IGC-News2 22.10 (unannotated version)

  Authors

Barkarson, Starkaður and Steingrímsson, Steinþór

  Item identifier

http://hdl.handle.net/20.500.12537/238

 Project URL

http://igc.arnastofnun.is

 Demo URL

https://malheildir.arnastofnun.is

 Referenced by

http://www.lrec-conf.org/proceedings/lrec2022/pdf/2022.lrec-1.254.pdf

 Date issued

2022-10-01

 Type

corpus, text

 Size

3225606 articles, 899836406 words, 1001582774 tokens, 51915950 sentences

 Language(s)

Icelandic

 Description

 

ENGLISH: IGC-News1 and IGC-News2 are a part of the IGC-Project (https://igc.arnastofnun.is) that aims to collect as many as possible of Icelandic texts that can be published under an open or restricted licence. IGC-News1 has an open licence while IGC-News2 has a restricted licence. The two news-corpora contain texts from news media, online and written as well as some from tv and radio. Each text collection is published in two versions, as two independent corpora. One is unannotated and each paragraph is contained in a separate tag (p) while the second one is tokenized, lemmatized and morphosyntactically tagged. This corpus contains the untokenized and unannotated version of IGC-News2, where each paragraph is contained inside of a <p> tag. The annotated version can be found here: http://hdl.handle.net/20.500.12537/239.

 

ÍSLENSKA: IGC-News1 og IGC-News2 eru hluti af IGC-verkefninu (https://igc.arnastofnun.is) sem miðar að því að safna eins miklu og mögulegt er af íslenskum texta sem hægt er að birta með opnu eða takmörkuðu leyfi. IGC-News1 er með opið leyfi á meðan IGC-News2 er með takmarkað leyfi. Þessar tvær fréttamálheildir innihalda texta frá fréttamiðlum, á netinu og ritaða, auk sumra úr sjónvarpi og útvarpi. Hvert textasafn er gefið út í tveimur útgáfum, sem tveir sjálfstæðir hlutar. Önnur er ómörkuð og hver málsgrein er í sérstöku tagi (p) en sú síðari er tókuð, lemmuð og með málfræðilegum mörkum. Þessi málheild inniheldur ótókaða og ómarkaða útgáfu af IGC-News2. Markaða útgáfu má finna hér: http://hdl.handle.net/20.500.12537/239.

 

 Publisher

The Árni Magnússon Institute for Icelandic Studies

 Acknowledgement

Ministry of Education, Science and Culture (Mennta- og menningamálaráðuneytið)

Project code: The Icelandic Gigaword Corpus (G1)

Project name: Language Technology for Icelandic 2019-2023

 Subject(s)

corpora news TEI

 Collection(s)

Clarin IS

 Other versions

List all versions  

Sýna fulla færslu atriðis