„Lemur Project” változatai közötti eltérés
(Új oldal, tartalma: „2000-ben a Center for Intelligent Information Retrieval (University of Massachusetts) és a Language Technologies Institute (Carnegie Mellon University) által indítot…”) |
|||
7. sor: | 7. sor: | ||
* [http://lemurproject.org/clueweb12.php A ClueWeb12 adatbázis weboldala] |
* [http://lemurproject.org/clueweb12.php A ClueWeb12 adatbázis weboldala] |
||
* [https://github.com/tmanabe/ClueWeb A ClueWeb halmazokhoz használható szoftvereszközök a GitHub-on] |
* [https://github.com/tmanabe/ClueWeb A ClueWeb halmazokhoz használható szoftvereszközök a GitHub-on] |
||
− | * [https://www.muni.cz/en/research/publications/991165 |
+ | * [https://www.muni.cz/en/research/publications/991165 Pomikálek Jan - Rychlý Pavel - Jakubíček Miloš: Building a 70 billion word corpus of English from ClueWeb] |
[[Category:PROJEKTEK]] |
[[Category:PROJEKTEK]] |
A lap 2018. március 18., 20:22-kori változata
2000-ben a Center for Intelligent Information Retrieval (University of Massachusetts) és a Language Technologies Institute (Carnegie Mellon University) által indított projekt, amelynek keretében különféle open source szövegelemző szoftvereket, böngésző kiegészítőket és keresőgépeket fejlesztenek statisztikai nyelvészeti vizsgálatokhoz. Ezekhez a szövegbányászati kutatásokhoz nagy, megvásárolható adatbázisokat is kínálnak, amelyek archivált weboldalakból állnak. A ClueWeb09 nevű adathalmaz 2009 januárjában és februárjában lett begyűjtve, és tízféle nyelven íródott, több mint 1 milliárd weboldalt tartalmaz, a mérete pedig 5 terabájt (tömörítetlenül 25 TB). Az ezt később kiegészítő ClueWeb12 halmaz 733 millió angol nyelvű weboldalból áll, melyeket 2012 tavaszán arattak le.