Corpus general de internet al limbii ruse | |
---|---|
URL | webcorpora.ru |
Comercial | Nu |
Tipul site-ului | proiect educațional/științific |
Înregistrare | da : necesar pentru a accesa căutarea |
limbi) | Rusă |
Locația serverului | Rusia |
Începutul lucrării | anul 2012 |
Statusul curent | funcționează și se dezvoltă |
Corpusul general de internet al limbii ruse (GIKRYA) este un corpus electronic online de texte rusești care poate fi căutat de pe Internet. Deschis în 2013 . Corpusul include materiale text din blogosferă , rețele sociale , din cele mai mari resurse de știri și din reviste literare .
Proiectul are statut de educațional și științific, iar multe probleme de lingvistică computațională sunt rezolvate de cercetători independenți și grupuri științifice pe baza materialului primit de GICR. În timp ce alte proiecte de corpus se concentrează pe ficțiune și texte editate , General Internet Corpus oferă lingviștilor ruși oportunitatea [1] de a studia limba așa cum este, cu toate caracteristicile regionale și argotice .
Corpul face posibil:
În diferite momente, cercetări și cercetări independente asupra materialului proiectului au fost efectuate de studenți, studenți absolvenți și angajați ai Universității de Stat din Moscova , Institutului de Fizică și Tehnologie din Moscova , Universitatea de Stat Rusă pentru Științe Umaniste , Universitatea de Stat Novosibirsk, Universitatea Națională de Cercetare Școala Superioară de Economie , Institutul de Cercetări Nucleare, Academia Rusă de Științe , Universitatea Federală de Sud , ChSU , VGPU , ISAA MSU .
Supraveghetori științifici ai proiectului:
La crearea și susținerea proiectului au participat următoarele persoane:
Volumul corpusului pentru vara anului 2016 este de 19,8 miliarde de cuvinte, dintre care 49 % sunt pe Vkontakte , 40% pe LiveJournal , alți 4% pe [email protected] și News și 2% pe Sala Jurnal [4] . Segmentul Știri conține materiale din surse: RIA Novosti , Regnum , Lenta.ru , Rosbalt . Textele sunt furnizate cu meta-markup (până la data creării textului, sexul, locul și anul nașterii autorului, genul de pe internet și așa mai departe); toate textele sunt echipate cu marcaj morfologic automat și lematizate [4] . Majoritatea textelor sunt create de înregistrări pentru 2013-2014 , deși unele segmente, de exemplu, în Sala Jurnalului, conțin texte începând din 1994 [5] .
Subcorpus | Cuvinte, milioane | textele |
[email protected] | 707 | 9882120 |
In contact cu | 9820 | 193770717 |
Jurnal live | 8110 | 73229158 |
sala de reviste | 313 | 56547 |
Subcorpus de știri ( RIA Novosti , Regnum , Lenta.ru , Rosbalt ) | 851 | 2964897 |
Tot corpul | 19801 | 279903439 |
GICR este unul dintre puținele mega-corpuri care ajunge la câteva miliarde de cuvinte.
Cadru | Limbi | Acces | Site-ul web | Volum | Capabilități |
---|---|---|---|---|---|
COW: Corporații web gratuite, mari în limbi europene | engleză , franceză , germană , spaniolă , suedeză , olandeză | gratuit, după înregistrare, accesul de probă este posibil fără înregistrare | https://web.archive.org/web/20160221212019/https://webcorpora.org/ | aproximativ 30 de miliarde de cuvinte | Format KWIC, morph markup, căutare CQP, marcare și căutare după dată, URL , țară, oraș etc. |
motor de schiță | engleză , franceză , germană , italiană , arabă , rusă , spaniolă , portugheză , coreeană , japoneză , chineză ; mai multe limbi disponibile contra cost | contra cost, după înregistrare, este posibil accesul de probă | https://www.sketchengine.co.uk/ | 86 de miliarde de cuvinte | concordanțe, gramatică schiță, tezaure , KWIC, morfo-etichetare, căutare CQP |
Aranea Corpora | Engleză , rusă , finlandeză , franceză , germană , maghiară , spaniolă , italiană , olandeză , poloneză , slovacă | gratuit, după înregistrare, accesul de probă este posibil fără înregistrare | http://sketch.juls.savba.sk/aranea_about/ | aproximativ 14 miliarde de cuvinte | noSketch Engine, concordanțe, gramatică schiță, KWIC, morpho markup, căutare CQP, compararea rezultatelor interogărilor în diferite limbi |
GIKRYA Corpus general de internet al limbii ruse | Rusă | gratuit, inregistrare la cerere | http://www.webcorpora.ru/ | 20 de miliarde de cuvinte | Format KWIC, morpho-markup, concordanțe, căutare CQP, marcare și căutare după dată, țară, oraș, segment runet , sex, anul și locul nașterii autorului, trimiterea rezultatelor de către utilizatori unul altuia |
CORPUS DE ENGLIZE GLOBALE BAZATE PE WEB (GloWbE) | Engleză , specificații pentru 20 de țări | fără înregistrare | http://corpus.byu.edu/glowbe/ | 1,9 miliarde de cuvinte | KWIC, concordanțe, colocați , compararea rezultatelor pe dialecte , CQP, întreg corpus poate fi descărcat |
Interfața corpus este în prezent în testare beta , așa că accesul la căutarea corpus este oferit și este gratuit, totuși, la cerere.
Lingvistica corpusului | |
---|---|
corpuri engleze |
|
Corpuri în limba rusă |
|
Corpora în alte limbi |
|
Organizații |