The TenTen Corpus Family

JAKUBÍČEK, Miloš, Adam KILGARRIFF, Vojtěch KOVÁŘ, Pavel RYCHLÝ a Vít SUCHOMEL. The TenTen Corpus Family. Online. In 7th International Corpus Linguistics Conference CL 2013. Lancaster, 2013, s. 125-127.

Základní údaje

Originální název

The TenTen Corpus Family

Autoři

JAKUBÍČEK, Miloš, Adam KILGARRIFF, Vojtěch KOVÁŘ, Pavel RYCHLÝ a Vít SUCHOMEL

Vydání

Lancaster, 7th International Corpus Linguistics Conference CL 2013, od s. 125-127, 3 s. 2013

---

Další údaje

Typ výsledku

Stať ve sborníku

Utajení

není předmětem státního či obchodního tajemství

Forma vydání

elektronická verze "online"

Odkazy

Webové stránky konference Konferenční sborník abstraktů

Organizační jednotka

Fakulta informatiky

Štítky

best

Příznaky

Mezinárodní význam, Recenzováno

---

Anotace

V originále

Everyone working on general language would like their corpus to be bigger, wider-coverage, cleaner, duplicate-free, and with richer metadata. In this paper we describe out programme to build ever better corpora along these lines for all of the world’s major languages (plus some others). Baroni and Kilgarriff (2006), Sharoff (2006), Baroni et al (2009), and Kilgarriff et al (2010) present the case for web corpora and programmes in which a number of them have been developed. TenTens are a development from them -- a new family of corpora of the order of 10 billion words. We describe how we are building them, what we have built so far, and how we shall continue maintaining them and keeping them up to date in the years ahead. While, as yet, they have very little metadata, we are working out how to gather and add metadata attribute by attribute. The corpora are all available for research at http://www.sketchengine.co.uk.