摘要：语料库短语序列提取一直是短语学研究的关键技术环节。囿于计算和操作的复杂性,前人研究多使用相对单一的统计方法测量和提取短语序列,导致提取的数据包含大量噪音。文章使用前沿的大数据处理手段和计算技术,实现了基于频数、互信息、边界熵等多种统计手段的短语序列提取方法,并研制开发了相应的系统。实验结果表明,该系统能够在普通计算机上支持千万词级规模的大型语料库运算,并能显著提高短语序列的提取质量。

关键词：语料库驱动 短语序列 自动提取 设计与开发 

单位：北京航空航天大学; 北京市100191; 中国人民解放军后勤科学研究所; 北京市100166; 东华大学; 上海市201620