Menu
Recherche
- Traitement automatique de la parole
- Pédagogie
Enseignement
- Licence
Outils pour utilisateurs
Panneau latéral
recherche:ml:corpora
Table des matières
Corpora
Identification
- L'ISLRN (International Standard Language Ressource Number) est un numéro unique permettant d'identifier une ressource linguistique (comme l'ISBN permet d'identifier un ouvrage).
Les outils
- Log-linear Part-Of-Speech Tagger (Stanford)
Les données
Listes de corpora
- Liste de corpora (nombreuses langues)
- Liste de corpus (SLDR/ORTOLANG)
- Liste de corpora (Stanford)
- Liste corpora (wikipedia)
-
-
- DCEP: Digital Corpus of the European Parliament (corpus multilingue aligné)
- DGT-Acquis (corpus multilingue aligné)
- JRC-Acquis (corpus multilingue aligné)
- JRC-Names (Entités nommées)
- JRC Eurovoc Indexer - JEX (Thesaurus)
-
-
- Paracrawl
-
Corpora
- Europarl Parallel Corpus est composé de 11 langues européennes: français, italien, espagnol, portuguais, anglais, hollandais, allemand, danois, suedois, grec et finlandais.
- Corpus journalistique : l'Est républicain (1999, 2002 et 2003)
- CPC : Corpus Passage Court v2
- N-grams (Google)
- Base de données de voix normales et pathologiques (Voyelles /a/ stables et sirènes avant et après rééducation orthophonique)
- ENCOW14
- The Wikipedia Corpus (Mark Davies)
- COCA/COHA (payant)
-
- Using neural networks for email text classification: Categorizing the Enron email corpus (Thesis, implementation and results )
-
Listes de noms
Liste de marqueurs
- Ma-Rel - Marqueurs de Relations est une liste candidats-marqueurs français pour trois relations : l'hyperonymie, la méronymie et la cause
Dictionnaires & Lexiques
- Le Wordnet Libre du Français (WOLF) est une ressource lexicale sémantique libre pour le français construit à partir de WordNet
- Logoscope est un outil d’observation linguistique semi-automatisé qui scrute les sites internet de la presse francophone à la recherche de néologismes. Ces néologismes sont collectés chaque jour dans la presse française et sont librement accessibles en ligne à tout utilisateur
- Babelnet est un dictionnaire encyclopédique multilingue et un réseau sémantique.
- Babelfy est basé sur Babelnet 3.0 et permet une désambiguisation multilingue
- Lexique st une base de données qui fournit pour 135 000 mots du français: les représentations orthographiques et phonémiques, la syllabation, la catégorie grammaticale, le genre et le nombre, les fréquences, les lemmes associés, …
- GLAWI est un dictionnaire électronique libre du français encodé au format XML. Il s'agit d'une version structurée et normalisée du Wiktionnaire (l'édition française de Wiktionary)
- Réseau Lexical du Français (RL-fr) (v2) est un modèle formel du lexique du français contemporain
- SlangLang : Dictionaire d'argot en ligne (anglais, 1200 entrées)
- SlangLang : Abbreviations usuelles du net (anglais, 2700 entrées)
Taxonomie
Vecteur
- NASARI (a Novel Approach to a Semantically-Aware Representation of Items) est une représentation de vecteurs sémantiques pour les synsets BableNet et pour les pages wikipéedia dans plusieurs langues.
Verbes
-
- PARSEME (Tâche d'identification automatique des expressions verbales multi-mots) (18 langues)
- Dépôt (Code source + Données)
Corpus oraux transcrits
- Le projet Rhapsodie regroupe des échantillons sonores pour un total de 3 heures et 33000 mots. Ces échantillons sont accompagnés d’une transcription orthographique et d'une transcription phonétique alignées au son (frontières de mots, syllabes et phonèmes), d’annotations syntaxiques et prosodiques. On trouve également les treebanks correspondants.
- 24 heures d’information radiophonique
- 24 heures d’information radiophonique (2) (France Inter)
- Le Corpus de Français Parlé Parisien des années 2000 regroupe des échantillons sonores du français parlé dans l'agglomération parisienne accompagnés de leurs transcriptions.
- FrNewsLink (LIUM)
- Liste de corpus (Université de Tours)
Corpus français ancien
- Corpus Renom : entités nommées obtenues à partir de transcriptions réalisées sur les exemplaires originaux de l’époque (graphies non modernisées), issues du corpus de textes de la Renaissance BVH-Epistemon (Oeuvres de François Rabelais)
Multimedia
Collection
- Corpora de l'équipe Praxiling (Université Paul Valéry - Montpellier 3)
Dialogue / QR
-
- NewsQA Dataset
- Frames Dataset
-
Paraphrase
-
- SICK (Sentences Involving Compositional Knowledge)
- Paraphrase (Trevor Cohn)
- Liste
Web
Divers (anglais)
Expressions
Dictionnaires & Lexiques
Verbes
- Tweet NLP (outils + corpus)
Divers
- ConceptNet est un réseau sémantique pour l'anglais.
Arabe
Divers (autres)
- data.bnf.fr présente des fiches de référence sur les auteurs, les œuvres et les thèmes ainsi que la bibliothèque numérique Gallica
-
- Democrat est un corpus en langue française annoté en expressions référentielles et chaînes de référence. Tous les siècles du 11e au 21e sont couverts, ce qui autorise des analyses diachroniques.
- CHILDES est une base donnée construite pour étudier l'acquisition du langage par les enfants
Les sites
- Liste de sites et d'institutions impliqués dans la production et la distribution de corpus linguistiques.
Formats
TMX
Spécifications
Outils
Encodage
XML
- Outils
- Text File Filter and Formatter : un logiciel pour traiter et filtrer des fichiers textes ASCII, HTML et XML.
- XLST
- XSLT Doug Tidwell - O'Reilly - 2002 (livre en ligne)
- Programmation
recherche/ml/corpora.txt · Dernière modification: 2023/07/24 15:13 de janiszek
Outils de la page
