这个项目厉害了，横跨六十余年的中文历时语料库-技术圈

【公众号回复 “1024”，免费领取程序员赚钱实操经验】

大家好，我是章鱼猫。

今天推荐的这个项目是「ChineseDiachronicCorpus」，中文历时语料库，横跨六十余年，包括腾讯历时新闻 2009 - 2016，人民日报历时语料 1946 - 2003，参考消息历时语料 1957 - 2002。

基于历时流通语料库，可用于历时语言变化计算、语言监测、社会文化变迁研究提供基础性的语料支持。

语言是人类重要的交际工具，同时也是社会的镜子，语言记录并反映了社会，对语言记录进行挖掘、计算，可以从各个层面对社会进行解读。

例如，基于语料库进行词语考察，以反映单个词语在不同时间周期中的使用及变动情况。以语料为载体，挖掘出属于某个特定时间周期的社会特点，例如年度关键词、年度人物、年度流行语；对词语进行文化计算，如颜色计算、性别计算、观点计算等，以考察整个社会对某一事物、看法的演变。

当前，开源可用的中文历时语料库较少。代表性的有北京语言大学国家语言资源监测与研究平面媒体中心 DCC 动态流通语料库，其对国内数十家报纸媒体进行监测，也有中国传媒大学网络媒体中心的历时语料库可以使用。

随着网络技术的发展以及采集技术的相对成熟，构建起历时语料库变得越来越容易，这就使得向外界共享历时语料库变得更为便利且必要。

本项目，旨在通过公开收集的方式，从网络媒体和平面媒体两个角度出发，形成腾讯新闻、人民日报、参考消息三大历时语料库，以供社会开放使用。

基于这个语料库，能够做什么呢？总结了下，至少可以从词语考察、语义计算、热度计算、文化计算、媒体对比、语法研究等六个方面开展工作。

对于如何获取数据，下表是对数据集的介绍，需要使用的可以开放下载使用，因涉及版权问题，暂只放数据来源。

开源项目地址：https://github.com/liuhuanyong/ChineseDiachronicCorpus

开源项目作者：刘焕勇

推荐阅读：

只有 1000 行代码的分布式数据库，真的牛逼值得学习

---特别推荐---

特别推荐：一个新的优质的专注分享各种浏览器插件、黑科技教程、各种你想不到的高效率软件及工具的公众号，「黑科技指北」，非常值得大家关注。