PANACEA Environment Italian monolingual corpus

View resource name in all available languages

Corpus monolingue italien PANACEA - domaine de l’environnement

843-358-936-298-5

ID:

ELRA-W0069

The PANACEA Environment Italian 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.

This corpus contains documents that were acquired from the web, were automatically detected to be in the Italian 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 40,044,852 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 Italian. They are divided into a total of 16,159 documents that were crawled from 1,211 web sites. The dataset consists of the original crawled HTML files and the corresponding CesDoc XML files with basic metadata.

View resource description in French

Le corpus monolingue italien 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 européenne.

Ce corpus comprend des documents acquis depuis le web, qui ont été détectés automatiquement comme étant de langue italienne 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 40 044 852 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’italien. Les tokens proviennent d’un total de 16 159 documents qui ont été crawlés depuis 1 211 sites web. L’ensemble de données comprend les fichiers HTML d’origine crawlés et les fichiers XML CesDoc correspondants avec les métadonnées de base.

MEMBERacademiccommercial
Licence: Non Commercial Use - ELRA END USER
0.00 € submit
0.00 € submit
NON MEMBERacademiccommercial
Licence: Non Commercial Use - ELRA END USER
0.00 € submit
0.00 € submit
30/01/2013 Downloadable
      People who looked at this resource also viewed the following:
      Resources from the same project