Seznam textových korpusů - List of text corpora

Následuje a seznam textových korpusů v různých jazycích. „Textové korpusy“ je množné číslo „textový korpus ". Textový korpus je velká a strukturovaná sada textů (dnes se obvykle elektronicky ukládají a zpracovávají). Textové korpusy se používají ke statistickým analýzám a testování hypotéz, ke kontrole výskytů nebo k ověření jazykových pravidel na území konkrétního jazyka. Pro komplexnější informace seznam textových korpusů, viz https://linguistlist.org/sp/GetWRListings.cfm?wrtypeid=1

anglický jazyk

Evropské jazyky

slovanský

Východoslovanský

Jihoslovanský

Západoslovanský

Němec

Středovýchodní jazyky

  • Corpus Inscriptionum Semiticarum
  • Kanaanäische und Aramäische Inschriften
  • Hamshahri Corpus (Peršan )
  • Perština v korpusu MULTEXT-EAST (Peršan)[11]
  • Amarna dopisy, (pro Akkadština, Egyptský, Sumerogram atd.)
  • TEP: Teheránský anglicko-perský paralelní korpus[12]
  • TMC: Teheránský jednojazyčný korpus, Standardní korpus pro modelování v perském jazyce[12]
  • Persian Today Corpus: Nejčastější slova dnešního perštiny, založená na korpusu s jedním slovem (v perštině: Vāže-hā-ye Porkārbord-e Fārsi-ye Emrūz), Hamid Hassani Teherán, Íránský jazykový institut (ILI), 2005, 322 stran. ISBN  964-8699-32-1
  • Kurdský korpus.uok.ac.ir (Kurdish-corpus Sorani dialect) University of Kurdistan, Department of English Language and Linguistics
  • Bijankhan Corpus Současný perský korpus pro výzkumy NLP, Teheránská univerzita, 2012
  • Projekt neoasyrského textového korpusu
  • Koránský arabský korpus (Klasická arabština)
  • Elektronický textový korpus sumerské literatury
  • Otevřete bohatě anotovaný klínový korpus
  • Korpus textu Asosoft[13]

Devanagari

Východoasijské jazyky

Jihoasijské jazyky

Souběžné korpusy různých jazyků

  • Korpus EUR-Lex - sbírka všech úředních jazyků Evropské unie vytvořená z databáze EUR-Lex[16]
  • OPUS: Open source Parallel Corpus v mnoha mnoha jazycích[17]
  • Tatoeba Souběžný korpus, který obsahuje více než 8,9 milionu vět ve více jazycích; 107 jazyků má každý více než 1 000 vět; dalších 81 jazyků má od 100 do 1 000 vět.[18]
  • Sazenice corpus - Semenový korpus pro projekt lidského jazyka s více než 1000 jazyky z různých zdrojů.[20]
  • GRALIS paralelní texty pro různé slovanské jazyky, sestavené Ústavem pro slovanské jazyky na univerzitě v Grazu (Branko Tošović a kol.)
  • ACTRES Parallel Corpus (P-ACTRES 2.0) je obousměrný anglicko-španělský korpus skládající se z originálních textů v jednom jazyce a jejich překladu do druhého. P-ACTRES 2.0 obsahuje více než 6 milionů slov s ohledem na oba směry dohromady.[21]


Srovnatelné korpusy

L2 korpusy

  • Cambridge Learner Corpus[30]
  • Korpus akademické psané a mluvené angličtiny (CAWSE),[31] sbírka ukázek anglického jazyka čínských studentů v akademickém prostředí. Zdarma ke stažení online.  
  • Angličtina jako Lingua Franca v akademickém prostředí (ELFA),[32] akademický korpus ELF.[33][34]
  • International Corpus of Learner English (ICLE),[35] korpus studenta psaný anglicky.
  • Louvain International Database of Spoken English Interlanguage (LINDSEI),[36] korpus studenta mluvený anglicky.
  • Trinity Lancaster Corpus, jeden z největších korpusů L2 mluvené angličtiny.[37][38]
  • Corpus University of Pittsburgh English Language Institute (PELIC)[39]
  • Vídeň-Oxfordský mezinárodní korpus angličtiny (VOICE),[40] korpus ELF.[33]

