Web环境下自动获取汉、维语料库

• 作者: 吐尔根·依布拉音 姜子进 田生伟 赛依旦·阿不力米提
• 来源期刊: 计算机应用与软件
• 学科: 工学
• 关键词: 双语平行语料库 双语平行句对 正文提取
• 年，卷（期）: 2011,（12）
• 所属期刊栏目: 基金项目论文
• 页码范围: 19-21,70
• 分类号: TP391
• 字数: 3805字
• 语种: 中文
• DOI: 10.3969/j.issn.1000-386X.2011.12.005

摘要

句子级的语料库是机器翻译的重要资源,但由于获取途径的限制,句子级的语料库不仅数量有限而且经常集中在特定领域,很难适应真实应用的需求.根据锚文本信息通过搜索引擎在网络上找到汉维双语平行网站,并下载网站中所有的双语平行网页.提取出有正文的网页,根据html特征,建立html树,提出一种将html树结构作为识别网页正文内容重要特征的网页分析方法,并根据正文内容信息相似性提取网页正文.对提取出的正文进行句子切分,分别创建句子级的汉、维语料库,为以后创建句子级的汉维双语平行语料库服务.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	吐尔根·依布拉音	新疆大学信息科学与工程学院	116	771	14.0	22.0
2	田生伟	新疆大学信息科学与工程学院	101	343	9.0	13.0
3	赛依旦·阿不力米提	新疆大学信息科学与工程学院	3	7	2.0	2.0
4	姜子进	新疆大学信息科学与工程学院	1	1	1.0	1.0