Rozdíly
Zde můžete vidět rozdíly mezi vybranou verzí a aktuální verzí dané stránky.
Následující verze | Předchozí verze |
cnk:itwac [2013/06/20 20:56] – vytvořeno olgarichterova | cnk:itwac [2023/03/02 06:39] (aktuální) – upraveno mimo DokuWiki 127.0.0.1 |
---|
| |
| ====== Korpus itWaC ====== |
| |
frWaC | Korpus webových textů stažených z domény .it, jeho celkový rozsah je 1,6 miliardy slov. Korpus je slovnědruhově označkován a lemmatizován nástrojem [[http://www.cis.uni-muenchen.de/~schmid/tools/TreeTagger/|TreeTagger]], podrobnější informace o vzniku korpusu a použitém lexikonu [[http://dev.sslmit.unibo.it/linguistics/morph-it.php|Morph-it!]] najdete [[http://wacky.sslmit.unibo.it/doku.php?id=corpora|zde]]. |
| |
a 1.6 billion word corpus constructed from the Web limiting the crawl to the .fr domain and using medium-frequency words from the Le Monde Diplomatique corpus and basic French vocabulary lists as seeds. The corpus was POS-tagged and lemmatized with the TreeTagger, more information available here. | == 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]]) |
| |
http://wacky.sslmit.unibo.it/doku.php?id=corpora | ====== Související odkazy ====== |
| <WRAP round box 49%> |
| [[cnk:dewac|Korpus deWaC]] • [[cnk:frwac|Korpus frWaC]] • [[cnk:ukwac|Korpus ukWaC]] |
| </WRAP> |