Reference

  1. ^ „Corpus Resource Database (CoRD)“. Katedra angličtiny, University of Helsinki.
  2. ^ Profesor Mark Davies z BYU vytvořil online nástroj pro vyhledávání korpusu anglického jazyka Google, čerpaného z Knih Google, na adrese http://googlebooks.byu.edu/x.asp.
  3. ^ "PhraseFinder". Vyhledávač pro Google Books Ngram Corpus, který podporuje dotazy se zástupnými znaky a nabízí API.
  4. ^ (ve španělštině) "Molinolabs - korpus". molinolabs.com. Citováno 12. ledna 2014.
  5. ^ „CorALit - CorALit - Lietuvių mokslo kalbos tekstynas“. coralit.lt. Citováno 12. ledna 2014.
  6. ^ „Turkish National Corpus - Türkçe Ulusal Derlemi - Homepage“. tnc.org.tr. Citováno 12. ledna 2014.
  7. ^ Glazkova, A (2018). "Automatické vyhledávání fragmentů obsahujících biografické informace v textu v přirozeném jazyce". Sborník Ústavu pro systémové programování RAS. 30 (6): 221–236. doi:10.15514 / ISPRAS-2018-30 (6) -12.
  8. ^ Rubtsova, Yu (2015). „Konstrukce korpusu pro výcvik klasifikace sentimentu“. Software a systémy. 1: 72–78. doi:10.15827 / 0236-235X.109.072-078.
  9. ^ „Probíhá aktualizace“. hledat.dcl.bas.bg. Citováno 12. ledna 2014.
  10. ^ "Portál | Český národní korpus".
  11. ^ Zdravkova, Katrina; Tufiş, Dan; Simov, Kiril; Radziszewski, Adam; Qasemizadeh, Behrang; Priest-Dorman, Greg; Petkevič, Vladimír; Oravecz, Csaba; Krstev, Cvetana; Kotsyba, Natalia; Kaalep, Heiki-Jaan; Ide, Nancy; Garabík, Radovan; Dimitrova, Ludmila; Derzhanski, Ivan; Barbu, Ana-Maria; Erjavec, Tomaž (2010-05-14). „Dostupné od CLARIN“. http://nl.ijs.si/me/v4/. Externí odkaz v | deník = (Pomoc)
  12. ^ A b „University of Tehran NLP Lab“. ece.ut.ac.ir. Archivovány od originál dne 28. ledna 2014. Citováno 12. ledna 2014.
  13. ^ Hadi Veisi, Mohammad MohammadAmini, Hawre Hosseini; Směrem ke zpracování kurdského jazyka: Experimenty se shromažďováním a zpracováním textového korpusu AsoSoft, Digital Scholarship in the Humanities, fqy074, https://doi.org/10.1093/llc/fqy074
  14. ^ „KOTONOHA「 現代 日本語 書 き 言葉 均衡 コ ー パ ス 」少 納 言“. kotonoha.gr.jp. Citováno 12. ledna 2014.
  15. ^ D. Upeksha, C. Wijayarathna, M. Siriwardena, L. Lasandun, C. Wimalasuriya, N. de Silva a G. Dias. 2015. Implementace korpusu pro jazyk Sinhala. Na sympoziu o jazykových technologiích pro jižní Asii.
  16. ^ „EUR-Lex Corpus“. sketchengine.co.uk. Citováno 27. října 2016.
  17. ^ „OPUS - open source paralelní korpus“. opus.lingfil.uu.se. Citováno 12. ledna 2014.
  18. ^ „Tatoeba - počet vět na jazyk“. tatoeba.org. Citováno 23. listopadu 2020.
  19. ^ Liling Tan a Francis Bond (14. května 2012). „Vytváření a anotace jazykově rozmanitého NTU-MC (NTU - Multilingual Corpus)“ (PDF). International Journal of Asian Language Processing. 22 (4): 161–174. Archivovány od originál (PDF) dne 16. ledna 2014. Citováno 12. ledna 2014.
  20. ^ Guy Emerson, Liling Tan, Susanne Fertmann, Alexis Palmer a Michaela Regneri. 2014. SeedLing: Budování a používání seed korpusu pro projekt Human Language. In Proceedings of the use of Computational methods in the study of Endangered Languages ​​(ComputEL) Workshop. Baltimore, USA.
