2016
Set of Ethiopian Web Corpora
SUCHOMEL, Vít a Pavel RYCHLÝZákladní 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
Jazyk
angličtina
Typ výsledku
Software
Obor
60200 6.2 Languages and Literature
Stát vydavatele
Česká republika
Utajení
není předmětem státního či obchodního tajemství
Odkazy
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.
Změněno: 1. 6. 2017 15:52, doc. Mgr. Pavel Rychlý, Ph.D.
Anotace
V originále
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 |
|