Toto je starší verze dokumentu!
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 Morph-it!, více informací zde.
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. (PDF ke stažení)
