„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…”) |
|||
| (2 közbenső módosítás ugyanattól a szerkesztőtől nincs mutatva) | |||
| 1. sor: | 1. sor: | ||
| − | 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 |
+ | 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 5 terabájt (tömörítetlenül 25 TB). Az ezt később kiegészítő ClueWeb12 pedig 2012 tavaszán learatott 733 millió angol nyelvű weboldal halmaza. |
---- |
---- |
||
| 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 jelenlegi, 2018. március 18., 20:24-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 5 terabájt (tömörítetlenül 25 TB). Az ezt később kiegészítő ClueWeb12 pedig 2012 tavaszán learatott 733 millió angol nyelvű weboldal halmaza.
