基于«中国日报»(2019~2021)的安徽形象语料库建设

秦琬 蒋碧晗

(淮北理工学院，安徽 淮北 235000)

一、 引言

(一)研究背景

改革开放以来，中国各省迅速发展，区域形象的塑造与推广成为软实力的主要表现，如何调动各方力量塑造区域形象成为发展的题中要义。 软实力愈来愈多地被用于吸引投资和人才，优良的区域形象在经济发展和区域对外交流中日益关键。

安徽具备南北特性，由于其特殊的区域位置，安徽在全国发展中起到承前启后、承东启西的功效。 此外，随着社会经济的迅速发展，智能化和城市化的快速推进，以及中部崛起等有关规划的适用，安徽经济慢慢踏入快车道。 但是，因为资源等因素的限定，安徽社会经济发展面临一些问题，与东部地区尤其是附近省份的差别持续拉大。 要引进外资，得到发展机会，区域形象建设至关重要。掌握安徽形象的现况，找到安徽形象存在的不足，明确其形象定位，对安徽的发展具有重要的意义。本研究即以此为背景，探讨基于«中国日报»的安徽形象语料库建设，通过对新媒体信息的整理，实现对信息资源的历时呈现，不仅可以用于话语分析，更是对语言学和传播学信息资源的重要补充。

(二)研究方法

本研究将采用文献法、语料库方法和人工辅助法。

其一，文献研究法:通过阅读大量有关参考文献，全方位准确地掌握海外语料库的发展趋势和中国语料库的成效，参照诸多学者的研究成果，包含基本思路、研究思路和研究成果，将适合语料库基本建设的一部分消化吸收，运用到本文章的创作中。

其二，语料库方法:收集2019~2021 年度«中国日报»有关安徽的新闻文本，通过Python 根据关键词“安徽”搜集网站上相关语料，然后进行语料清洗，从而构建单语语料库。

其三，人工辅助方法:在语料清洗过程中，需要清洗相应图片、多余的标点符号等，从而确保语料库的质量。

二、 文献综述

与本选题有关的研究主要包括安徽形象研究、语料库语言学研究及基于语料库的安徽形象研究，下文分别对这三方面展开概述。

(一)安徽形象研究

形象就是指“对某事情的意志、观念和印象”。并不是事物自身，只是对物体的感知或观点。 这是一种主观性印象，由传播学、交往经历、成长经历、自然环境等要素建立[1]。 因而，安徽品牌形象可被理解为中国群众对安徽的印象，是对安徽本质整体实力、外在魅力和未来发展前景的实际感知、整体观点和综合考核[2]。

随着安徽经济逐步发展，越来越多的学者对安徽形象进行了研究。 钱智和徐俊结合思维科学、行为科学、区域规划等学科的相关理论，以安徽形象设计为例，提出了区域形象设计概念、基本思想以及操作框架[3]；杨杰、吴克明运用“安徽形象评价量表”进行调查，针对安徽形象就人口素养、自然环境及政府治理提出改进措施[4]；李彦迪、刘叶青、邹菲菲等就安徽省外宣文本，在语域理论视角下对安徽形象进行建构[5]。

(二)语料库语言学研究

自20 世纪60 年代初以来，语料库至今已经历60 多年的发展，研究语料库的学者也越来越多。 语料库的出现，也对语言研究产生了巨大的影响，拓宽了研究的角度与视野，完成了从定性到定性与定量相结合的转变。 随着计算机技术的发展，1993年，Mona Baker 提出，可以根据语料库对大量翻译文本进行描写和分析，从而证实了翻译可作为沟通媒介这一现象[6]。 Sara Laviosa 介绍了不同类型的语料库在翻译教学中的应用[7]。

相较而言，国内语料库语言学起步较晚，从成果来看，语料库被广泛应用于教学、翻译、词汇、语义、词典和语法等语言研究领域。 如王克非就双语语料库设计构建提出一系列想法[8]，张威提出口译语料库的开发与建设[9]，胡开宝也就语料库基础特性、研究领域进行了系统梳理[10]。 但语料库就话语分析方面的研究仍处于初期阶段，还需要进一步补充与探究。

(三)基于语料库的安徽形象研究

笔者通过中国知网(CNKI)检索“安徽形象＋语料库”，发现与之相关的研究成果数量不多。 左言娜以安徽省人民政府网站和安徽省旅游局网站文本为语料库，搭建语料库，以系统功能应用语言学为理论框架，选用批评性话语分析方式，探讨互联网媒体语句里的安徽旅游国际地位[11]。 同年，左言娜还依据此语料库对新媒体话语中的安徽外宣形象进行探究。 钟紫薇利用语料库检索软件等自建小型语料库，通过收集、整理和分类2016 年China Daily 网站中关于安徽的英语新闻报道，运用语料库语言学理论对不同类别的新闻报道展开话语分析[12]。 以上研究已将语料库引入安徽形象研究中，为提升安徽区域形象做出了较大贡献。

