D 2012

Setting up for corpus lexicography

KILGARRIFF, Adam, Jan POMIKÁLEK, Miloš JAKUBÍČEK a Pete WHITELOCK

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

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"

Odkazy

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
Změněno: 23. 4. 2013 07:28, RNDr. Pavel Šmerk, Ph.D.

Anotace

V originále

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

Přiložené soubory