csTenTen17, a Recent Czech Web Corpus

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

Autoři

SUCHOMEL Vít

Druh Článek ve sborníku
Konference Proceedings of the Twelfth Workshop on Recent Advances in Slavonic Natural Languages Processing, RASLAN 2018
Fakulta / Pracoviště MU

Fakulta informatiky

Citace
WWW https://nlp.fi.muni.cz/raslan/2018/paper10-Suchomel.pdf
Klíčová slova Czech corpus; web corpus; text processing
Popis This article introduces a very large Czech text corpus for language research – csTenTen17 compiled from texts downloaded in 2015, 2016 and 2017. The corpus is consisting of 10.5 billion words reaching double the size of its predecessor from 2012. A brief comparison with other recent Czech corpora follows.
Související projekty: