Лингвистические корпуса и сервисы

Разрабатываемый корпус адресован широкому кругу пользователей, в первую очередь — лингвистам, специалистам в области монгольского языкознания, профессиональная деятельность, которых относится к сфере науки и образования. Объем корпуса 2200000 словоупотреблений.

Настоящий корпус предназначен для всех, кому интересен калмыцкий язык — для профессиональных лингвистов, специалистов по калмыко- и монголоведению, по лингвистической типологии, для преподавателей калмыцкого языка, составителей калмыцких словарей и грамматик и т. д. Объем корпуса 800000 словоупотреблений.

Татарский корпус «Туган тел» является лингвистическим ресурсом современного литературного татарского языка. Объем корпуса нсоставляет более 26000000 словоупотреблений.

В настоящий момент размер корпуса составляет около 7300000 словоупотреблений. Тексты корпуса были размечены с помощью автоматического морфологического анализатора, около 88% словоформ корпуса имеют грамматический разбор.

"Корпус объёмом более 1800000 словоупотреблений (около 450 тыс. стихотворных строк, более 17 тыс. стихотворений 101 поэта, подробнее о составе корпуса можно почитать здесь). Специфика в том, что текстовую коллекцию составляют стихотворные произведения башкирских поэтов XX и начала XXI века."

В Русском учебном корпусе содержатся образцы устной и письменной речи двух категорий нестандартных говорящих на русском языке: изучающих русский язык как иностранный и так называемых эритажных говорящих.

Коллекция текстов на русском языке, написанных студентами разных вузов. Общий объем корпуса составляет около 3100000 слов. Тексты сопровождаются несколькими типами разметки (метатекстовой, морфологической разметкой и разметкой по ошибкам), что позволяет осуществлять поиск по корпусу.

Национальный корпус албанского языка, насчитывающий в настоящее время около 16700000 словоупотреблений. Тексты (относящиеся к художественной литературе и публицистике) снабжены доступной пользователю морфологической (словоизменительной) разметкой, которая представляет собой набор помет, приписываемых отдельным словоупотреблениям.

Корпус представляет собой коллекцию текстов, дополненных разметкой разного вида и поисковым механизмом. Объём корпуса в настоящий момент составляет 35700000 словоупотреблений.

Информационно-справочная система, основанная на собрании текстов на идише в электронной форме общим объемом около 4000000 словоупотреблений.

Материал включает иероглифические тексты железного века, а также клинописные тексты бронзового века.

В настоящий момент размер корпуса составляет около 2000000 словоупотреблений. Тексты корпуса были размечены с помощью автоматического морфологического анализатора, 86% словоформ корпуса имеют грамматический разбор.

Корпус современного монгольского языка предназначен для исследователей-монголистов и типологов. Объём корпуса 1160000 словоупотреблений.

размер корпуса составляет свыше 23000000 словоупотреблений. Тексты корпуса были размечены с помощью автоматического частеречного анализатора. Корпус представляет собрание текстов со снятой омонимией, т. е. каждой словоформе приписан один наиболее подходящий разбор.

Корпус включает тексты современного тайского языка объёмом 50000000 словоупотреблений. Тексты собраны из Интернета.

Корпус языка русских цыган, насчитывающий 600000 словоупотреблений. На данный момент он полностью состоит из текстов, изданных в СССР в 1920-х—1930-х годах.

База данных, собранная из 5 русских словарей синонимов, с возможностью поиска по разным полям.

Аналогичная предыдущей база-агрегатор 4 словарей русских антонимов.

Здесь портале представлены несколько систем для русского языка, которые осуществляют морфологический анализ текста – теггеры. Системы обучены на 6 миллионом корпусе НКРЯ со снятой омонимией; доступны обученные модели и демо. Сайт в процессе разработки, в будущем планируется дополнительно возможность параллельного тестирования систем и собственный теггер.

"Парсер, выдающий результат в формате ConLL. Можно запустить онлайн на своих файлах или скачать."

База данных на основе словаря.

"Веб-сервис, позволяющий перевести текст из дореволюционной орфографии в современную. Старая версия доступна по другому адресу"

База данных по тональности прилагательных.

"Игра, позволяющая в увлекательной форме разметить тональность прилагательных. Полученная информация поступает в Сентинет."

"Аннотированные примеры метафорических и неметафорических употреблений 10 русских глаголов. Можно посмотреть онлайн или скачать."

Ресурс позволяет пользователям ознакомиться с методом текстового чанкинга, протестировать систему полного текстового чанкинга для русского языка, а также систему извлечения именных групп. Чанкинг - это частичный синтаксический разбор, метод, который заключается в разбиении текста на синтаксически связанные фрагменты текста - чанки.

Ресурс позволяет автоматически размечать ошибки в текстах, созданных эритажными носителями русского языка.

Студентам предлагается исправить ошибки в предложениях. При создании тренажёра преподаватели проанализировали письменные работы студентов, выявили самые частые ошибки и подготовили задания на основе реальных текстов.

Целью проекта было представление корреспонденции писателей в таком виде, чтобы с её помощью можно было получить представление о конкретном дне или персонаже в истории.

Коллекции текстов на малых языках России со статистикой объемов собранного материала.

Типологическая база данных по семантической зоне звуков, издаваемых животными. Представлены данные более 20 языков разных языковых семей.

Цель проекта – сравнение теоретических и компьютерных подходов к изучению синонимии и семантических полей. В проекте используется лексикографический, а также векторно-статистический подход к описанию указанных явлений.

У этой программы есть две функции: нормализация текста на идише и транслитерация из квадратного письма в латиницу.

это инструмент для исследований по лексической типологии, который включает в себя информацию о лексикализации в различных языках ряда признаковых полей (‘острый’ - ‘тупой’, ‘пустой’ - ‘полный’, ‘твердый’ - ‘мягкий’, ‘ровный’, ‘гладкий’, ‘шершавый’ и др.). База может выступать в качестве толкового, переводного и мультиязыкового словаря, а также использоваться для самых разных исследований в области семантики признаковой лексики.

На карте изображены все селения на территории Российской Федерации, где говорят на адыгских языках

Цель исследования: выявление типологических профилей и отнесение исследуемых языков к тому или иному профилю с нанесением полученных типологических особенностей на карту

Этот сервис позволяет восстановить диакритики в текстах на малых языках России

"Искусство войны"" Сунь-цзы - один из известнейших древнекитайских военных трактатов об искусстве стратегии и политике. На сайте в электронном формате представлены тексты произведения (на китайском языке), с комментариями и переводами.