语料库

是什么

语料库（corpus；复数corpora）是按一定研究或工程目的收集、整理并记录来源的语言材料集合。材料可以是文字、转写语音、对话或附带标签的文本。[1, chs. 2–3]

边界

语料是采样结果，不是“这门语言本身”。平台、时期、作者、许可、清洗和标注都会改变其分布；数据量大也不会自动补齐缺失社群。词表是从语料得到或另行规定的token集合，知识库则组织事实或关系，均不等同于语料库。

在本书中

见第14章：文本如何编码。本页为编辑初稿，独立事实复核待完成。