Sprogteknologi // Language Technology

Go to English version 🇬🇧

JournaDa

Ressourcen er udarbejdet af Jørg Asmussen, DSL.

JournaDa er en diakron samling af korpusser med sætninger i tilfældig orden, som stammer fra danske nyhedstekster. Korpusset omfatter ca. 15-45 millioner ord per år fra 2005 og fremefter, i alt over 500 millioner ord. For hvert år er materialet samlet i én zip-fil.

OBS! Af ophavsretlige grunde består disse korpusser af sætninger eller mindre udsnit (citater) blandet i tilfældig orden. Korpusserne indeholder ikke tekster i deres helhed.

Opmærkning

Materialet er lemmatiseret og ordklassetagget med ePOS-tagsættet.

Filformat

Hver zip-fil indeholder en mappe med 10.000 tekstfiler. Filernes format er kompatibelt med det, der bruges i IMS Open Corpus Workbench (CWB/CQP).

Sætningsformat

Hver fil indeholder et stort antal sætninger, hver sætning er omgivet af <s>-tags. Hvert ord i en sætning står på sin egen linje, som består af seks enheder afgrænset fra hinanden ved tabulatortegn:

1. Ordet gengivet i en lettere forenklet stavning
2. Ordet gengivet så tæt på dets oprindelige stavning som muligt
3. Ordgrænse til højre for ordet (mellemrum angives som understreg)
4. Ordets grundform (lemmaform)
5. ePOS-ordklassetag
6. Udvidet ePOS-ordklassetag med bøjningsoplysninger

Eksempel på en sætning:

Download

Før du downloader materialet, skal du acceptere betingelserne vedrørende ophavsret, brug og kreditering.

JournaDa

Compiled by Jørg Asmussen, DSL.

JournaDa is a diachronic collection of corpora comprising random sentences from Danish news media with approximately 15-45 million words per year from 2005 and onwards, currently totalling more than 500.000 million words. The material for each year is contained in a zip-file.

OBS! Due to copyright reasons, these corpus resources comprise sentences or shorter excerpts in arbitrary order. They do not contain full texts.

Tagging

The corpus is lemmatized and POS-tagged with the ePOS tag set.

File format

Each zip-file contains a folder with 10.000 text files. The format of these files is compatible with the IMS Open Corpus Workbench (CWB/CQP).

Sentence format

Each file comprises a large number of sentences, each sentence surrounded by <s> tags. A sentence is subdivided into words, one word per line. Each line consists of six tab-divided units:

1. Word in a slightly simplified spelling
2. Word as close to its original spelling as possible
3. The right boundary of the word (space is denoted by underscore)
4. Lemma form of the word
5. ePOS tag
6. Extended ePOS tag including inflectional information

The following is an example sentence taken from the material:

Download

Before downloading this material, you must accept the conditions for copyright, use, and crediting that apply.