Corpus monolingue anglais PANACEA - domaine de l’environnement
ID:
ELRA-W0063
The PANACEA Environment English monolingual corpus was acquired in the framework of the PANACEA project (Platform for Automatic, Normalized Annotation and Cost-Effective Acquisition of Language Resources for Human Language Technologies), under the European Commission's Seventh Framework Programme. … Read More This corpus contains documents that were acquired from the web, were automatically detected to be in the English language and were automatically classified as relevant to the “Environment” domain. It was constructed in the summer of 2011 using the Focused Monolingual Crawler (FMC) developed in the context of PANACEA.
The corpus contains 50,541,538 tokens, excluding tokens in a) short (smaller than 10 tokens) paragraphs, b) paragraphs that were automatically classified as boilerplate and c) paragraphs that were automatically detected in a language other than English. They are divided into a total of 28,071 documents that were crawled from 3,121 web sites. The dataset consists of the original crawled HTML files and the corresponding CesDoc XML files with basic metadata.Read Less
View resource description in all available languages
Le corpus monolingue anglais PANACEA - domaine de l’environnement a été acquis dans le cadre du projet PANACEA (Platform for Automatic, Normalized Annotation and Cost-Effective Acquisition of Language Resources for Human Language Technologies), du septième programme-cadre de la Commission… Read More européenne.
Ce corpus comprend des documents acquis depuis le web, qui ont été détectés automatiquement comme étant de langue anglaise et classés automatiquement comme appartenant au domaine de l’environnement. Il a été construit en été 2011 au moyen du FMC (Focused Monolingual Crawler), développé dans le contexte de PANACEA.
Le corpus contient 50 541 538 tokens, en excluant les tokens se trouvant a) dans les paragraphes courts (moins de 10 tokens), b) dans les paragraphes qui ont été classés automatiquement comme « boilerplate » et c) dans les paragraphes qui ont été détectés automatiquement comme étant dans une autre langue que l’anglais. Les tokens proviennent d’un total de 28 071 documents qui ont été crawlés depuis 3 121 sites web. L’ensemble de données comprend les fichiers HTML d’origine crawlés et les fichiers XML CesDoc correspondants avec les métadonnées de base.Read Less
Home
30
