Zobrazit minimální záznam

 
dc.contributor.author Gurevych, Iryna
dc.contributor.author Habernal, Ivan
dc.contributor.author Zayed, Omnia
dc.date.accessioned 2017-06-07T13:08:55Z
dc.date.available 2017-06-07T13:08:55Z
dc.date.issued 2016-04-14
dc.identifier.uri http://hdl.handle.net/11372/LRT-2207
dc.description A large web corpus (over 10 billion tokens) licensed under CreativeCommons license family in 50+ languages that has been extracted from CommonCrawl, the largest publicly available general Web crawl to date with about 2 billion crawled URLs.
dc.language.iso afr
dc.language.iso ara
dc.language.iso ben
dc.language.iso bul
dc.language.iso ces
dc.language.iso dan
dc.language.iso deu
dc.language.iso ell
dc.language.iso eng
dc.language.iso est
dc.language.iso fas
dc.language.iso fin
dc.language.iso fra
dc.language.iso guj
dc.language.iso heb
dc.language.iso hin
dc.language.iso hrv
dc.language.iso hun
dc.language.iso ind
dc.language.iso ita
dc.language.iso jpn
dc.language.iso kor
dc.language.iso lav
dc.language.iso lit
dc.language.iso mal
dc.language.iso mkd
dc.language.iso nld
dc.language.iso nor
dc.language.iso pol
dc.language.iso por
dc.language.iso ron
dc.language.iso rus
dc.language.iso slk
dc.language.iso slv
dc.language.iso som
dc.language.iso spa
dc.language.iso sqi
dc.language.iso swa
dc.language.iso swe
dc.language.iso tam
dc.language.iso tgl
dc.language.iso tha
dc.language.iso tur
dc.language.iso ukr
dc.language.iso und
dc.language.iso vie
dc.language.iso zho
dc.publisher Technische Universität Darmstadt
dc.relation.isreferencedby http://www.lrec-conf.org/proceedings/lrec2016/pdf/388_Paper.pdf
dc.rights Creative Commons - Attribution-NoDerivatives 4.0 International (CC BY-ND 4.0)
dc.rights.uri http://creativecommons.org/licenses/by-nc/4.0/
dc.source.uri https://dkpro.github.io/dkpro-c4corpus/
dc.subject CommonCrawl
dc.subject Creative Commons
dc.subject Web corpus
dc.subject Amazon Web Services
dc.title C4Corpus (CC BY-ND part)
dc.type corpus
metashare.ResourceInfo#ContentInfo.mediaType text
dc.rights.label PUB
has.files yes
branding LRT + Open Submissions
contact.person Ivan Habernal habernal@ukp.informatik.tu-darmstadt.de Technische Universität Darmstadt
sponsor German Research Foundation (DFG) DIP DA 1600/1-1 Information Consolidation: A New Paradigm in Knowledge Search nationalFunds
sponsor Amazon Amazon Web Services in Education Grant Web Services in Education Grant Other
size.info 10000000000 tokens
files.size 804378416
files.count 48


 Soubory tohoto záznamu

 Stáhnout všechny soubory záznamu (767.12 MB)
Licenční kategorie:
Publicly Available

Licence: Creative Commons - Attribution-NonCommercial 4.0 International (CC BY-NC 4.0)
Distributed under Creative Commons Attribution Required Noncommercial
Icon
Název
Lic_by-nd_Lang_af_NoBoilerplate_true_MinHtml_true-r-00009.seg-00000.warc.gz
Velikost
70.82 KB
Formát
application/x-gzip
MD5
6dd176d148a51be2952333b4307c28da
