Textový korpus AsoSoft - AsoSoft text corpus

Téma tohoto článku nemusí splňovat požadavky Wikipedie obecný pokyn k notabilitě. Pomozte prosím určit notabilitu citováním spolehlivé sekundární zdroje to jsou nezávislý tématu a poskytnout jeho významné pokrytí nad rámec pouhé triviální zmínky. Pokud nelze určit významnost, je pravděpodobné, že článek bude sloučeny, přesměrovánnebo smazáno. Najít zdroje: „Textový korpus AsoSoft“  – zprávy  · noviny  · knihy  · učenec  · JSTOR (Červen 2019) (Zjistěte, jak a kdy odstranit tuto zprávu šablony)

The Textový korpus AsoSoft je první ve velkém měřítku kurdština textový korpus, shromážděné a zpracované výzkumnou a vývojovou skupinou AsoSoft. Obsahuje 458 000 dokumentů (188 milionů tokenů), které jsou shromažďovány ze zdrojů, jako jsou webové stránky, tiskové agentury, knihy a časopisy. Korpus je částečně označen tématem, takže jej lze použít pro úkoly identifikace tématu. Je také použitelný pro extrakci jazykového modelu a výpočetní lexikonové informace. Část korpusu (75 milionů žetonů) je k dispozici online pro nekomerční použití. Korpus používá formát TEI.^[1]

Reference

externí odkazy

• Oficiální webové stránky
• AsoSoft-Text-Corpus na GitHub

Tento výpočetní lingvistika související článek je a pahýl. Wikipedii můžete pomoci pomocí rozšiřovat to.