一個(gè)問題就是語料文本格式各異，難以統(tǒng)一處理和管理。同時(shí)，作為一個(gè)基礎(chǔ)資源，經(jīng)過加工處理的語料庫也需要以一種和應(yīng)用以及平臺(tái)無關(guān)的形式存在而支持相對(duì)廣泛的應(yīng)用。為此需要對(duì)雙語語料庫進(jìn)行統(tǒng)一編碼，從而方便雙語語料庫的管理、統(tǒng)一處理、共享和交換。

目前在信息處理界普遍使用的XML 語言作為編碼的元語言，由于XML 語言的普及和業(yè)界的廣泛支持，基于XML 語言的編碼體系將容易獲得廣泛的軟件支持。

3 語料庫文本收錄原則

對(duì)于語料庫文本收錄，通常首先要考慮的問題是語料的平衡性，理想的情況是收入語料庫的文本在題材、語體、時(shí)間跨度等方面有一個(gè)合理的平衡，使得語料庫具有所謂的平衡性，但平衡原則往往難以保證，一方面語料的平衡與否缺乏可以操作的評(píng)價(jià)辦法；另一方面語料庫的建設(shè)通常都有潛在應(yīng)用目標(biāo)，單純追求平衡的原則也并無必要；

在建設(shè)漢英雙語語料庫時(shí)，由于涉及兩種語言，高質(zhì)量的雙語語料遠(yuǎn)遠(yuǎn)不如高質(zhì)量的單語語料那樣容易收集，平衡性則更難保證，因而我們的原則首要強(qiáng)調(diào)語料的質(zhì)量，要收入語料庫的文本，其文字質(zhì)量和譯文質(zhì)量需要得到認(rèn)可，在此前提下，再進(jìn)一步考慮語料的代表性。

4 語料庫的描述內(nèi)容

在雙語語料庫描述何種信息將直接關(guān)系到語料庫的使用問題，為了有效支持漢英雙語語料庫在機(jī)器翻譯研究中的應(yīng)用以及兼顧其他應(yīng)用，目前漢英雙語語料庫中主要標(biāo)記了下面的信息：

（a）文本屬性信息，描述了收入語料庫中的漢英文本標(biāo)題、作者、文體、語體、領(lǐng)域和創(chuàng)作時(shí)代方面的屬性信息。

（b）文本結(jié)構(gòu)信息，標(biāo)記了收入語料庫中漢英文本的標(biāo)題、子標(biāo)題、段落、句子的邊界信息。

（c）雙語對(duì)齊信息，標(biāo)記了收入語料庫中漢英文本在句子一級(jí)的對(duì)齊互譯關(guān)系。