arTenTen: Arabic Corpus and Word Sketches

J 2014

arTenTen: Arabic Corpus and Word Sketches

ARTS, Tressy, Yonatan BELINKOV, Nizar HABASH, Adam KILGARRIFF, Vít SUCHOMEL et. al.

Základní údaje

Originální název

arTenTen: Arabic Corpus and Word Sketches

Autoři

ARTS, Tressy (826 Velká Británie a Severní Irsko), Yonatan BELINKOV (376 Izrael), Nizar HABASH (784 Spojené arabské emiráty), Adam KILGARRIFF (826 Velká Británie a Severní Irsko) a Vít SUCHOMEL (203 Česká republika, garant, domácí)

Vydání

Journal of King Saud University-Computer and Information Sciences, Elsevier, 2014, 1319-1578

Další údaje

Jazyk

angličtina

Typ výsledku

Článek v odborném periodiku

Obor

10201 Computer sciences, information science, bioinformatics

Stát vydavatele

Nizozemské království

Utajení

není předmětem státního či obchodního tajemství

Odkazy

plný text článku

Kód RIV

RIV/00216224:14330/14:00073241

Organizační jednotka

Fakulta informatiky

DOI

http://dx.doi.org/10.1016/j.jksuci.2014.06.009

UT WoS

000216697200002

Klíčová slova anglicky

Corpora; Lexicography; Morphology; Concordance; Arabic

Příznaky

Mezinárodní význam, Recenzováno

Změněno: 27. 5. 2015 09:02, Mgr. Michal Petr

Anotace

V originále

We present arTenTen, a web-crawled corpus of Arabic, gathered in 2012. arTenTen consists of 5.8-billion words. A chunk of it has been lemmatized and part-of-speech (POS) tagged with the MADA tool and subsequently loaded into Sketch Engine, a leading corpus query tool, where it is open for all to use. We have also created ‘word sketches: one-page, automatic, corpus-derived summaries of a word’s grammatical and collocational behavior. We use examples to demonstrate what the corpus can show us regarding Arabic words and phrases and how this can support lexicography and inform linguistic research. The article also presents the ‘sketch grammar’ (the basis for the word sketches) in detail, describes the process of building and processing the corpus, and considers the role of the corpus in additional research on Arabic.

Návaznosti

LM2010013, projekt VaV

Název: LINDAT-CLARIN: Institut pro analýzu, zpracování a distribuci lingvistických dat (Akronym: LINDAT-Clarin)

Investor: Ministerstvo školství, mládeže a tělovýchovy ČR, Projekt LINDAT-Clarin - Vybudování a provoz českého uzlu pan-evropské infrastruktury pro výzkum

VF20102014003, projekt VaV

Název: Analýza přirozeného jazyka v prostředí internetu (Akronym: APJI)

Investor: Ministerstvo vnitra ČR, Analýza přirozeného jazyka v prostředí internetu

Citovat

ARTS, Tressy, Yonatan BELINKOV, Nizar HABASH, Adam KILGARRIFF a Vít SUCHOMEL. arTenTen: Arabic Corpus and Word Sketches. Journal of King Saud University-Computer and Information Sciences. Elsevier, 2014, roč. 2014, č. 26, s. 381-395. ISSN 1319-1578. Dostupné z: https://dx.doi.org/10.1016/j.jksuci.2014.06.009.

@article{1210667,
   author = {Arts, Tressy and Belinkov, Yonatan and Habash, Nizar and Kilgarriff, Adam and Suchomel, Vít},
   article_number = {26},
   doi = {http://dx.doi.org/10.1016/j.jksuci.2014.06.009},
   keywords = {Corpora; Lexicography; Morphology; Concordance; Arabic},
   language = {eng},
   issn = {1319-1578},
   journal = {Journal of King Saud University-Computer and Information Sciences},
   title = {arTenTen: Arabic Corpus and Word Sketches},
   url = {http://www.sciencedirect.com/science/article/pii/S1319157814000330},
   volume = {2014},
   year = {2014}
}

TY  - JOUR
ID  - 1210667
AU  - Arts, Tressy - Belinkov, Yonatan - Habash, Nizar - Kilgarriff, Adam - Suchomel, Vít
PY  - 2014
TI  - arTenTen: Arabic Corpus and Word Sketches
JF  - Journal of King Saud University-Computer and Information Sciences
VL  - 2014
IS  - 26
SP  - 381-395
EP  - 381-395
PB  - Elsevier
SN  - 13191578
KW  - Corpora
KW  - Lexicography
KW  - Morphology
KW  - Concordance
KW  - Arabic
UR  - http://www.sciencedirect.com/science/article/pii/S1319157814000330
L2  - http://www.sciencedirect.com/science/article/pii/S1319157814000330
N2  - We present arTenTen, a web-crawled corpus of Arabic, gathered in 2012. arTenTen consists of 5.8-billion words. A chunk of it has been lemmatized and part-of-speech (POS) tagged with the MADA tool and subsequently loaded into Sketch Engine, a leading corpus query tool, where it is open for all to use. We have also created ‘word sketches: one-page, automatic, corpus-derived summaries of a word’s grammatical and collocational behavior. We use examples to demonstrate what the corpus can show us regarding Arabic words and phrases and how this can support lexicography and inform linguistic research. The article also presents the ‘sketch grammar’ (the basis for the word sketches) in detail, describes the process of building and processing the corpus, and considers the role of the corpus in additional research on Arabic.
ER  -

ARTS, Tressy, Yonatan BELINKOV, Nizar HABASH, Adam KILGARRIFF a Vít SUCHOMEL. arTenTen: Arabic Corpus and Word Sketches. \textit{Journal of King Saud University-Computer and Information Sciences}. Elsevier, 2014, roč.~2014, č.~26, s.~381-395. ISSN~1319-1578. Dostupné z: https://dx.doi.org/10.1016/j.jksuci.2014.06.009.

Podrobný výpis o publikaci