Rozdíly

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

--- cnk:itwac [2013/06/20 20:56] – vytvořeno Olga Richterova
+++ cnk:itwac [2023/03/02 06:39] (aktuální) – upraveno mimo DokuWiki 127.0.0.1
@@ Řádek 1: / Řádek 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>

Historie: