Data k úlohám z počítačového zpracování přirozeného jazyka

(Přístup je chráněn heslem.)

• Háčkování: tokenizovaný text s diakritikou
  • Slovenština
  • Polština
  • Maďarština
  • Řečtina
• Hranice slov a vět: tokenizovaný text s vyznačenými hranicemi odstavců a vět
  • Ruština
  • Portugalština
  • Němčina
  • Švédština
  • Španělština
• Morfologická analýza: tokenizovaný text, token = slovo/lemma/značka
  • Čeština
• Tagging: tokenizovaný text, token = slovo/značka
  • Čeština
  • Švédština
  • Dánština
  • Hindština
• Parsing: sloupcový formát CoNLL
  • Čeština
  • Švédština
  • Dánština
• Překlad: paralelní tokenizované soubory v UTF-8, co řádek, to zarovnaná věta
  • Angličtina – hindština

Německá data pocházejí z treebanku Tiger (http://www.ims.uni-stuttgart.de/projekte/TIGER/TIGERCorpus/). Text treebanku zase pochází z novin Frankfurter Rundschau a držitelem Copyrightu je:

      Druck- und Verlagshaus Frankfurt am Main GmbH
      Verlag der Frankfurter Rundschau
      Große Eschenheimer Straße 16-18
      D-60313 Frankfurt am Main

Treebank sám byl vytvořen ve spolupráci univerzit v Postupimi, Stuttgartu a Sárské univerzity v Saarbrückenu.

Protože jsou německá data odvozena z treebanku Tiger, podléhají stejným licenčním podmínkám jako tento treebank. Data jsou k dispozici bezplatně pro nekomerční využití za předpokladu, že jejich uživatel souhlasí a podepíše licenční ujednání. Elektronickou kopii svého souhlasu s licencí musíte odeslat dříve, než začnete data používat.