本仓库主要搜集文言文与对应的書き下し文的平行语料
由于简体字中所存在的合并字问题(如:后/後
、余/餘
等),本语料库中的中文部分统一使用繁体字,且主要来源于中國哲學書電子化計劃
同中文一样,日文在书写上同样存在多种方案,且大致可分为旧字旧假名、旧字新假名、新字旧假名、新字新假名四种,如:
文言文 | 對曰 |
旧字旧假名 | 對へて曰はく |
旧字新假名 | 對えて曰わく |
新字旧假名 | 対へて曰はく |
新字新假名 | 対えて曰わく |
考虑到日文资料的分散性,实际搜集过程中难以统一书写方案,但总体上遵循以下的偏好次序进行搜集:
- 旧字旧假名>新字旧假名>旧字新假名>新字新假名
欢迎有志之士另外搜集语料并提交PR,但在整理时需注意:
请确保资料的原始文本为繁体,而非通过工具自动繁简转换的结果,以免出现类似玖球天後
的谬误。推荐使用中國哲學書電子化計劃
请注意对振り仮名的处理。虽然本仓库目前所搜集的语料中均未标注振り仮名,但在需要标注的情况下可以采用以下格式:
<ja><ruby>燕<rt>えん</rt>雀<rt>じゃく</rt></ruby><ruby>安<rt>いずく</rt></ruby>んぞ<ruby>鴻<rt>こう</rt>鵠<rt>こく</rt></ruby>の<ruby>志<rt>こころざし</rt></ruby>を<ruby>知<rt>し</rt></ruby>らんや</ja>
当然,在振り仮名处理比较麻烦的情况下直接删去即可