Corpus general de Internet de la lengua rusa

El Corpus General de Internet de la Lengua Rusa (GIKRYA) es un corpus  electrónico en línea de búsqueda de textos rusos de Internet. Inaugurado en 2013 . El corpus incluye materiales de texto de la blogósfera , redes sociales , de los mayores recursos de noticias y de revistas literarias .

Objetivos del proyecto

El proyecto tiene el estatus de educativo y científico, y muchos problemas de lingüística computacional son resueltos por investigadores independientes y grupos científicos sobre la base del material recibido por el GICR. Mientras que otros proyectos de corpus se centran en la ficción y los textos editados , el Corpus general de Internet brinda a los lingüistas rusos una oportunidad oportuna [1] de estudiar el idioma tal como es, con todas las características regionales y de jerga .

El cuerpo permite:

• Estudios lingüísticos de amplio espectro: estudios dialectológicos , el estudio de la distribución de las palabras, el estudio del lenguaje de las redes sociales , el estudio de la influencia del género , la edad y otros factores en el lenguaje , la frecuencia de las palabras, las expresiones fijas y diversas construcciones, características estilísticas de textos de diferentes segmentos de Internet, etc.;
• Análisis de redes sociales ;
• Aprendizaje automático basado en corpus [2] , mejora de los algoritmos de etiquetado automático.

En varios momentos, estudiantes, estudiantes de posgrado y empleados de la Universidad Estatal de Moscú , el Instituto de Física y Tecnología de Moscú , la Universidad Estatal Rusa de Humanidades , la Universidad Estatal de Novosibirsk y la Universidad Nacional de Investigación llevaron a cabo investigaciones e investigaciones independientes sobre el material del proyecto. Escuela Superior de Economía , Instituto de Investigación Nuclear, Academia Rusa de Ciencias , Universidad Federal del Sur , ChSU , VGPU , ISAA MSU .

Supervisores científicos del proyecto:

• Belikov V. I. - Universidad Estatal de Moscú, Universidad Humanitaria Estatal de Rusia , Moscú , Rusia ;
• Selegey V.P. - Universidad Estatal Rusa de Humanidades ; MIPT ; ABBYY , Moscú , Rusia ;
• Sharov S. A. - Universidad Estatal Rusa de Humanidades , Moscú , Rusia ; Universidad de Leeds , Reino Unido [3] .

Las siguientes personas participaron en la creación y apoyo del proyecto:

• Universidad Estatal Rusa de Humanidades ;
• ABBYY ;
• Instituto de Física y Tecnología de Moscú (Universidad Estatal) ;
• Universidad Skoltech .

El volumen y la composición del cuerpo

El volumen del corpus para el verano de 2016 es de 19 800 millones de usos de palabras, de los cuales el 49 % están en Vkontakte , el 40 % en LiveJournal , otro 4 % en [email protected] y News, y el 2 % en Journal hall [4] . El segmento de noticias contiene materiales de fuentes: RIA Novosti , Regnum , Lenta.ru , Rosbalt . Los textos se proporcionan con metamarcado (por fecha de creación del texto, género, lugar y año de nacimiento del autor, género de Internet, etc.); todos los textos están equipados con marcado morfológico automático y lematizados [4] . La mayoría de los textos son creados por entradas de 2013-2014 , aunque algunos segmentos, por ejemplo, en el Journal Hall, contienen textos a partir de 1994 [5] .

GICR es uno de los pocos mega corpus que alcanza varios miles de millones de palabras.

Acceso

La interfaz del corpus se encuentra actualmente en pruebas beta , por lo que se proporciona acceso a la búsqueda del corpus y es gratuito, sin embargo, previa solicitud.

Véase también

• corpus de textos
• Recepción automática del corpus marcado
• NRC

Notas

1. ↑ VLADIMIR BELIKOV . Consultado el 26 de diciembre de 2019. Archivado desde el original el 16 de noviembre de 2019. (Ruso)
2. ↑ Clasificación automática de textos web utilizando dimensiones de texto funcional . Consultado el 8 de junio de 2016. Archivado desde el original el 26 de junio de 2016. (indefinido)
3. ↑ Equipo | GIKRYA . Consultado el 26 de diciembre de 2019. Archivado desde el original el 5 de enero de 2020. (Ruso)
4. ↑ 1 2 Cuerpo | GIKRYA . Consultado el 26 de diciembre de 2019. Archivado desde el original el 3 de diciembre de 2019. (Ruso)
5. ↑ #geekrya #geekrya_stats Para qué... | GIKRYA Corpus general de Internet de la lengua rusa | VK

Literatura

• Los científicos rusos marcarán Internet (en el sitio "Ciencia y Tecnologías de Rusia - STRF.ru")
• Belikov V., Kopylov N., Pipersky A., Selegey V., Sharov S. (2013), Corpus como lenguaje: de la escalabilidad a la integridad diferencial. Lingüística Computacional y Tecnologías Inteligentes. Basado en los materiales de la conferencia anual Dialogue, Bekasovo.
• Pipersky A. Ch. (2013) El corpus general de Internet de la lengua rusa y el concepto de representatividad en la lingüística de corpus. Instituto de Lingüística, Universidad Estatal Rusa de Humanidades, Moscú, Rusia
• Sharov S. A., Belikov V. I., Kopylov N. Yu., Sorokin A. A., Shavrina T. O. (2015) Corpus con ambigüedad morfológica desambiguada automáticamente: Hacia una metodología para la investigación lingüística. Lingüística Computacional y Tecnologías Inteligentes. Basado en los materiales de la conferencia anual Dialogue, Bekasovo.

Enlaces

• Sitio web oficial de GIKRYA