Generelt internetkorpus af det russiske sprog

General Internet Corpus of the Russian Language (GIKRYA)  er et søgbart elektronisk onlinekorpus af russiske tekster fra internettet. Åbnede i 2013 . Korpuset omfatter tekstmateriale fra blogosfæren , sociale netværk , fra de største nyhedsressourcer og fra litterære magasiner .

Projektmål

Projektet har status som pædagogisk og videnskabeligt, og mange problemer inden for computerlingvistik løses af uafhængige forskere og videnskabelige grupper på grundlag af det materiale, som GICR har modtaget. Mens andre korpusprojekter fokuserer på fiktion og redigerede tekster, giver General Internet Corpus russiske lingvister en rettidig [1] mulighed for at studere sproget, som det er, med alle regionale og slangegenskaber .

Kroppen gør det muligt at:

• Sproglige studier af en bred vifte: dialektologiske studier, studiet af ordfordelingen, studiet af sproget i sociale netværk , studiet af indflydelsen af ​​køn , alder og andre faktorer på sproget , hyppigheden af ​​ord, fastlagte udtryk og forskellige konstruktioner, stilistiske træk ved tekster fra forskellige segmenter af internettet og så videre;
• Analyse af sociale medier ;
• Corpus-baseret maskinlæring [2] , der forbedrer automatiske mærkningsalgoritmer.

På forskellige tidspunkter blev forskning og uafhængig forskning i projektets materiale udført af studerende, kandidatstuderende og ansatte ved Moscow State University , Moskva Institute of Physics and Technology , Russian State University for the Humanities , Novosibirsk State University , National Research University Higher School of Economics , Institute of Nuclear Research, Russian Academy of Sciences , Southern Federal University , ChSU , VGPU , ISAA MSU .

Videnskabelige vejledere af projektet:

• Belikov V. I. - Moscow State University , Russian State Humanitarian University , Moskva , Rusland ;
• Selegey V.P. - Russian State University for Humanities ; MIPT ; ABBYY , Moskva , Rusland ;
• Sharov S. A. - Russian State University for Humanities , Moskva , Rusland ; University of Leeds , Storbritannien [3] .

Følgende personer deltog i oprettelsen og støtten af ​​projektet:

• Russisk statsuniversitet for humaniora ;
• ABBYY ;
• Moskva Institut for Fysik og Teknologi (Statsuniversitetet) ;
• Skoletech Universitet .

Kroppens volumen og sammensætning

Mængden af ​​korpus for sommeren 2016 er 19,8 milliarder ordbrug, hvoraf 49 % er på Vkontakte , 40 % på LiveJournal , yderligere 4 % på [email protected] og News og 2 % på Journal hall [4] . Nyhedssegmentet indeholder materialer fra kilder: RIA Novosti , Regnum , Lenta.ru , Rosbalt . Tekster er forsynet med meta-markup (efter datoen for oprettelse af teksten, køn, sted og fødselsår for forfatteren, internetgenre og så videre); alle tekster er udstyret med automatisk morfologisk markering og lemmatiseret [4] . De fleste af teksterne er skabt af poster for 2013-2014 , selvom nogle segmenter, for eksempel i Journal Hall, indeholder tekster fra 1994 [5] .

GICR er et af de få megakorpora, der når op på flere milliarder ord.

Adgang

Korpusgrænsefladen er i øjeblikket i beta-testning , så adgang til korpussøgning er givet og er gratis, dog efter anmodning.

Se også

• Korpus af tekster
• Automatisk modtagelse af det markerede korpus
• NRC

Noter

1. ↑ VLADIMIR BELIKOV . Hentet 26. december 2019. Arkiveret fra originalen 16. november 2019. (Russisk)
2. ↑ Automatisk klassificering af webtekster ved hjælp af funktionelle tekstdimensioner . Hentet 8. juni 2016. Arkiveret fra originalen 26. juni 2016. (ubestemt)
3. ↑ Hold | GIKRYA . Hentet 26. december 2019. Arkiveret fra originalen 5. januar 2020. (Russisk)
4. ↑ 1 2 Korps | GIKRYA . Hentet 26. december 2019. Arkiveret fra originalen 3. december 2019. (Russisk)
5. ↑ #geekrya #geekrya_stats Til hvad.. | GIKRYA General Internet Corpus of the Russian Language | VK

Litteratur

• Russiske videnskabsmænd vil markere internettet (på webstedet "Science and Technologies of Russia - STRF.ru")
• Belikov V., Kopylov N., Pipersky A., Selegey V., Sharov S. (2013), Korpus som sprog: fra skalerbarhed til differentiel fuldstændighed. Computerlingvistik og intelligente teknologier. Baseret på materialerne fra den årlige konference Dialogue, Bekasovo.
• Pipersky A. Ch. (2013) Det generelle internetkorpus af det russiske sprog og begrebet repræsentativitet i korpuslingvistik. Institut for Lingvistik, Russian State University for Humanities, Moskva, Rusland
• Sharov S. A., Belikov V. I., Kopylov N. Yu., Sorokin A. A., Shavrina T. O. (2015) Korpus med automatisk disambigueret morfologisk flertydighed: Mod en metodologi for sproglig forskning. Computerlingvistik og intelligente teknologier. Baseret på materialerne fra den årlige konference Dialogue, Bekasovo.

Links

• GIKRYAs officielle hjemmeside