Toto je starší verze dokumentu!
Korpus ukWaC
Obsahuje 2 miliard slov. Byl vytvořen na základě webových domén s příponou .uk a využil seznamy středně frekventovaných slov založené na korpusu BNC. Obsahuje slovnědruhové tagování a lematizaci pomocí nástroje TreeTagger, více informací zde, tagset je k nalezení 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)
