Icelandic Gigaword Corpus (IGC-2024ext) - annotated version

  Authors

Barkarson, Starkaður and Steingrímsson, Starkaður

  Item identifier

http://hdl.handle.net/20.500.12537/358

 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

2024-12-31

 Type

corpus, text

 Size

9688829 sentences, 162171483 words, 179141662 tokens

 Language(s)

Icelandic

 Description

 

[ENGLISH] This version, IGC-2024ext, is an extension to IGC-2022 [http://hdl.handle.net/20.500.12537/254] and in most cases only contains texts from 2022 and 2023 (see README for more details). The IGC-project (Icelandic Gigaword corpus) aims to collect as much as possible of Icelandic texts that can be published, under an open or restricted licence. The project is divided into nine individual corpora, but this version only contains new data for five of them. Each corpus comes in two versions. One contains the texts untokenized and untagged where each paragraph is contained inside of a <p> tag, while the other one has been tokenized, POS-tagged and lemmatized. The corpora listed here below are the annotated versions. The unannotated corpora can be found at http://hdl.handle.net/20.500.12537/359.

 

ÍSLENSKA: Þessi útgáfa, IGC-2024ext, inniheldur viðbót við útgáfu IGC-2022 [http://hdl.handle.net/20.500.12537/254] og í flestum tilvikum innihalda málheildirnar texta frá 2022 og 2023 (sjá README fyrir nánari upplýsingar). IGC-verkefnið (Íslenska risamálheildin - Icelandic Gigaword corpus) [https://igc.arnastofnun.is] hefur að markmiði að safna eins miklum texta og mögulegt er sem gefa má út með opnu eða takmörkuðu leyfi. Verkefnið samanstendur af níu sjálfstæðum málheildum en þessi útgáfa inniheldur aðeins gögn fyrir fimm þeirra. Hver málheild er gefin út í tveimur útgáfum. Önnur inniheldur skjöl með hreinum texta, án þess að hann hafi verið tókaður. Hin inniheldur textann tókaðan, markaðan og lemmaðan. Málheildirnar hér að neðan innihalda markaðan texta. Ómörkuðu útgáfuna má nágast á http://hdl.handle.net/20.500.12537/359. Adjud http://hdl.handle.net/20.500.12537/356 Law http://hdl.handle.net/20.500.12537/357 News1 http://hdl.handle.net/20.500.12537/339 News2 http://hdl.handle.net/20.500.12537/346 Parla http://hdl.handle.net/20.500.12537/355

 

 Publisher

The Árni Magnússon Institute for Icelandic Studies

 Subject(s)

igc 2024ext annotated pos-tagged lemmatized gigaword icelandic 2024

 Collection(s)

Clarin IS

 Other versions

List all versions  

Sýna fulla færslu atriðis