Issn 2518-198х индексі 74623 Индекс 74623 Қ ар ағ анд ы уни вер си тетiнiң ÕÀÁÀÐØÛÑÛ



Pdf көрінісі
бет13/46
Дата12.10.2022
өлшемі5,53 Mb.
#42591
1   ...   9   10   11   12   13   14   15   16   ...   46
Байланысты:
аааа сейдімбек

Corpus Design Considerations 
Corpus is a collection of some language texts sored in an electronic database. And it is the basic re-
source of natural language processing with statistical language model. The corpus plays an important role in 
knowledge acquisition, and corpus construction is a sign of corpus size and corpus selection. 
The normative principles of constructing the Kazak Language Corpus. 
Since 2009, we have constructed a word level corpus of Kazakh language, which has been continuously 
improved, modified and expanded in the past years. It is particularly important to find out the standards for 
the initial construction of the corpus, which will affect many of the later research results. Therefore, we carry 
out the following research. 
(i) The objectives and collection criteria for source material: Quality is the lifeline of the corpus, em-
phasizes the universality and normative analysis; corpus obtained can basically summarize the whole or part 
of the Kazakh language specified characteristics as a representative corpus. So, it is to identify the principal 
aspects of corpus creation and the main decisions to be made. 
(ii) Corpus size: The size of the corpus in relation to statistical data are reliable, and scarce resources 
belonging to the Kazakh language, source of corpus is less, scale is larger, the construction difficulty and cost 
more. Kazakh language is a low-resources, we select the corpus from mainstream newspaper media and Ka-
zakh school Textbooks. 
(iii) The processing and depth principles: Processing materials include text format processing and text 
description. According to the Kazakh characteristics, to provide users with data processing depth information 
for the purpose of Kazakhstan linguistics, corpus processing specification includes: the letter frequency sta-
tistics, word frequency statistics, word segmentation, word formation of additional components, the stem or 
POS tagging etc..
(iv) The encoding, description, storage format: According to the Kazakh language corpus source, input 
method and format inconsistencies, to facilitate unified management and sharing of resources, follow by the 
XML language and UNICODE encoding form for the corpus storage format, the Kazakh corpus description 
information to achieve the complete word tagging specification, is beneficial to the understanding and appli-
cation of language resources and sharing. Tagged corpus is stored in XML file and TXT form separately. 
Text documents description. In the initial version of our corpus, we used the data start from January 1, 
2008 Xinjiang Daily (Kazakh version) for the Kazakh Language Corpus (KzLC) to whole year. The corpus 
consists of raw texts and POS tagged XML format texts. XML annotation content and text structure infor-
mation as follow: 
Title: sub- title 
<subtitle></ Subtitle>  
Paragraph
Sentence  
Word  
The word in the corpus annotation specification: adding the properties for a part of speech-POS, stem, 
affix, unknown word etc. In this experiment, a corpus based storage format: UNICODE as a corpus character 
encoding, using XML language as storage format; pure text or database form. 
The Kazakh word corpus POS annotation: The Kazakh word tagging corpus is labeled various word 
level information based on the corpus of the language materials, in order to solve POS tagging of Kazakh 
lexical analysis, this study proposed a Kazakh word tagging Standards including POS tagging, stem tagging, 


G. Altenbek, X.L. Wang 
16 
Вестник Карагандинского университета 
affix tagging, multi-class word POS tagging as an attribute. Through these annotation information, more in-
depth analysis of the language material, can obtain more knowledge about the Kazakh language, lay the 
foundation for information processing but also for the construction of Kazakh language. 
Part-Of-Speech (POS) tagging is the process of assigning a part-of-speech label to each of a sequence 
of words. There are many different tag-sets for the parts of speech of a language Include n, num, int, v, adj, 
adv, pron, part, ono and q. Table 1 presents our POS tag sets.
T a b l e 1


Достарыңызбен бөлісу:
1   ...   9   10   11   12   13   14   15   16   ...   46




©emirsaba.org 2024
әкімшілігінің қараңыз

    Басты бет