 Stáhnout soubor
Icon
Název
Lic_by-nd_Lang_ar_NoBoilerplate_true_MinHtml_true-r-00021.seg-00000.warc.gz
Velikost
212.67 KB
Formát
application/x-gzip
MD5
90e05292f00fbffa63f98d29a1f8106c
 Stáhnout soubor
Icon
Název
Lic_by-nd_Lang_bg_NoBoilerplate_true_MinHtml_true-r-00010.seg-00000.warc.gz
Velikost
352.63 KB
Formát
application/x-gzip
MD5
12867c099d4f49a261458c82eaa83b25
 Stáhnout soubor
Icon
Název
Lic_by-nd_Lang_bn_NoBoilerplate_true_MinHtml_true-r-00017.seg-00000.warc.gz
Velikost
60.64 KB
Formát
application/x-gzip
MD5
e2c4697597345ad96dbf5ebae002e932
 Stáhnout soubor
Icon
Název
Lic_by-nd_Lang_cs_NoBoilerplate_true_MinHtml_true-r-00022.seg-00000.warc.gz
Velikost
355.32 KB
Formát
application/x-gzip
MD5
f92b4767fc29883ac7da5bfed91de3e2
 Stáhnout soubor
Icon
Název
Lic_by-nd_Lang_da_NoBoilerplate_true_MinHtml_true-r-00004.seg-00000.warc.gz
Velikost
99.78 KB
Formát
application/x-gzip
MD5
da7a05a621c139fbd11b08ddfc16269d
 Stáhnout soubor
Icon
Název
Lic_by-nd_Lang_de_NoBoilerplate_true_MinHtml_true-r-00008.seg-00000.warc.gz
Velikost
7.21 MB
Formát
application/x-gzip
MD5
5675b72370d943026a5e6be14b92af3c
 Stáhnout soubor
Icon
Název
Lic_by-nd_Lang_el_NoBoilerplate_true_MinHtml_true-r-00015.seg-00000.warc.gz
Velikost
796.64 KB
Formát
application/x-gzip
MD5
7b059ba062c1fb2287abf51e98c9b1a1
 Stáhnout soubor
Icon
Název
Lic_by-nd_Lang_en_NoBoilerplate_true_MinHtml_true-r-00017.seg-00000.warc.gz
Velikost
661.23 MB
Formát
application/x-gzip
MD5
6db9cf0a25e3f04ecc85a07fd85d55f5
 Stáhnout soubor
Icon
Název
Lic_by-nd_Lang_es_NoBoilerplate_true_MinHtml_true-r-00022.seg-00000.warc.gz
Velikost
43.64 MB
Formát
application/x-gzip
MD5
7d1caeb8da2e600438cc49dbd52f284c
 Stáhnout soubor
Icon
Název
Lic_by-nd_Lang_et_NoBoilerplate_true_MinHtml_true-r-00023.seg-00000.warc.gz
Velikost
20.28 KB
Formát
application/x-gzip
MD5
a2d74d9f27cd49a6762d3c07c1d7de40
 Stáhnout soubor
Icon
Název
Lic_by-nd_Lang_fa_NoBoilerplate_true_MinHtml_true-r-00004.seg-00000.warc.gz
Velikost
98.16 KB
Formát
application/x-gzip
MD5
b87e118af4dbaa170b8caf9d7b03c5b9
 Stáhnout soubor
Icon
Název
Lic_by-nd_Lang_fi_NoBoilerplate_true_MinHtml_true-r-00012.seg-00000.warc.gz
Velikost
34.75 KB
Formát
application/x-gzip
MD5
17f4d007f8e08b81a21e1be4e48a5850
 Stáhnout soubor
Icon
Název
Lic_by-nd_Lang_fr_NoBoilerplate_true_MinHtml_true-r-00021.seg-00000.warc.gz
Velikost
5.36 MB
Formát
application/x-gzip
MD5
b608cba4a3f9d8ef55358bdad06a48f2
 Stáhnout soubor
Icon
Název
Lic_by-nd_Lang_gu_NoBoilerplate_true_MinHtml_true-r-00024.seg-00000.warc.gz
Velikost
32.55 KB
Formát
application/x-gzip
MD5
c4cc0f75e08a9d3f7ab1264cfa90ff4a
 Stáhnout soubor
Icon
Název
Lic_by-nd_Lang_he_NoBoilerplate_true_MinHtml_true-r-00008.seg-00000.warc.gz
Velikost
1.49 MB
Formát
application/x-gzip
MD5
bb1d80224d07048e1f23fd14ed6d950d
 Stáhnout soubor
Icon
Název
Lic_by-nd_Lang_hi_NoBoilerplate_true_MinHtml_true-r-00012.seg-00000.warc.gz
Velikost
29.78 KB
Formát
