KPWr jest zbiorem dokumentów tekstowych dostępnych na licencji Creative Commons. Dokumenty zostały otagowane przy pomocy narzędzia wcrft2 i opisane różnymi typami informacji takimi jak frazy składniowe (chunks), relacje między frazami skłądniowymi, jednostki identyfikacyjne (wraz zrelacjami między nimi i lematyzacją), ujednoznacznione znaczenia słów, wyrażenia przestrzenne, czasowniki z podmiotem domyślnym, tekstowe słowa kluczowe, wyrażenia temporalne (normalizowane lokalnie i globalnie), sytuacje, role semantyczne i koreferencja. Szczegółowe statystyki znajduiją się na stronie: http://nlp.pwr.wroc.pl/narzedzia-i-zasoby/zasoby/kpwr Każdy dokument zapisany jest w trzech plikach, które zawierają następujące informacje:
*.xml (plik CCL) – zawiera tokenizację, podział na zdania, analizę morfologiczną tekstu, anotacje oraz lematy,
*.rel.xml (plik CCL-REL) – zawiera relacje między anotacjami,
*.ini (plik INI) – zawiera metadane dokumentu.
Dodatkowo korpus może zostać wyeksportowany w formacie conll, txt i json.
Próbki do korpusu pobrano z takich źródeł jak: Wikipedia, Wikinews, portale informacyjne z treściami na licencji Creative Commons, dzieła literackie z domenty publicznej lub udostępnione na otwartej licencji itd., a więc takich, które zapewniają legalne i darmowe wykorzystanie korpusu.
Korpus w ostatniej upublicznionej wersji skłąda się z 449 985 tokenów, lecz jest stale rozbudowywany i rozwijany w kierunku korpusu zrównoważonego, zawierającego w równym stopniu teksty o charakterze naukowym, urzędowym, artystycznym/retorycznym, prasowym/publicystycznym i potocznym.KPWr jest zbiorem dokumentów tekstowych dostępnych na licencji Creative Commons. Dokumenty zostały otagowane przy pomocy narzędzia wcrft2 i opisane różnymi typami informacji takimi jak frazy składniowe (chunks), relacje między frazami skłądniowymi, jednostki identyfikacyjne (wraz zrelacjami między nimi i lematyzacją), ujednoznacznione znaczenia słów, wyrażenia przestrzenne, czasowniki z podmiotem domyślnym, tekstowe słowa kluczowe, wyrażenia temporalne (normalizowane lokalnie i globalnie), sytuacje, role semantyczne i koreferencja. Szczegółowe statystyki znajduiją się na stronie: http://nlp.pwr.wroc.pl/narzedzia-i-zasoby/zasoby/kpwr Każdy dokument zapisany jest w trzech plikach, które zawierają następujące informacje:
*.xml (plik CCL) – zawiera tokenizację, podział na zdania, analizę morfologiczną tekstu, anotacje oraz lematy,
*.rel.xml (plik CCL-REL) – zawiera relacje między anotacjami,
*.ini (plik INI) – zawiera metadane dokumentu.
Dodatkowo korpus może zostać wyeksportowany w formacie conll, txt i json.
Próbki do korpusu pobrano z takich źródeł jak: Wikipedia, Wikinews, portale informacyjne z treściami na licencji Creative Commons, dzieła literackie z domenty publicznej lub udostępnione na otwartej licencji itd., a więc takich, które zapewniają legalne i darmowe wykorzystanie korpusu.
Korpus w ostatniej upublicznionej wersji skłąda się z 449 985 tokenów, lecz jest stale rozbudowywany i rozwijany w kierunku korpusu zrównoważonego, zawierającego w równym stopniu teksty o charakterze naukowym, urzędowym, artystycznym/retorycznym, prasowym/publicystycznym i potocznym.