Till startsida
Webbkarta
Till innehåll Läs mer om hur kakor används på gu.se

The Swedish Culturomics Gigaword Corpus: A One Billion Word Swedish Reference Dataset for NLP

Paper i proceeding
Författare Stian Rødven Eide
Nina Tahmasebi
Lars Borin
Publicerad i Linköping Electronic Conference Proceedings. Digital Humanities 2016. From Digitization to Knowledge 2016: Resources and Methods for Semantic Processing of Digital Works/Texts, July 11, 2016, Krakow, Poland
ISBN 978-91-7685-733-5
ISSN 1650-3686
Förlag Linköping University Electronic Press
Förlagsort Linköping
Publiceringsår 2016
Publicerad vid Institutionen för svenska språket
Språk en
Länkar https://spraakbanken.gu.se/resurs/g...
www.ep.liu.se/ecp/article.asp?issue...
Ämnesord nlp, corpus, culturomics
Ämneskategorier Språkteknologi (språkvetenskaplig databehandling)

Sammanfattning

In this paper we present a dataset of contemporary Swedish containing one billion words. The dataset consists of a wide range of sources, all annotated using a state-of-the-art corpus annotation pipeline, and is intended to be a static and clearly versioned dataset. This will facilitate reproducibility of experiments across institutions and make it easier to compare NLP algorithms on contemporary Swedish. The dataset contains sentences from 1950 to 2015 and has been carefully designed to feature a good mix of genres balanced over each included decade. The sources include literary, journalistic, academic and legal texts, as well as blogs and web forum entries.

Sidansvarig: Webbredaktion|Sidan uppdaterades: 2012-09-11
Dela:

På Göteborgs universitet använder vi kakor (cookies) för att webbplatsen ska fungera på ett bra sätt för dig. Genom att surfa vidare godkänner du att vi använder kakor.  Vad är kakor?