Qo'lda izohli sub-korpus - Manually Annotated Sub-Corpus
 | Ushbu maqolada bir nechta muammolar mavjud. Iltimos yordam bering uni yaxshilang yoki ushbu masalalarni muhokama qiling munozara sahifasi. (Ushbu shablon xabarlarini qanday va qachon olib tashlashni bilib oling) (Ushbu shablon xabarini qanday va qachon olib tashlashni bilib oling)
|
MASC 500K so'zli yozma matnlarning va transkripsiyalangan nutqning asosan Open-dan olingan muvozanatli kichik to'plamidir Amerika milliy korpusi (OANC). OANC - bu 1990 yildan beri ishlab chiqarilgan Amerika ingliz tilining 15 million so'z (va o'sib boruvchi) korpusi, ularning barchasi jamoat mulki hisoblanadi yoki boshqa usulda foydalanish va taqsimlash cheklovlarisiz.
MASC tarkibiga mantiqiy tuzilish (sarlavhalar, bo'limlar, xatboshilar va boshqalar) uchun qo'lda tasdiqlangan izohlar, jumlalar chegaralari, nutq teglarining bog'liq qismi bilan uch xil belgi, sayoz tahlil (ism va fe'l qismlari), nomlangan shaxslar (shaxs, joylashuv, tashkil etish, sana va vaqt), va Penn Treebank sintaksis. MASC loyihasi tomonidan sub-korpus qismlari uchun qo'shimcha ravishda qo'lda ishlab chiqarilgan yoki tasdiqlangan izohlar, shu jumladan to'liq matnli izohlar ishlab chiqarilgan FrameNet ramka elementlari va bilan 100K + jumla korpusi WordNet 3.1 sezgi teglari, ulardan o'ndan biriga ham izoh berilgan FrameNet ramka elementlari. Subkorpusning barcha qismlarini yoki boshqa qismlarini turli xil tilshunoslik hodisalari uchun izohlari boshqa loyihalar, shu jumladan PropBank, TimeBank, MPQA fikri, va boshqalar. Qo'shimcha ma'lumotnomalar va butun MASC korpusining band chegaralari 2016 yil oxiriga qadar chiqarilishi rejalashtirilgan.
114 so'zdan iborat bo'lgan barcha so'zlar uchun WordNet ma'naviy izohlari, shuningdek, MASC tarqatilishiga kiritilgan FrameNet 114 so'zning har birining 50-100 marta takrorlanishiga izohlar. Bilan jumlalar WordNet va FrameNet izohlar, shuningdek, bir qismi sifatida tarqatiladi MASC Sentence Corpus.
Janrlar
Turli xil lingvistik izohlarni o'z ichiga olgan eng erkin mavjud bo'lgan korporatsiyalardan farqli o'laroq, MASC keng doiradagi matnlarning muvozanatli tanlovini o'z ichiga oladi:
| Janr | Fayl yo'q | Yo'q so'zlar | Pct korpusi |
|---|---|---|---|
| Sud protokoli | 2 | 30052 | 6% |
| Munozara stenogrammasi | 2 | 32325 | 6% |
| Elektron pochta | 78 | 27642 | 6% |
| Insho | 7 | 25590 | 5% |
| Badiiy adabiyot | 5 | 31518 | 6% |
| Hukumat hujjatlari | 5 | 24578 | 5% |
| Jurnal | 10 | 25635 | 5% |
| Xatlar | 40 | 23325 | 5% |
| Gazeta | 41 | 23545 | 5% |
| Badiiy adabiyot | 4 | 25182 | 5% |
| Og'zaki | 11 | 25783 | 5% |
| Texnik | 8 | 27895 | 6% |
| Sayohat uchun qo'llanmalar | 7 | 26708 | 5% |
| 2 | 24180 | 5% | |
| Blog | 21 | 28199 | 6% |
| Fikletlar | 5 | 26299 | 5% |
| Film ssenariysi | 2 | 28240 | 6% |
| Spam | 110 | 23490 | 5% |
| Hazillar | 16 | 26582 | 5% |
| JAMI | 376 | 506768 |
Izohlar
Hozirgi vaqtda MASC tarkibiga o'n etti xil lingvistik annotatsiya kiradi (* = ishlab chiqarishda; ** hozirda faqat asl nusxada mavjud):
| Izoh turi | Yo'q so'zlar |
|---|---|
| Mantiqiy | 506768 |
| Token | 506768 |
| Hukm | 506768 |
| POS / lemma (GATE) | 506768 |
| POS (Penn Treebank) | 506768 |
| POS (FrameNet) | 506768 |
| Ism qismlari | 506768 |
| Fe'l qismlari | 506768 |
| Nomlangan sub'ektlar (shaxs, tashkilot, manzil, sana) | 506768 |
| Penn Treebank sintaksisi | 506768 |
| Yagona yo'nalish | *506768 |
| Maqola chegaralari, yadro / sun'iy yo'ldosh farqlari, nutq markerlari | *506768 |
| FrameNet ramkalari / ramka elementlari | 39160 |
| PropBank | **88530 |
| Fikr | 51243 |
| TimeBank | *55599 |
| E'tiqod | 4614 |
| Tadbir | 4614 |
| Qarama-qarshilik daraxtzorlari | **5434 |
| Leksik almashtirish | **35,547 |
MASC-ning barcha izohlari, o'zlari qo'shgan yoki uyda ishlab chiqarilgan bo'lishidan qat'i nazar, ISO TC37 SC4 ning Linguistic Annotation Framework (LAF) tomonidan belgilangan Grafik Izoh Formatiga (GrAF) o'tkaziladi. Onlayn vosita ANC2Go MASC-ning barcha qismlari yoki qismlariga izohlarni boshqa har qanday formatga o'tkazishi mumkin, shu jumladan CONLL IOB formati va foydalanish uchun formatlar UIMA va Matn muhandisligi uchun umumiy arxitektura.
Tarqatish
MASC - bu istalgan odam uchun har qanday maqsadda foydalanishi mumkin bo'lgan ochiq ma'lumotlar manbai. Shu bilan birga, bu tushuntirishlar va olingan ma'lumotlarning jamoaviy hissalari bilan ta'minlanadigan hamkorlikdagi jamoaviy manba. Uni bepul ko'chirib olish mumkin MASC-ni yuklab olish sahifasi yoki orqali Lingvistik ma'lumotlar konsortsiumi.
MASC shuningdek nutqning bir qismi bilan belgilangan shaklda tarqatiladi Tabiiy til uchun qo'llanma.
Shuningdek qarang
Adabiyotlar
- Ide, N., Beyker, C., Fellbaum, C., Passonne, R. (2010). Qo'lda izohlangan sub-korpus: odamlar uchun va jamoat manbai. Kompyuter lingvistikasi assotsiatsiyasining 48-yillik yig'ilishi materiallari, Uppsala, Shvetsiya.
- Passonneau, R., Beyker, C., Fellbaum, C., Ide, N. (2012). MASC Word Sense Sentence Corpus. Sakkizinchi til manbalari va baholash konferentsiyasi materiallari, Istanbul.
- Ide, N., Suderman, K., Simms, B. (2010). ANC2Go: moslashtirilgan korpus yaratish uchun veb-dastur. Ettinchi til resurslari va baholash konferentsiyasi (LREC 2010), Valletta, Malta.