Wikicorpus

Desde INFOLING me llega información sobre wikicorpus 1.0. Se trata de un corpus construido con las entradas de la wikipedia y que incluye el español, además del catalán y el inglés. En su web se presenta así:

The Wikicorpus is a trilingual corpus (Catalan, Spanish, English) that contains large portions of the Wikipedia (based on a 2006 dump) and has been automatically enriched with linguistic information. In its present version, it contains over 750 million words.

The corpora have been annotated with lemma and part of speech information using the open source library FreeLing. Also, they have been sense annotated with the state of the art Word Sense Disambiguation algorithm UKB. As UKB assigns WordNet senses, and WordNet has been aligned across languages via the InterLingual Index, this sort of annotation opens the way to massive explorations in lexical semantics that were not possible before.

Moreover, we also provide an open source Java-based parser for Wikipedia pages developed for the construction of the corpus.

El corpus es un trabajo de Samuel Reese, Gemma Boleda, Montse Cuadros, Lluís Padró y German Rigau.

No es ningún secreto que internet es, entre otras cosas, un gran archivo de textos. Basta hacer una búsqueda en google para obtener datos del uso de cualquier elemento lingüístico. Iniciativas como wikicorpus van un paso más allá al etiquetar el corpus ofreciendo además de los datos lingüísticos una codificación con información lingüística. No sería de extrañar que este de corpus, basados en textos archivados en internet, proliferen en los próximos años.

Anuncios

Responder

Introduce tus datos o haz clic en un icono para iniciar sesión:

Logo de WordPress.com

Estás comentando usando tu cuenta de WordPress.com. Cerrar sesión / Cambiar )

Imagen de Twitter

Estás comentando usando tu cuenta de Twitter. Cerrar sesión / Cambiar )

Foto de Facebook

Estás comentando usando tu cuenta de Facebook. Cerrar sesión / Cambiar )

Google+ photo

Estás comentando usando tu cuenta de Google+. Cerrar sesión / Cambiar )

Conectando a %s