Venäjän kielen yleinen Internet-korpus

Venäjän kielen yleinen Internet-korpusus (GIKRYA) on  haettavissa oleva sähköinen verkkoaineisto venäläisistä teksteistä Internetistä. Avattu vuonna 2013 . Korpus sisältää tekstimateriaalia blogosfääristä , sosiaalisista verkostoista , suurimmista uutislähteistä ja kirjallisuuslehdistä .

Projektin tavoitteet

Hankkeella on koulutus- ja tieteellinen asema, ja monia laskennallisen lingvistiikan ongelmia ratkaisevat riippumattomat tutkijat ja tieteelliset ryhmät GICR:n vastaanottaman aineiston perusteella. Muut korpusprojektit keskittyvät kaunokirjallisuuteen ja editoituihin teksteihin, kun taas General Internet Corpus tarjoaa venäjänkielisille kielitieteilijöille ajankohtaisen [1] mahdollisuuden opiskella kieltä sellaisenaan, kaikilla alueellisilla ja slangiominaisuuksilla .

Keho mahdollistaa:

• Laajan kielen tutkimukset: dialektologiset tutkimukset, sanojen jakautumisen tutkimus, sosiaalisten verkostojen kielen tutkimus, sukupuolen , iän ja muiden tekijöiden vaikutuksen tutkiminen kieleen , sanojen esiintymistiheys, ilmaisut . ja erilaiset rakenteet, Internetin eri segmenttien tekstien tyylilliset piirteet ja niin edelleen;
• Sosiaalisen median analyysi ;
• Korpuspohjainen koneoppiminen [2] , joka parantaa automaattisia merkintäalgoritmeja.

Eri aikoina tutkimusta ja riippumatonta tutkimusta projektin aineistosta tekivät Moskovan valtionyliopiston , Moskovan fysiikan ja tekniikan instituutin , Venäjän valtion humanistisen yliopiston , Novosibirskin valtionyliopiston ja kansallisen tutkimusyliopiston opiskelijat, jatko-opiskelijat ja työntekijät. Kauppakorkeakoulu , Ydintutkimuslaitos, Venäjän tiedeakatemia , Southern Federal University , ChSU , VGPU , ISAA MSU .

Hankkeen tieteelliset ohjaajat:

• Belikov V. I. - Moskovan valtionyliopisto , Venäjän valtion humanitaarinen yliopisto , Moskova , Venäjä ;
• Selegey V.P. - Venäjän valtion humanistinen yliopisto ; MIPT ; ABBYY , Moskova , Venäjä ;
• Sharov S. A. - Venäjän valtion humanistinen yliopisto , Moskova , Venäjä ; Leedsin yliopisto , Iso- Britannia [3] .

Projektin luomiseen ja tukemiseen osallistuivat seuraavat henkilöt:

• Venäjän valtion humanistinen yliopisto ;
• ABBYY ;
• Moskovan fysiikan ja tekniikan instituutti (valtion yliopisto) ;
• Skoltechin yliopisto .

Rungon tilavuus ja koostumus

Korpuksen määrä kesällä 2016 on 19,8 miljardia sanankäyttöä, josta 49 % on Vkontaktessa , 40 % LiveJournalissa , 4 % [email protected] ja Newsissa ja 2 % Journal hallissa [4] . Uutissegmentti sisältää materiaalia lähteistä: RIA Novosti , Regnum , Lenta.ru , Rosbalt . Tekstit on varustettu metamerkinnöillä (tekstin luomispäivän, sukupuolen, kirjoittajan syntymäpaikan ja -vuoden, Internet-genren ja niin edelleen); kaikki tekstit on varustettu automaattisella morfologisella merkinnällä ja lemmatoitu [4] . Suurin osa teksteistä on luotu vuosien 2013-2014 merkinnöillä , vaikka joissain osissa, esimerkiksi Lehtisalissa, on tekstejä vuodesta 1994 alkaen [5] .

GICR on yksi harvoista megakokonaisuuksista, joka ulottuu useisiin miljardeihin sanoihin.

Pääsy

Korpuskäyttöliittymä on tällä hetkellä beta-testauksessa , joten pääsy korpushakuun tarjotaan ja on kuitenkin ilmainen pyynnöstä.

Katso myös

• Tekstien runko
• Automaattinen merkityn korpuksen vastaanotto
• NRC

Muistiinpanot

1. ↑ VLADIMIR BELIKOV . Haettu 26. joulukuuta 2019. Arkistoitu alkuperäisestä 16. marraskuuta 2019. (Venäjän kieli)
2. ↑ Web-tekstien automaattinen luokittelu funktionaalisten tekstimittojen avulla . Haettu 8. kesäkuuta 2016. Arkistoitu alkuperäisestä 26. kesäkuuta 2016. (määrätön)
3. ↑ Joukkue | GIKRYA . Haettu 26. joulukuuta 2019. Arkistoitu alkuperäisestä 5. tammikuuta 2020. (Venäjän kieli)
4. ↑ 1 2 joukko | GIKRYA . Haettu 26. joulukuuta 2019. Arkistoitu alkuperäisestä 3. joulukuuta 2019. (Venäjän kieli)
5. ↑ #geekrya #geekrya_stats Mitä varten.. | GIKRYA Venäjän kielen yleinen Internet-korpus | VK

Kirjallisuus

• Venäläiset tutkijat merkitsevät Internetin (sivustolla "Science and Technologies of Russia - STRF.ru")
• Belikov V., Kopylov N., Pipersky A., Selegey V., Sharov S. (2013), Korpus kielenä: skaalautumisesta differentiaaliseen täydellisyyteen. Laskennallinen lingvistiikka ja älykkäät tekniikat. Perustuu vuosittaisen Dialogue-konferenssin materiaaleihin, Bekasovo.
• Pipersky A. Ch. (2013) Venäjän kielen yleinen Internet-aineisto ja edustavuuden käsite korpuslingvistiikassa. Kielitieteen instituutti, Venäjän valtion humanistinen yliopisto, Moskova, Venäjä
• Sharov S. A., Belikov V. I., Kopylov N. Yu., Sorokin A. A., Shavrina T. O. (2015) Korpus, jossa on automaattisesti yksiselitteinen morfologinen moniselitteisyys: Kohti kielellisen tutkimuksen metodologiaa. Laskennallinen lingvistiikka ja älykkäät tekniikat. Perustuu vuosittaisen Dialogue-konferenssin materiaaleihin, Bekasovo.

Linkit

• GIKRYA:n virallinen verkkosivusto