Setting up for corpus lexicography

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. ISBN 978-82-303-2228-4.

Základní údaje

• Originální název: Setting up for corpus lexicography
• Autoři: KILGARRIFF, Adam (826 Velká Británie a Severní Irsko), Jan POMIKÁLEK (203 Česká republika, domácí), Miloš JAKUBÍČEK (203 Česká republika, garant, domácí) a Pete WHITELOCK (826 Velká Británie a Severní Irsko).
• 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

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 VaV: Název: Účast ČR v European Research Consortium for Informatics and Mathematics (ERCIM) (Akronym: ERCIM)

Investor: Ministerstvo školství, mládeže a tělovýchovy ČR, Účast ČR v European Research Consortium for Informatics and Mathematics