application/x-gzip
MD5
4fabf5afb3d966fe7fc0413b71ae9344
 Stáhnout soubor
Icon
Název
Lic_by-nd_Lang_hr_NoBoilerplate_true_MinHtml_true-r-00021.seg-00000.warc.gz
Velikost
3.39 MB
Formát
application/x-gzip
MD5
ffb15e66726c448742d26cf242734d29
 Stáhnout soubor
Icon
Název
Lic_by-nd_Lang_hu_NoBoilerplate_true_MinHtml_true-r-00024.seg-00000.warc.gz
Velikost
279.43 KB
Formát
application/x-gzip
MD5
40149f8a90e81ceca917073bc634387e
 Stáhnout soubor
Icon
Název
Lic_by-nd_Lang_id_NoBoilerplate_true_MinHtml_true-r-00007.seg-00000.warc.gz
Velikost
1.62 MB
Formát
application/x-gzip
MD5
082147b8798644068ac2b8d95ac23c73
 Stáhnout soubor
Icon
Název
Lic_by-nd_Lang_it_NoBoilerplate_true_MinHtml_true-r-00023.seg-00000.warc.gz
Velikost
9.68 MB
Formát
application/x-gzip
MD5
7f8a44533dded194db1da16ac282120b
 Stáhnout soubor
Icon
Název
Lic_by-nd_Lang_ja_NoBoilerplate_true_MinHtml_true-r-00004.seg-00000.warc.gz
Velikost
672.04 KB
Formát
application/x-gzip
MD5
93cc495ca87b85eb66676f766ad26a1a
 Stáhnout soubor
Icon
Název
Lic_by-nd_Lang_ko_NoBoilerplate_true_MinHtml_true-r-00018.seg-00000.warc.gz
Velikost
275.64 KB
Formát
application/x-gzip
MD5
6502058cf6e85f23d66b98a724baffe3
 Stáhnout soubor
Icon
Název
Lic_by-nd_Lang_lt_NoBoilerplate_true_MinHtml_true-r-00023.seg-00000.warc.gz
Velikost
84.64 KB
Formát
application/x-gzip
MD5
e4022e3a238a0f07e0b7885bc05fe804
 Stáhnout soubor
Icon
Název
Lic_by-nd_Lang_lv_NoBoilerplate_true_MinHtml_true-r-00025.seg-00000.warc.gz
Velikost
69.83 KB
Formát
application/x-gzip
MD5
56418bf2e0e2434e6fb92033938027e4
 Stáhnout soubor
Icon
Název
Lic_by-nd_Lang_mk_NoBoilerplate_true_MinHtml_true-r-00014.seg-00000.warc.gz
Velikost
185.17 KB
Formát
application/x-gzip
MD5
41dd5207d2a55a905470fec11c968230
 Stáhnout soubor
Icon
Název
Lic_by-nd_Lang_ml_NoBoilerplate_true_MinHtml_true-r-00015.seg-00000.warc.gz
Velikost
99.83 KB
Formát
application/x-gzip
MD5
c099bdb00557f501571b6ccd3fd44585
 Stáhnout soubor
Icon
Název
Lic_by-nd_Lang_nl_NoBoilerplate_true_MinHtml_true-r-00015.seg-00000.warc.gz
Velikost
1.14 MB
Formát
application/x-gzip
MD5
630fcd0ab89a3c9e596da7fe9a203be4
 Stáhnout soubor
Icon
Název
Lic_by-nd_Lang_no_NoBoilerplate_true_MinHtml_true-r-00018.seg-00000.warc.gz
Velikost
186.9 KB
Formát
application/x-gzip
MD5
41bf869c2ffcb36c4ef8827fb9ffa47a
 Stáhnout soubor
Icon
Název
Lic_by-nd_Lang_pl_NoBoilerplate_true_MinHtml_true-r-00015.seg-00000.warc.gz
Velikost
888.55 KB
Formát
application/x-gzip
MD5
5c24637505d3a19be1748dbe16b54849
 Stáhnout soubor
Icon
Název
Lic_by-nd_Lang_pt_NoBoilerplate_true_MinHtml_true-r-00023.seg-00000.warc.gz
Velikost
20.42 MB
Formát
application/x-gzip
MD5
44145959e8a82f0cc1b301c84730ecd0
 Stáhnout soubor
Icon
Název
Lic_by-nd_Lang_ro_NoBoilerplate_true_MinHtml_true-r-00018.seg-00000.warc.gz
Velikost
350.45 KB
Formát
application/x-gzip
MD5
c252f38c3a265c7ec68dca29cc9794c1
 Stáhnout soubor
Icon
Název
Lic_by-nd_Lang_ru_NoBoilerplate_true_MinHtml_true-r-00024.seg-00000.warc.gz
