Indonesian web corpus (idWac)

  Autoři

Medveď, Marek and Suchomel, Vít

  Identifikátor

http://hdl.handle.net/11234/1-2586

 Datum vydání

2017-12-18

 Typ

corpus, text

 Velikost

89622005 words, 112017651 tokens, 27050 pages, 6947784 sentences

 Jazyky

Indonesian

 Popis

Indonesian text corpus from web. Crawling done by SpiderLing in 2017. Filtering by JusText and Onion (see http://corpus.tools/ for details). Tagged and lemmatized by MorphInd (http://septinalarasati.com/morphind/).

 Nakladatel

Natural Language Processing Centre, Faculty of Informatics, Masaryk University

 Sponzoři

Ministerstvo školství, mládeže a tělovýchovy České republiky

Kód projektu: LM2015071

Jméno projektu: LINDAT/CLARIN: Institut pro analýzu, zpracování a distribuci lingvistických dat

 Klíčová slova

corpus lemmatization PoS tagging

 Kolekce

LINDAT / CLARIAH-CZ Data & Tools

Zobrazit celý záznam