  21. ^ H. Sanjurjo-González a M. Izquierdo. 2019. P-ACTRES 2.0: Paralelní korpus pro mezijazykový výzkum. In Parallel Corpora for Contrastive and Translation Studies: New resources and applications (pp. 215-231). Nakladatelství John Benjamins.
  22. ^ Ralf Steinberger Ralf; Bruno Pouliquen; Anna Widiger; Camelia Ignat; Tomaž Erjavec; Dan Tufiş; Dániel Varga (2006). JRC-Acquis: Vícejazyčný zarovnaný paralelní korpus s více než 20 jazyky. Sborník z 5. mezinárodní konference o jazykových zdrojích a hodnocení (LREC'2006). Janov, Itálie, 24. – 26. Května 2006.
  23. ^ Liling Tan, Marcos Zampieri, Nikola Ljubešic a Jörg Tiedemann. Sloučení srovnatelných zdrojů dat pro diskriminaci podobných jazyků: Sbírka korpusů DSL. Ve sborníku ze 7. workshopu o budování a používání srovnatelných korpusů (BUCC). 2014.
  24. ^ Kilgarriff, Adam (2012). „Seznámení s vaším korpusem“. Text, řeč a dialog. Přednášky z informatiky. 7499. s. 3–15. CiteSeerX  10.1.1.452.8074. doi:10.1007/978-3-642-32790-2_1. ISBN  978-3-642-32789-6.
  25. ^ Belinkov, Y., Habash, N., Kilgarriff, A., Ordan, N., Roth, R., & Suchomel, V. (2013). arTen-Ten: nový, rozsáhlý korpus pro arabštinu. Sborník WACL.
  26. ^ Kilgarriff, A., & Renau, I. (2013). esTenTen, rozsáhlý webový korpus poloostrovní a americké španělštiny. Procedurálně-sociální a behaviorální vědy, 95, 12-19.
  27. ^ Хохлова, М. В. (2016). Обзор больших русскоязычных корпусов текстов. v Материалы научной конференции "Интернет и современное общество" (str. 74-77).
  28. ^ Khokhlova, M. (2016). Srovnání vysokofrekvenčních podstatných jmen z pohledu velkých korpusů. RASLAN 2016 Nedávné pokroky ve slovanském zpracování přirozeného jazyka, 9.
  29. ^ Trampuš, M., & Novak, B. (2012, říjen). Interní stránky agregovaného zdroje webových zpráv. v Sborník příspěvků z patnácté mezinárodní konference o informační vědě IS SiKDD 2012 (str. 431-434)
  30. ^ „Cambridge English Corpus“, Wikipedia, 2019-09-27, vyvoláno 2020-01-07
  31. ^ „CAWSE Corpus - The University of Nottingham Ningbo China - 宁波 诺丁汉 大学“. nottingham.edu.cn. Citováno 2020-01-07.
  32. ^ „Angličtina jako Lingua Franca v akademickém prostředí“. University of Helsinki. 2018-03-23. Citováno 2020-01-07.
  33. ^ A b „Angličtina jako lingua franca“, Wikipedia, 2019-12-14, vyvoláno 2020-01-07
  34. ^ Mauranen, A (2010). „Angličtina jako akademická lingua franca: projekt ELFA“. Angličtina pro specifické účely. 29 (3): 183–190. doi:10.1016 / j.esp.2009.10.001.
  35. ^ „ICLE“. UCLouvain. Citováno 2020-01-07.
  36. ^ „LINDSEI“. UCLouvain (francouzsky). Citováno 2020-01-07.
  37. ^ „Trinity Lancaster Corpus | Centrum ESRC pro korpusové přístupy k sociálním vědám (CASS)“. Citováno 2020-01-07.
  38. ^ Gablasova, D (2019). „The Trinity Lancaster Corpus: Development, Description and Application“. International Journal of Learner Corpus Research. 5 (2): 126–158. doi:10.1075 / ijlcr.19001.gab.
  39. ^ Juffs, A., Han, N-R., & Naismith, B. (2020). Korpus anglického jazyka University of Pittsburgh (PELIC) [soubor dat]. http://doi.org/10.5281/zenodo.3991977
  40. ^ "Projekt". univie.ac.at. Citováno 2020-01-07.