三、 语料库建设

(一)安徽形象语料库建设简介

语料库主要有四种形式:单语种语料库、平行语料库、多语种语料库和可比语料库。 其中单语种语料库仅包含一种语言的文本；平行语料库包含两个单语种语料库，一个语料库是另一个语料库的翻译；多语种语料库包含多种语言的文本，且都是相同文本的翻译，存在与平行语料库相同的方式对齐；可比语料库是一组两个或两个以上的单语语料库，其文本涉及同一主题，但它们不是彼此的翻译，因此没有对齐。 就文章研究需要而言，要建设的语料库为单语种语料库。 此部分主要探索语料库设计、语料收集等。

(二)语料库设计

王克非认为语料库的总体设计是与建库目的密切相关的，需要考虑如下十点:设计目的、语言规模、语料范围、代表性与均衡性、双语比例、共时/历时性、语言类型、语言质量、取样策略和标注加工[8]。 据此标准，建设语料库的参数和特点如表1所示。

表1 语料库设计参数表

(三)语料采集与清洗

由于文本信息量较大，本次研究使用Python 软件，基于词义相关度进行语料收集，首先打开Python，设定关键词为“安徽”，后设置程序运行。爬取基本操作步骤包括:①寻找文本数据量大的网站URL，形成爬虫的初始URL 队列；②访问网页链接，获得网页数据；③通过下载器对网页数据进行下载；④根据页面的HTML 格式进行解析，编写Xpath 表达式筛选出需要保留的文本信息；⑤再对文本信息分词，存为词汇素材列表，并完成后续的URL 跳转动作使得爬虫持续运行。 得到语料如图1所示。

图1 语料爬取数据

研究共收集语料2475 篇，合计80 余万字。 胡开宝提到:语料采集是指将书面语料和口语语料输入电脑，并以电子文本形式储存[10]。 在广泛收集的大量语料素材数据中，部分数据的格式并不符合预期要求，其中存在大量的无效信息，例如夹带着多种的符号、标记，文字间残留大量空格等。 这与预期格式存在差异，为了让计算机可以识别并方便后续的处理，必然要对收集的数据信息进行预处理。所以语料库构建的首个步骤就是对语料素材信息进行规范化处理。 先使用正则表达式对大部分符号进行删除操作，少部分情况特殊处理。 经过对符号的处理可以使绝大部分的文本数据符合格式要求。 再对文本内容的格式进行处理，针对一些特殊格式数据例如小说、诗歌，其中存在非文本数据和无意义文本。 非文本数据指不是文本中主要内容，主要起定义格式、装饰文本作用，例如HTML 标签、URL 地址、乱码等；无意义文本指文本数据中常出现但无实际意义的内容，例如作者附加的内容、广告内容、版权信息和个性签名的部分内容等。

(四)语料库建成

在进行筛选后，导出四个版本文件，为tmx 格式、Word 格式、Excel 格式以及txt 格式。 这四种格式满足不同的需求:tmx 格式作为翻译记忆库，主要适用于计算机辅助翻译软件；Word 格式用于日常查阅，确定表达；Excel 格式便于检索；txt 格式适用于文本转换。 自建小型语料库(图2)包含2475 篇新闻，其中经济类578 篇、政治类634 篇、市民生活类704 篇以及社会文化类559 篇，共计1026876 字符，按照经济、政治、文化等方面进行分类。 后续使用语料检索软件AntConc4.1.2w，通过词频统计、高频词索引行等路径，并结合批评话语分析、评价理论和议程设置理论，对检索结果进行定性、定量分析，通过有理、有力、有节地传递自身声音，构建安徽形象话语体系，让更多人了解安徽、熟悉安徽、亲近安徽。

图2 单语语料库

四、 结语

笔者基于收集到的网站信息，设计语料库(设计目的，语料库规模，语料库范围，语言类型和语言质量)、处理文本(分类、清洗、标注语料)，建立小型语料库，旨在帮助分析安徽形象现状，并提出改进安徽形象的策略和建议。 因此，通过个人建立小型单语语料库，可以在一定程度上了解和使用语料库这一新的研究方法，方便研究者在科研领域克服技术难关。