語料庫

corpus linguistics

• 語料庫 (corpus) 是語言學的資料庫， 但是和一般資料庫不同點在於語料庫通常伴有「語言訊息標記」(annotation)。可以是構詞句法 (POS)、詞意 (word sense)、義類 (semantic class)、語用言談標記 (discourse marker)、情緒等等，端視研究與應用目的而定。

• 在一般 text mining 的研究，則單純是文集 (text collection)。

用 tm來建立(小型)語料庫

文本格式

• tm (Feinerer and Hornik, 2014) 支持的格式包括了 text, PDF, Microsoft Word, 以及 XML。

Quanteda