Het SoNaR Groot-corpus Commercieel is een tekstcorpus dat ongeveer 271 miljoen woorden tekst bevat afkomstig uit uiteenlopende domeinen en genres. Alle teksten werden getokeniseerd, ge-POS-tagd en gelemmatiseerd. Ook de named entities werden gelabeld. Alle annotaties van SoNaR-500 werden automatisch geproduceerd.
SoNaR-1 is grotendeels een subset van SoNaR-500 en bevat 1 miljoen woorden. SoNaR-1 werd voorzien van verschillende soorten semantische annotaties, nl. named entity labelling, coreferentieannotatie en de annotatie van spatiële en temporele relaties. Alle annotaties van SoNaR-1 werden manueel geverifieerd.
De nieuwemediateksten (tweets, chats en sms'en), die ook verzameld werden in het kader van het STEVIN-project SoNaR maken geen deel uit van het SoNaR-corpus 1.0. en zijn apart als het SoNaR Nieuwe Media Corpus beschikbaar.
Dit taalmateriaal wordt standaard als download aangeboden en dan worden er geen kosten aangerekend. Maar omwille van de grote hoeveelheid data kan het SoNaR-corpus ook aangevraagd worden op een externe harde schijf. Hier rekent het INT €100,00 verzend- en afhandelingskosten voor.
The S0NaR Corpus contains about 271 million words from texts in standard Dutch later than 1954.
Productdetails
Documentatie | Documentatie; Verschillende SoNaR-corpora |
Eigenaar | Taalunie |
Financier | NTU|STEVIN |
Jaar | 2015 |
Opdrachtgever | NTU|STEVIN |
Project | SoNaR: STEVIN Nederlandstalig Referentiecorpus |
Projectwebsite | http://lands.let.ru.nl/projects/SoNaR |
Refereren | SoNaR Groot-corpus Commercieel (Version 1.2.1) (2015) [Data set]. Available at the Dutch Language Institute: http://hdl.handle.net/10032/tm-a2-f4 |
Talen | Nederlands |
Versie | 1.2.1 |
Downloaddetails
Bestand | |
---|---|
BP_SoNaR_Groot_C.zip |
- Aantal bestanden 1
- Aantal downloads 26
- Bestandsgrootte 53.55 KB
- Datum plaatsing 04/09/2020
- Laatst bijgewerkt 18/11/2021
- Versie 1.2.1