Velikost
1.86 MB
Formát
application/x-gzip
MD5
0a984e0118bfd67f22dd34c679aa85e2
 Stáhnout soubor
Icon
Název
Lic_by-nd_Lang_sk_NoBoilerplate_true_MinHtml_true-r-00014.seg-00000.warc.gz
Velikost
156.72 KB
Formát
application/x-gzip
MD5
78aa44bbb8766a5b41871eb080c2839c
 Stáhnout soubor
Icon
Název
Lic_by-nd_Lang_sl_NoBoilerplate_true_MinHtml_true-r-00015.seg-00000.warc.gz
Velikost
157.94 KB
Formát
application/x-gzip
MD5
083c8774054f5eb042ed42d8a8c5edf9
 Stáhnout soubor
Icon
Název
Lic_by-nd_Lang_so_NoBoilerplate_true_MinHtml_true-r-00018.seg-00000.warc.gz
Velikost
6.99 KB
Formát
application/x-gzip
MD5
30e23874e56e9f833063ec7f54517235
 Stáhnout soubor
Icon
Název
Lic_by-nd_Lang_sq_NoBoilerplate_true_MinHtml_true-r-00020.seg-00000.warc.gz
Velikost
202.56 KB
Formát
application/x-gzip
MD5
bf04172d902372bc30fe154132b9713c
 Stáhnout soubor
Icon
Název
Lic_by-nd_Lang_sv_NoBoilerplate_true_MinHtml_true-r-00025.seg-00000.warc.gz
Velikost
614.46 KB
Formát
application/x-gzip
MD5
bcc85a78d642c42ee3a4401f2fe718bc
 Stáhnout soubor
Icon
Název
Lic_by-nd_Lang_sw_NoBoilerplate_true_MinHtml_true-r-00026.seg-00000.warc.gz
Velikost
1.22 KB
Formát
application/x-gzip
MD5
89c7fc00ce8b7768784397c228aeb95d
 Stáhnout soubor
Icon
Název
Lic_by-nd_Lang_ta_NoBoilerplate_true_MinHtml_true-r-00004.seg-00000.warc.gz
Velikost
111.7 KB
Formát
application/x-gzip
MD5
1839105dbf717e1038ede8d9c9f225ef
 Stáhnout soubor
Icon
Název
Lic_by-nd_Lang_th_NoBoilerplate_true_MinHtml_true-r-00011.seg-00000.warc.gz
Velikost
66.46 KB
Formát
application/x-gzip
MD5
55ba135e7e59755cfabf87832e868b90
 Stáhnout soubor
Icon
Název
Lic_by-nd_Lang_tl_NoBoilerplate_true_MinHtml_true-r-00015.seg-00000.warc.gz
Velikost
44.42 KB
Formát
application/x-gzip
MD5
ce46d8b2b91e4d860fdc5b57f92629e2
 Stáhnout soubor
Icon
Název
Lic_by-nd_Lang_tr_NoBoilerplate_true_MinHtml_true-r-00021.seg-00000.warc.gz
Velikost
245.71 KB
Formát
application/x-gzip
MD5
6058a475efc3c593c11cf33f5d184503
 Stáhnout soubor
Icon
Název
Lic_by-nd_Lang_uk_NoBoilerplate_true_MinHtml_true-r-00014.seg-00000.warc.gz
Velikost
198.51 KB
Formát
application/x-gzip
MD5
0a658291dcce731ddbefc60cfed9cf15
 Stáhnout soubor
Icon
Název
Lic_by-nd_Lang_unknown_NoBoilerplate_true_MinHtml_true-r-00017.seg-00000.warc.gz
Velikost
2.85 MB
Formát
application/x-gzip
MD5
8286404ccbc2978ed390a044c6273da9
 Stáhnout soubor
Icon
Název
Lic_by-nd_Lang_vi_NoBoilerplate_true_MinHtml_true-r-00012.seg-00000.warc.gz
Velikost
170.35 KB
Formát
application/x-gzip
MD5
e310581df324aff209811162408d8a68
 Stáhnout soubor
Icon
Název
Lic_by-nd_Lang_zh-cn_NoBoilerplate_true_MinHtml_true-r-00017.seg-00000.warc.gz
Velikost
96.9 KB
Formát
application/x-gzip
MD5
2bc05b9a5a2bbb983a12984f0605e7af
 Stáhnout soubor
Icon
Název
Lic_by-nd_Lang_zh-tw_NoBoilerplate_true_MinHtml_true-r-00026.seg-00000.warc.gz
Velikost
74.62 KB
Formát
application/x-gzip
MD5
a9382623cbbf025af0c796ba9b96105b
 Stáhnout soubor

Zobrazit minimální záznam