KILGARRIFF, Adam, Jan POMIKÁLEK, Miloš JAKUBÍČEK a Pete WHITELOCK. Setting up for corpus lexicography. In Ruth Vatvedt Fjeld and Julie Matilde Torjusen. Proceedings of the 15th EURALEX International Congress. Oslo, Norway: Department of Linguistics and Scandinavian Studies, University of Oslo, 2012. s. 606-612, 7 s. ISBN 978-82-303-2228-4.
Další formáty:   BibTeX LaTeX RIS
Základní údaje
Originální název Setting up for corpus lexicography
Autoři KILGARRIFF, Adam (826 Spojené království), Jan POMIKÁLEK (203 Česká republika, domácí), Miloš JAKUBÍČEK (203 Česká republika, garant, domácí) a Pete WHITELOCK (826 Spojené království).
Vydání Oslo, Norway, Proceedings of the 15th EURALEX International Congress, od s. 606-612, 7 s. 2012.
Nakladatel Department of Linguistics and Scandinavian Studies, University of Oslo
Další údaje
Originální jazyk angličtina
Typ výsledku Stať ve sborníku
Obor 10201 Computer sciences, information science, bioinformatics
Stát vydavatele Česká republika
Utajení není předmětem státního či obchodního tajemství
Forma vydání tištěná verze "print"
WWW URL
Kód RIV RIV/00216224:14330/12:00060816
Organizační jednotka Fakulta informatiky
ISBN 978-82-303-2228-4
Klíčová slova anglicky corpora; corpus lexicography; web crawling; dependency parsing
Příznaky Mezinárodní význam, Recenzováno
Změnil Změnil: RNDr. Pavel Šmerk, Ph.D., učo 3880. Změněno: 23. 4. 2013 07:28.
Anotace
There are many benefits to using corpora. In order to reap those rewards, how should someone who is setting up a dictionary project proceed? We describe a practical experience of such ‘setting up’ for a new Portuguese-English, English-Portuguese dictionary being written at Oxford University Press. We focus on the Portuguese side, as OUP did not have Portuguese resources prior to the project. We collected a very large (3.5 billion word) corpus from the web, including removing all unwanted material and duplicates. We then identified the best tools for Portuguese for lemmatizing and parsing, and undertook the very large task of parsing it. We then used the dependency parses, as output by the parser, to create word sketches (one page summaries of a word’s grammatical and collocational behavior). We plan to customize an existing system for automatically identifying good candidate dictionary examples, to Portuguese, and add salient information about regional words to the word sketches. All of the data and associated support tools for lexicography are available to the lexicographer in the Sketch Engine corpus query system.
Návaznosti
LA09016, projekt VaVNázev: Účast ČR v European Research Consortium for Informatics and Mathematics (ERCIM) (Akronym: ERCIM)
Investor: Ministerstvo školství, mládeže a tělovýchovy ČR, INGO (jen po projekty s počátkem řešení v roce 2010)
VytisknoutZobrazeno: 24. 1. 2020 12:04