PAROLE English lexicon

View resource name in all available languages

Lexique PAROLE de l'anglais

382-062-733-311-0

ID:

ELRA-L0043

The English PAROLE Lexicon has been compiled by two partners, Sheffield University and the Corpus Linguistic Group (CLG) at Birmingham University.

The Lexicon was compiled from existing resources: CRL-LKB and the COBUILD dictionary database. Both have restricted availability and contain extensive syntactic, semantic and morphological information.

The lexicon contains 22,000 morphological units, of which 12998 are common nouns, 40 proper nouns 4195 verbs, 3208 adjectives, 606 adverbs, 71 adpositions, 2 articles, 21 conjunctions, 25 determiners, 53 pronouns.

The English PAROLE lexicon comprises the following information:

- morphological encoding for all nouns, verbs, adverbs, adjectives and functions words;

- syntactic encoding of all verbs, nouns, adjectives and adverbs.

The organizational procedure was as follows:

1. Selection: Lemmata were mostly selected on the basis of frequency from the COBUILD corpus. Most proper nouns were deselected and some verbs were added because of the decision to encode deverbal nominalisations and compound information.
2. Coverage: the headword list was checked against the resources to make sure there was adequate coverage of syntactic and morphological information.
3. Composition: the nominal lemmata were checked for derivations and compounds. These were extracted and analyzed into their constituent parts and compounds were checked for lexicalisation. Components were flagged with their base forms and grammatical class.
4. Conversion: Morphosyntactic information was either directly transferred from existing resources or, in the case of inflectional information and subcategorisation patterns, programs were written to extract information and convert it into the PAROLE format.
5. Cross-reference: all components contained in nominal derivations and compounds were cross-referenced with their base PoS.

Integrity checks were made and the lexicon was parsed using nsgmls.

***
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 PAROLE anglais a été conçu par deux partenaires, l'université de Sheffield et le CLG (Corpus Linguistic Group) de l'université de Birmingham.

Il a été créé à partir de ressources existantes : les dictionnaires électroniques CRL-LKB et COBUILD, qui ont tous deux un accès limité, et qui contiennent des informations sémantiques, syntaxiques et morphologiques détaillées.

Ce lexique comprend 22000 entrées : 12998 noms communs, 40 noms propres, 4195 verbes, 3208 adjectifs, 606 adverbes, 71 pré- et post-positions, 2 articles, 21 conjonctions, 25 déterminants, et 53 pronoms.

Les informations suivantes sont disponibles dans le lexique PAROLE anglais :

* le codage morphologique de tous les noms, verbes, adverbes, adjectifs et mots de fonction.
* Le codage syntaxique de tous les verbes, noms, adjectifs et adverbes.

La procédure était la suivante :

Sélection : les lemmes étaient sélectionnés en fonction de leurs occurrences dans le corpus COBUILD. La plupart des noms propres ont été désélectionnés, et quelques verbes ajoutés suite à la décision que nous avons prise de coder les déverbaux et les composés.

Couverture : la liste des entrées (ou mots-têtes) a été vérifiée en parallèle à celle des ressources, afin de s'assurer qu'il y avait une couverture appropriée des informations syntaxiques et morphologiques.

Composition : les noms ont été vérifiés, avec leurs dérivations et composés. Ceux-ci étaient extraits et leurs constituants analysés, et les composés l'étaient te pour leur lexicalisation, les composants marqués, avec leur radical et la catégorie grammaticale.

Conversion : les renseignements morpho-syntaxiques étaient transférés directement depuis les ressources existantes, ou bien on écrivait des programmes pour extraire les informations et les convertir au format PAROLE, pour les flexions et la catégorisation.

Référence croisée : tous les composants des formes nominales et des composés font référence à leur partie du discours d'origine.

Après contrôle, le lexique a été analysé avec nsgmls.

***
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
3400.00 € submit
9000.00 € submit
Licence: Commercial Use - ELRA VAR
9000.00 € submit
9000.00 € submit
NON MEMBERacademiccommercial
Licence: Non Commercial Use - ELRA END USER
5100.00 € submit
13500.00 € submit
Licence: Commercial Use - ELRA VAR
13500.00 € submit
13500.00 € submit
06/04/2001 Downloadable
People who looked at this resource also viewed the following:
Resources from the same project