Annotated Amharic Corpora

Logo poskytovatele
Logo poskytovatele

Varování

Publikace nespadá pod Filozofickou fakultu, ale pod Fakultu informatiky. Oficiální stránka publikace je na webu muni.cz.
Autoři

RYCHLÝ Pavel SUCHOMEL Vít

Rok publikování 2016
Druh Článek ve sborníku
Konference Text, Speech, and Dialogue 19th International Conference, TSD 2016 Brno, Czech Republic, September 12–16, 2016 Proceedings
Fakulta / Pracoviště MU

Fakulta informatiky

Citace
www Plný text výsledku
Doi http://dx.doi.org/10.1007/978-3-319-45510-5_34
Obor Jazykověda
Klíčová slova Amharic; text corpus; web corpus; under-resourced language; corpus annotation; morphological tagger
Popis Amharic is one of under-resourced languages. The paper presents two text corpora. The first one is a substantially cleaned version of existing morphologically annotated WIC Corpus (210,000 words). The second one is the largest Amharic text corpus (17 million words). It was created from Web pages automatically crawled in 2013, 2015 and 2016. It is part-of-speech annotated by a tagger trained and evaluated on the WIC Corpus.
Související projekty:

Používáte starou verzi internetového prohlížeče. Doporučujeme aktualizovat Váš prohlížeč na nejnovější verzi.