Rozdíly

Zde můžete vidět rozdíly mezi vybranou verzí a aktuální verzí dané stránky.

--- cnk:dewac [2013/06/20 20:56] – vytvořeno olgarichterova
+++ cnk:dewac [2013/12/28 19:32] – [Související odkazy] lukasjanicik
@@ Řádek 1: / Řádek 1: @@
-deWaC
+====== Korpus deWaC ======
-a 1.7 billion word corpus constructed from the Web limiting the crawl to the .de domain and using medium-frequency words from the SudDeutsche Zeitung corpus and basic German vocabulary lists as seeds. The corpus was POS-tagged and lemmatized with the TreeTagger, more information available here.
-http://wacky.sslmit.unibo.it/doku.php?id=corpora
+Obsahuje 1,7 miliard slov. Byl vytvořen na základě webových domén s příponou .de a využil seznamy středně frekventovaných slov založené na korpusu SudDeutsche Zeitung a základní seznamy ze slovníků. Obsahuje slovnědruhové tagování a lematizaci pomocí nástroje [[http://www.cis.uni-muenchen.de/~schmid/tools/TreeTagger/|TreeTagger]], [[http://wacky.sslmit.unibo.it/doku.php?id=corpora|více informací zde]].
+== Jak citovat ==
+M. Baroni, S. Bernardini, A. Ferraresi and E. Zanchetta. 2009. The WaCky Wide Web: A Collection of Very Large Linguistically Processed Web-Crawled Corpora. Language Resources and Evaluation 43(3): 209-226. ([[http://wacky.sslmit.unibo.it/lib/exe/fetch.php?media=papers:wacky_2008.pdf|PDF ke stažení]])
+====== Související odkazy ======
+<WRAP round box 49%>
+[[cnk:frwac|Korpus frWaC]] • [[cnk:itwac|Korpus itWaC]] • [[cnk:ukwac|Korpus ukWaC]]
+</WRAP>

Historie: