Dutch PAROLE lexicon

View resource name in all available languages

Lexique PAROLE hollandais

283-192-505-981-6

ID:

ELRA-L0031

The entry list of the lexicon consists of about 20,200 entries distributed over 13 parts of speech (POS). The entries have been described along the dimensions of morphosyntax and syntax. Morphosyntactic information consists of various lexical properties, like gender, number, case, person, inflection, etc. Syntactic descriptions consist of typical complementation patterns associated with the various lemmata.

The composition of the entry list of the lexicon is based on 3 corpora from the Instituut voor Nederlandse Lexicologie (INL) and 2 lexica. The corpora contain a total of about 54 million words and have been automatically annotated for part-of-speech and lemma. The lexica contain morphosyntactic information of various kinds. For verbs, nouns, adjectives and adverbs, lemmata that were covered by at least 2 corpora and the 2 lexica were selected on the basis of cumulative frequency, coverage (distribution over sources) and inflected forms. For the smaller parts of speech, these selection requirements appeared to be too strict. Entry selection for these parts of speech was based on ranked frequency.

The entries, uniquely defined by the combination of part of speech (e.g. noun) and subtype (e.g. common vs. proper noun), are provided with morphosyntactic information according to the Dutch set of PAROLE categories and features, and, where available, with syntactic information. Morphosyntactic information is automatically extracted from the INL lexica. Syntactic data have been collected manually, by inspection of corpus data and - where necessary - consultation of reference works. The corpus consulted consists of the newspaper component and the varied component of the 38 Million Words Corpus 1996.

Word forms in the Dutch PAROLE lexicon are not inflected according to general paradigms, but are related to their lemma by a set of string procedures. These procedures are not unique. They can be shared by many other word forms. An example is suffixation with -e for adjectives, which produces "goede"/good from "goed". Inflected forms can be derived directly by applying the string procedures to the lemma they are connected with.

The lexicon is set up as an SGML file (over 30 MB of plain ASCII). Its contents have been encoded in a distributed manner: all formative entities (like lemmata, syntactic phrases, feature bundles) are SGML entities, related by a pointer mechanism to other entities.

The lexicon contains the following categories : adjectives (3,298 entries), adpositions (80 entries), adverbs (554 entries), articles (3 entries), conjunctions (70 entries), determiners (59 entries), interjections (235 entries), nouns (12,279 entries), numerals (77 entries), pronouns (85 entries), residuals (186 entries), unique (1 entry), verb (3,274 entries).

***
Introduction on the PAROLE project

LE-PAROLE project (MLAP/LE2-4017) aims to offer a large-scale harmonised set of "core" corpora and lexica for all European Union languages.

Language corpora and lexica were built according to the same design and composition principles, in the period 1996-1998.

PAROLE Corpora:

The harmonisation with respect to corpus composition (selection of corpus texts) was to be achieved by the obligatory application of common parameters for time of production and classification according to publication medium. No texts older than 1970 were allowed. As for publication medium, the corpus had to include specific proportions of texts from the categories “Book”, “Newspaper”, “Periodical” and “Miscellaneous” within a settled range.

The harmonisation effort also applied to the textual and linguistic encoding of the language corpora involved. With respect to the mark up of text structure and primary data, every single corpus text was to be encoded according to the PAROLE DTD, which is compatible with the DTD of the Text Encoding Initiative (TEI) and with that of the Corpus Encoding Standard (CES). The level of encoding was set to Level 1 of the CES, implying the encoding of text structure and textual features up to Paragraph Level, with the additional constraint, however, that all legacy data was kept.

As for linguistic corpus annotation, an equal proportion of the corpus texts (up to 250,000 running words) was to be morphosyntactically annotated according to a common core PAROLE tagset, extended with a set of language specific features. The checking of the tags was split in two: 50,000 words had to be checked for maximum granularity and 200,000 for part-of-speech (PoS) only.

The languages involved in PAROLE corpora are: Belgian French, Catalan, Danish, Dutch, English, French, Finnish, German, Greek, Irish, Italian, Norwegian, Portuguese and Swedish.

PAROLE Lexica:

The lexica (20,000 entries per language) were built conform to a model based on EAGLES guidelines and GENELEX results, underlying a common lexical tool adapted from the EUREKA-GENELEX project. This software tool was extended to support the PAROLE model and conversion and management processes of the resulting resources.

The languages involved in PAROLE lexica are: Catalan, Danish, Dutch, English, Finnish, French, German, Greek, Italian, Portuguese, Spanish and Swedish.

View resource description in French

Le lexique comprend environ 20 200 entrées distribuées sur 13 étiquettes " parties du discours ". Les entrées sont décrites avec des informations morpho-syntaxiques et syntaxiques. Les informations morpho-syntaxiques contiennent de nombreuses propriétés lexicales, telles que genre, nombre, cas, personne, flexion, etc. Les descriptions syntaxiques contiennent des modèles de compléments types associés à de nombreux lemmes.

