Rozdíly
Zde můžete vidět rozdíly mezi vybranou verzí a aktuální verzí dané stránky.
Obě strany předchozí revizePředchozí verzeNásledující verze | Předchozí verze |
cnk:itwac [2013/12/28 19:32] – lukasjanicik | cnk:itwac [2023/03/02 06:39] (aktuální) – upraveno mimo DokuWiki 127.0.0.1 |
---|
====== Korpus itWaC ====== | ====== Korpus itWaC ====== |
| |
Obsahuje 2 miliardy slov. Byl vytvořen na základě webových domén s příponou .it a využil seznam středně frekventovaných slov z korpusu Repubblica a základních seznamů z italských slovníků. Obsahuje slovnědruhové tagování pomocí nástroje TreeTagger a lematizaci pomocí lexikonu [[http://dev.sslmit.unibo.it/linguistics/morph-it.php|Morph-it!]], [[http://wacky.sslmit.unibo.it/doku.php?id=corpora|více informací zde]]. | 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]]. |
| |
== Jak citovat == | == Jak citovat == |