Urdu Monolingual Corpus

Urdu Monolingual Corpus

LINDAT / CLARIAH-CZ

Autoři: Jawaid, Bushra ; Kamran, Amir and Bojar, Ondřej

Identifikátor: http://hdl.handle.net/11858/00-097C-0000-0023-65A9-5

Datum vydání: 2014-03-22

Typ: lexicalConceptualResource, text

Velikost: 5464575 sentences

Jazyky: Urdu

Popis: We release a sizeable monolingual Urdu corpus automatically tagged with part-of-speech tags. We extend the work of Jawaid and Bojar (2012) who use three different taggers and then apply a voting scheme to disambiguate among the different choices suggested by each tagger. We run this complex ensemble on a large monolingual corpus and release the both plain and tagged corpora.

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

Klíčová slova: Urdu monolingual data annotated data corpus

Kolekce: LINDAT / CLARIAH-CZ Data & Tools

Zobrazit celý záznam

Soubory tohoto záznamu

Stáhnout všechny soubory záznamu (468.16 MB)

Licenční kategorie:

Publicly Available

Licence: Attribution-NonCommercial-ShareAlike 3.0 Unported (CC BY-NC-SA 3.0)

Název: urdu-tagged-corpus.gz
Velikost: 253.82 MB
Formát: application/x-gzip
Popis: Urdu Monolingual Tagged Corpus
MD5: 63d61d9ebae592598c41a6746ec9938b

Stáhnout soubor

Název: urdu-plain-text-corpus.gz
Velikost: 213.46 MB
Formát: application/x-gzip
Popis: Urdu Monolingual Plain Text Corpus
MD5: 100b1db9efd403ee677683b3268084d9

Stáhnout soubor

Název: urmono-lrec-2014.pdf
Velikost: 152.86 KB
Formát: PDF
Popis: Urdu data description
MD5: 528b61b0dd860aff9e3fe8d9b3c31b80

Stáhnout soubor

Název: cleaning-tools.tar.gz
Velikost: 748.74 KB
Formát: application/x-gzip
Popis: Cleaning tools
MD5: 469377de9bbb6f900a2322547d2566d8

Stáhnout soubor Náhled

Náhled souboru

cleaning-tools
- del_sentences_with_missing_spaces.pl879 B
- detectLanguage.pl1 kB
- filter_arabic_sentences.pl619 B
- del_invalid_utf8.pl417 B
- README796 B
- remove_repeated_chars.pl1 kB
- tok-dan.pl1 kB
- remove_sindhi_sentences.pl857 B
- detect_en_sentence.pl440 B
- langfeatures.dat3 MB
- convert-urNum-to-enNum.pl754 B
- clean-corpus.sh4 kB