D 2021

Genre Annotation of Web Corpora: Scheme and Issues

SUCHOMEL, Vít

Základní údaje

Originální název

Genre Annotation of Web Corpora: Scheme and Issues

Autoři

SUCHOMEL, Vít (203 Česká republika, garant, domácí)

Vydání

Vancouver, Canada, Proceedings of the Future Technologies Conference (FTC) 2020, Volume 1, od s. 738-754, 17 s. 2021

Nakladatel

Springer Nature Switzerland AG

Další údaje

Jazyk

angličtina

Typ výsledku

Stať ve sborníku

Obor

60203 Linguistics

Stát vydavatele

Velká Británie a Severní Irsko

Utajení

není předmětem státního či obchodního tajemství

Forma vydání

tištěná verze "print"

Kód RIV

RIV/00216224:14330/21:00118741

Organizační jednotka

Fakulta informatiky

ISBN

978-3-030-63127-7

ISSN

Klíčová slova anglicky

Corpus annotation; Inter-annotator agreement; Text genre; Web corpora

Štítky

Příznaky

Mezinárodní význam, Recenzováno
Změněno: 10. 1. 2023 11:49, RNDr. Vít Suchomel, Ph.D.

Anotace

V originále

Unlike traditional corpora made from printed media in the past decades, sources of web corpora are not categorised and described well, thus making it difficult to control the content of the corpus. This paper presents an attempt to classify genres in a large English web corpus through supervised learning. A set of genres suitable for web corpora users is defined based on a research of related work. A genre annotation scheme with active learning rounds is introduced. A collection of web pages representing various genres that was created for this task and a scheme of consequent human annotation of the data set is described. Measuring the inter-annotator agreement revealed that either the problem may not be well defined, or that our expectations concerning the precision and recall of the classifier cannot be met. Eventually, the project was postponed at that point. Possible solutions of the issue are discussed at the end of the paper.

Návaznosti

GA18-23891S, projekt VaV
Název: Hyperintensionální usuzování nad texty přirozeného jazyka
Investor: Grantová agentura ČR, Hyperintensionální usuzování nad texty přirozeného jazyka
LM2018101, projekt VaV
Název: Digitální výzkumná infrastruktura pro jazykové technologie, umění a humanitní vědy (Akronym: LINDAT/CLARIAH-CZ)
Investor: Ministerstvo školství, mládeže a tělovýchovy ČR, LINDAT/CLARIAH-CZ - Digitální výzkumná infrastruktura pro jazykové technologie, umění a humanitní vědy