Rozdíly
Zde můžete vidět rozdíly mezi vybranou verzí a aktuální verzí dané stránky.
Obě strany předchozí revizePředchozí verze | Následující verzeObě strany příští revize |
cnk:itwac [2013/12/28 19:32] – lukasjanicik | cnk:itwac [2014/03/10 15:06] – [Korpus itWaC] Michal Křen |
---|
====== 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 2 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 == |