Set of Ethiopian Web Corpora

SUCHOMEL, Vít a Pavel RYCHLÝ. Set of Ethiopian Web Corpora. Online. 2016, [citováno 2024-04-24]

Základní údaje

• Originální název: Set of Ethiopian Web Corpora
• Autoři: SUCHOMEL, Vít (203 Česká republika, domácí) a Pavel RYCHLÝ (203 Česká republika, domácí)
• Vydání: 2016.

Další údaje

• Originální jazyk: angličtina
• Typ výsledku: Software
• Obor: 60200 6.2 Languages and Literature
• Stát vydavatele: Česká republika
• Utajení: není předmětem státního či obchodního tajemství
• WWW: URL
• Kód RIV: RIV/00216224:14330/16:00096851
• Organizační jednotka: Fakulta informatiky
• Klíčová slova anglicky: text corpora; Ethiopian languages
• Technické parametry: Amharic WIC corpus, 200 thousand tokens; amWaC16 Amharic corpus, 20 million tokens; orWaC16 Oromo corpus, 5.1 million tokens; soWaC16 Somali corpus, 80 million tokens; tiWaC16 Tigrinya corpus, 2.5 million tokens.

Anotace

A set of 5 corpora for 4 Ethiopian languages: Amharic, Oromo, Somali and Tigrinya. The Amharic WIC corpus is a reprocessed existing corpus with part of speech annotation. The released version contains cleaning (especially numeric expressions) and unification of two versions with different scripts (Geez and SERA transliteration). The web corpora were built using automatic tools from Internet texts. They contain from 2.5 million words (Tigrinya) to 80 million words (Somali)

Návaznosti

• 7F14047, projekt VaV: Název: Harvesting big text data for under-resourced languages (Akronym: HaBiT)

Investor: Ministerstvo školství, mládeže a tělovýchovy ČR, Harvesting big text data for under-resourced languages