Kalcsó Gyula; Mihály Eszter; Szűcs Kata Ágnes: Korpuszépítés és -feldolgozás learatott webes tartalomból.
Előnézet |
Cikk, tanulmány, mű
msznykonf_019_447-456..pdf Letöltés (738kB) | Előnézet |
Absztrakt (kivonat)
A cikk az Országos Széchényi Könyvtár webaratási tevékenységének eredményeképpen létrejött webarchívum korpuszépítési hasznosulási lehetőségeit mutatja be. A fókusz a tematikus gyűjtések által felépített archívumrészekből történő tematikus korpuszépítésen van. Ismerteti a szövegkinyerés eljárását, amelynek eredményeképpen a learatott WARC-fájlokból a WARCIO Pythonkönyvtár felhasználásával elsőként HTML, majd az ún. boilerplate-nek a jusText nevű, Pythonban írt eszköz segítségével történő eltávolításával nyers szöveg jön létre. Ismertet egy példaprojektet is, amelynek során az emtsv-vel elemzett szövegekből kinyert adatok vizualizációja történt.
Mű típusa: | Konferencia vagy workshop anyag |
---|---|
Befoglaló folyóirat/kiadvány címe: | Magyar Számítógépes Nyelvészeti Konferencia |
Dátum: | 2023 |
Kötet: | 19 |
ISBN: | 978-963-306-912-7 |
Oldalak: | pp. 447-456 |
Nyelv: | magyar |
Kiadás helye: | Szeged |
Konferencia neve: | Magyar számítógépes nyelvészeti konferencia (19.) |
Konferencia típusa: | Konferencia |
Helyszin: | Szeged |
Dátum: | 2023. január 26-27. |
Befoglaló mű URL: | https://acta.bibl.u-szeged.hu/78307/ |
Kulcsszavak: | Nyelvészet - számítógép alkalmazása |
Megjegyzések: | Bibliogr.: p. 455-456. és a lábjegyzetekben ; ill. ; összefoglalás magyar nyelven |
Szakterület: | 01. Természettudományok 01. Természettudományok > 01.02. Számítás- és információtudomány |
Feltöltés dátuma: | 2023. már. 16. 11:33 |
Utolsó módosítás: | 2023. már. 16. 11:33 |
URI: | http://acta.bibl.u-szeged.hu/id/eprint/78432 |
Tétel nézet |