求教；多篇超过2000词的文本，在放入语料库时，该如何从各篇中选择2000词

[marquis108]

求教各位

我在学习构建语料库时遇到了一个问题，根据LOB语料库的构成，共500个语料，每个语料约为2000词。

那么，假如想放入语料库的多篇文章都超过了2000词，比如说5000词，那应该如何选取这2000词呢？

 

[armstrong]

可随机从不同文本的开始、中间及结束部分抽取2000词，尽量做到具有代表性。