arXivDaily arXiv每日学术速递 周一至周五更新
北美退伍军人节（Veterans Day），12 日无更新
arXiv 2005.03521cs.CL
收藏

丹麦GigaWord项目

The Danish Gigaword Project

ITU Copenhagen（哥本哈根信息技术大学）；USC Information Sciences Institute（南加州大学信息科学研究所）；Aarhus University（奥胡斯大学）；Cornell University（康奈尔大学）；Danish Language Council（丹麦语言委员会）；Alexandra Institute（亚历山德拉研究所）；University of Copenhagen（哥本哈根大学）；TV2 Regionerne（TV2区域台）；Technical University of Denmark（丹麦技术大学）；Karnov Group（卡诺夫集团）；Novo Nordisk（诺和诺德）
Leon Strømberg-Derczynski, Manuel R. Ciosici, Rebekah Baglini, Morten H. Christiansen, Jacob Aarup Dalsgaard, Riccardo Fusaroli, Peter Juel Henrichsen, Rasmus H… 展开作者

Leon Strømberg-Derczynski, Manuel R. Ciosici, Rebekah Baglini, Morten H. Christiansen, Jacob Aarup Dalsgaard, Riccardo Fusaroli, Peter Juel Henrichsen, Rasmus Hvingelby, Andreas Kirkedal, Alex Speed Kjeldsen, Claus Ladefoged, Finn Årup Nielsen, Malte Lau Petersen, Jonathan Hvithamar Rystrøm, Daniel Varab

备注：
Identical to the NoDaLiDa 2021 version
阅读 PDF
arXiv 页面 ↗HTML 原文 ↗

摘要：

丹麦语言技术一直受到现代NLP喜欢的规模的广泛覆盖语料库的缺乏的阻碍。本文介绍了丹麦语Gigaword语料库，集中精力提供一个多样化的和免费的丹麦语文本的十亿字语料库的结果。丹麦语Gigaword语料库涵盖了广泛的时间段、领域、使用者的社会经济地位和丹麦方言。

英文摘要：

Danish language technology has been hindered by a lack of broad-coverage corpora at the scale modern NLP prefers. This paper describes the Danish Gigaword Corpus, the result of a focused effort to provide a diverse and freely-available one billion word corpus of Danish text. The Danish Gigaword corpus covers a wide array of time periods, domains, speakers' socio-economic status, and Danish dialects.

机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。

↑