SumeCzech

  Authors

Straka, Milan ; Mediankin, Nikita ; Kocmi, Tom ; Žabokrtský, Zdeněk ; Hudeček, Vojtěch ; Hajič, Jan

  Item identifier

http://hdl.handle.net/11234/1-2615

 Date issued

2018-02-13

 Type

corpus

 Size

1001593 articles

 Language(s)

Czech

 Description

This entry contain the SumeCzech dataset and the metric RougeRAW used for evaluation. Both the dataset and the metric are described in the paper "SumeCzech: Large Czech News-Based Summarization Dataset" by Milan Straka et al. The dataset is distributed as a set of Python scripts which download the raw HTML pages from CommonCrawl and then process them into the required format. The MPL 2.0 license applied to the scripts downloading the dataset and to the RougeRAW implementation.

 Publisher

Charles University, Faculty of Mathematics and Physics, Institute of Formal and Applied Linguistics (UFAL)

 Acknowledgement

Ministerstvo školství, mládeže a tělovýchovy České republiky

Project code: LM2015071

Project name: LINDAT/CLARIN: Institut pro analýzu, zpracování a distribuci lingvistických dat

 

Ministerstvo školství, mládeže a tělovýchovy České republiky

Project code: CZ.02.1.01/0.0/0.0/16_013/0001781

Project name: LINDAT/CLARIN - Výzkumná infrastruktura pro jazykové technologie - rozšíření repozitáře a výpočetní kapacity

 

Charles University

Project code: 8502/2016

Project name: GAUK 8502/2016

 

Charles University

Project code: 1114217/2017

Project name: GAUK 1114217/2017

 

Univerzita Karlova (mimo GAUK)

Project code: SVV 260 453

Project name: Specifický vysokoškolský výzkum

 Subject(s)

summarization SumeCzech Rouge

 Collection(s)

LINDAT / CLARIN Data & Tools

Show full item record