La composition des entrées du lexique est basée sur 3 corpus de l'Instituut voor Nederlandse Lexicologie (INL) et de 2 lexiques. Les corpus totalisent environ 54 millions de mots et les parties du discours et les lemmes ont été annotés automatiquement. Le lexique contient des informations morpho-syntaxiques de toutes sortes. Pour les verbes, les noms, les adjectifs et les adverbes, les lemmes qui étaient couverts par au moins 2 corpus et 2 lexiques, ont été sélectionnés d'après un cumul des fréquences, la couverture (distribution sur les sources) et les formes fléchies. Pour les parties du discours plus petites, ces besoins de sélection se sont avérés trop stricts. Ainsi, la sélection sur ces parties du discours s'est basée sur un classement des fréquences.


Les entrées, définies uniquement selon la combinaison de la partie du discours (par ex. le nom) et le sous-type (par ex. nom commun par opposition à nom propre), sont fournies avec des informations morpho-syntaxiques établies d'après les catégories et attributs de l'ensemble PAROLE hollandais, et, quand cela était possible, avec des informations syntaxiques. Les informations morpho-syntaxiques ont été extraites automatiquement des lexiques de l'INL. Les données syntaxiques ont été collectées manuellement, en inspectant les données du corpus et, si nécessaire, en consultant d'autres travaux de référence. Le corpus consulté est composé des données de journaux et de données d'origines diverses provenant du corpus de 38 millions de mots de 1996.


Le lexique se présente sous la forme d'un fichier SGML (plus de 30 MB de texte ASCII). Le contenu du fichier a été codé de manière distributive : toutes les entités "formatrices" (lemmes, phrases syntaxiques, ensembles de traits) sont des entités SGML reliées à d'autres entités par un mécanisme de pointeur.

Le lexique contient les catégories suivantes : adjectifs (3 298 entrées), pré- et post-positions (80 entrées), adverbes (554 entrées), articles (3 entrées), conjonctions (70 entrées), déterminants (59 entrées), interjections (235 entrées), noms (12 279 entrées), numéraux (77 entrées), pronoms (85 entrées), catégorie résiduelle (186 entrées), catégorie unique (1 entrée), verbes (3 274 entrées).

***
Présentation du projet PAROLE

Le projet LE-PAROLE (MLAP/LE2-4017) a pour but d’offrir un noyau comparable et harmonisé de lexiques et corpus de toutes les langues de l’Union européenne.

Les corpus et lexiques ont été construits d’après une conception et des principes de composition identiques, entre 1996-1998.

Corpus PAROLE:

L’harmonisation de la composition du corpus (sélection de textes) a pu être mise en place grâce à l’application obligatoire de paramètres communs en termes de temps de production et en termes de classification des supports de publication. Aucun texte antérieur à 1970 n’a été retenu. En ce qui concerne les supports de publication, le corpus devait comprendre des proportions spécifiques de textes selon les catégories « Livre », « Journal », « Périodique » et « Divers ».

L’effort d’harmonisation concernait également le codage textuel et linguistique des corpus. Chaque corpus devait suivre la DTD PAROLE, elle-même compatible avec la DTD de la TEI (Text Encoding Initiative – Initiative de codage de textes) et du CES (Corpus Encoding Standard - Standard de codage de corpus).

Pour ce qui est de l’annotation du corpus, une proportion égale de textes (jusqu’à 250 000 mots) devait être annotée morpho-syntaxiquement selon un ensemble commun d’étiquettes, augmenté par des attributs spécifiques à chaque langue. La vérification des balises a été divisée en deux : 50 000 mots devant être vérifiés à un niveau de granularité maximum et 200 000 devant être vérifiés pour une « partie du discours » seulement.

Les corpus PAROLE concernent les langues suivantes : catalan, danois, hollandais, anglais, français, finnois, allemand, grec, italien, portugais, suédois, belge-français, irlandais et norvégien.

Lexiques PAROLE:

Les lexiques (20 000 entrées par langue) ont été construits conformément à un modèle basé sur les recommandations d’EAGLES et les résultats de GENELEX, en utilisant un outil lexical commun adapté du projet EUREKA-GENELEX. Ce logiciel a été étendu afin de supporter le modèle PAROLE, ainsi que les procédés de conversion et de gestion des ressources obtenues.

Les lexiques PAROLE concernent les langues suivantes : catalan, danois, hollandais, anglais, finnois, français, allemand, grec, italien, portugais, suédois et espagnol.

MEMBERacademiccommercial
Licence: Non Commercial Use - ELRA END USER
300.00 € submit
1600.00 € submit
Licence: Commercial Use - ELRA VAR
8000.00 € submit
8000.00 € submit
NON MEMBERacademiccommercial
Licence: Non Commercial Use - ELRA END USER
400.00 € submit
3000.00 € submit
Licence: Commercial Use - ELRA VAR
10000.00 € submit
10000.00 € submit

Special offer:

    Special price for academic users from the Netherlands and Belgium. The data are supplied directly by the Instituut voor Nederlandse Lexicologie, http://www.inl.nl.
    Members Special Prices: Academic - Research 200.00 EUR

12/07/1999 Downloadable
People who looked at this resource also viewed the following: