Rozdíly

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

--- cnk:dewac [2013/09/24 11:15] – olgarichterova
+++ cnk:dewac [2024/08/02 12:35] (aktuální) – [Korpus deWaC] michalkren
@@ Řádek 1: / Řádek 1: @@
 ====== Korpus deWaC ======
+Korpus webových textů stažených z domény .de, jeho celkový rozsah je 1,35 miliardy slov. Korpus je slovnědruhově označkován a lemmatizován nástrojem [[http://www.cis.uni-muenchen.de/~schmid/tools/TreeTagger/|TreeTagger]], podrobnější informace o vzniku korpusu najdete [[http://wacky.sslmit.unibo.it/doku.php?id=corpora|zde]].
-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 =====
-== Jak citovat ==
+<WRAP round tip 49%>
 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]])
+</WRAP>
+====== Související odkazy ======
+<WRAP round box 49%>
+[[cnk:frwac|Korpus frWaC]] • [[cnk:itwac|Korpus itWaC]] • [[cnk:ukwac|Korpus ukWaC]]
+</WRAP>

Historie: