Skup podataka SentiComments.SR sadrži sledeća tri korpusa: Glavni SentiComments.SR korpus, koji se sastoji iz 3490 komentara iz filmskog domena Filmski verifikacioni korpus, koji se sastoji iz 464 komentara iz filmskog domena Književni verifikacioni korpus, koji se sastoji iz 173 komentara iz književnog domena Glavni SentiComments.SR korpus je izgrađen korišćenjem komentara posetilaca sa sajta kakavfilm.com, koji sadrži filmske recenzije na srpskom jeziku. Građa za filmski verifikacioni koprus je dobijena sa dva druga sajta na srpskom sa recenzijama filmova - gledajme.rs i happynovisad.com....

Srpski korpus kratkih novinskih tekstova za određivanje semantičke sličnosti (STS.news.sr) sastoji se od 1192 para rečenica na srpskom, ili oko 64 hiljade tokena, prikupljenih iz novinskih izvora na internetu i napisanih na latinici. Svakom paru rečenica su ručno dodeljivane granulirane ocene semantičke sličnosti na skali od 0 do 5. Finalne ocene su dobijene kao prosek individualnih ocena pet anotatora. Parovi rečenica u ovom skupu podataka su preuzeti iz Srpskog korpusa parafraza (paraphrase.sr). Metodologija njihove anotacije je uglavnom pratila onu koja je...

Srpski korpus parafraza (paraphrase.sr) sastoji se od 1194 parova rečenica prikupljenih iz novinskih izvora na internetu. Svakom paru rečenica je ručno dodeljena binarna ocena sličnosti koja govori da li su rečenice u paru dovoljno semantički slične da bi se mogle smatrati bliskim parafrazama. Korpus sadrži 553 para rečenica za koje je procenjeno da su semantički ekvivalentne (46,31% od ukupnog broja), i 641 par semantički različitih rečenica (53,69% od ukupnog broja). Autor Vuk Batanović Dostupnost Korpus i njegova dokumentacija se mogu pronaći na paraphrase.sr GitHub...

ReLDI-NormTagNER-hr 2.1 je ručno anotirani korpus tvitova na hrvatskom. Ovaj korpus je zamišljen kao zlatni standard za obuku i testiranje sistema za tokenizaciju, razdvajanje rečenica, normalizaciju, morfosintaksičku obradu, lematizaciju i prepoznavanje imenovanih entiteta u nestandardnom jeziku. Svim tvitovima su automatski dodeljene oznake nivoa standardnosti (T = tehnički standard, L = lingvistički standard). Autori Nikola Ljubešić, Tomaž Erjavec, Vuk Batanović, Maja Miličević, Tanja Samardžić Dostupnost Puna verzija korpusa se može preuzeti iz repozitorijuma CLARIN.SI. Publikacija Izrada korpusa je (delimično) opisana u sledećem radu: Miličević, M. and N. Ljubešić...

ReLDI-NormTagNER-sr 2.1 je ručno anotirani korpus tvitova na srpskom. Ovaj korpus je zamišljen kao zlatni standard za obuku i testiranje sistema za tokenizaciju, razdvajanje rečenica, normalizaciju, morfosintaksičku obradu, lematizaciju i prepoznavanje imenovanih entiteta u nestandardnom jeziku. Svim tvitovima su automatski dodeljene oznake nivoa standardnosti (T = tehnički standard, L = lingvistički standard). Autori Nikola Ljubešić, Tomaž Erjavec, Vuk Batanović, Maja Miličević, Tanja Samardžić Dostupnost Puna verzija korpusa se može preuzeti iz repozitorijuma CLARIN.SI. Publikacija Izrada korpusa je (delimično) opisana u sledećem radu: Miličević, M. and N. Ljubešić...

Kolekcija filmskih recenzija na srpskom sastoji se od tri različita skupa podataka na srpskom koji su sastavljeni za zadatak analize sentimenta: Prikupljene filmske recenzije na srpskom (ISLRN 252-457-966-231-5) – neizbalansiran skup od 4725 filmskih recenzija na srpskom. SerbMR-2C – Skup filmskih recenzija na srpskom (2 klase) (ISLRN 016-049-192-514-1) – dvoklasan izbalansiran skup koji sadrži 1682 filmske recenzije sa označenim sentimentom (841 pozitivnu i 841 negativnu). SerbMR-3C – Skup filmskih recenzija na srpskom (3 klase) (ISLRN 229-533-271-984-0) – troklasan izbalansiran skup...

SETimes.SR je referentni trening korpus srpskih tekstova prikupljenih iz SETimes paralelnog korpusa novinskih članaka. On sadrži 163 dokumenta, podeljena na 3891 rečenicu, odnosno 86 726 tokena. Korpus je ručno označen na nivou: Segmentacije na tokene, rečenice, i dokumente Morfosintaktičkih oznaka Lema Sintaksnih dependencija Imenovanih entiteta Skup morfosintaktičkih oznaka korišćenih u korpusu u skladu je sa smernicama revidiranog MULTEXT-East V5 skupa oznaka za bosanski, hrvatski i srpski, a dostupan je ovde. Sintaksne dependencije su označene prema specifikaciji Universal Dependency v2 (UDv2). Oznake imenovanih entiteta su date...

hr500k je referentni trening korpus hrvatskih tekstova koji sadrži 900 dokumenata podijeljenih u 24 794 rečenice, ili 506 457 pojavnice. On predstavlja proširenje prethodnih označenih korpusa hrvatskog jezika, poput SETimes.HR i SETimes.HR+. Korpus je ručno označen na razinama: Segmentacije na pojavnice, rečenice, i dokumente Morfosintaktičke oznake Leme Ovisnosne sintakse Semantičkih uloga Imenovanih entiteta Cijeli korpus je označen na razininama leme i morfosintaktičke oznake. Skup morfosintaktičkih oznaka korištenih u korpusu u skladu je sa smjernicama revidiranog MULTEXT-East V5 skupa oznaka za hrvatski i srpski,...

srWaC je mrežni korpus prikupljen sa .rs internetske domene. Inačica 1.1 sadrži 555 milijuna pojavnica. Korpus je automatski redijakritiziran, lematiziran te označen na morfosintaktičkoj razini. Razina ovisnosne sintakse bit će dodana u verziji 1.2. Skup morfosintaktičkih oznaka korištenih u korpusu u skladu je sa smjernicama revidiranog MULTEXT-East V5 skupa oznaka za hrvatski i srpski, a dostupan je ovdje. Autori Nikola Ljubešić, Filip Klubička Dostupnost Za lokalnu uporabu, tekstualna inačica srWaCa može se preuzeti ovdje. srWaCu se također može pristupiti, te ga se može pretraživati online, koristeći...

hrWaC je mrežni korpus prikupljen sa .hr internetske domene. Inačica 2.1 sadrži 1.4 milijarde pojavnica. Korpus je automatski redijakritiziran, lematiziran te označen na morfosintaktičkoj razini. Razina ovisnosne sintakse bit će dodana u verziji 2.2. Skup morfosintaktičkih oznaka korištenih u korpusu u skladu je sa smjernicama revidiranog MULTEXT-East V5 skupa oznaka za hrvatski i srpski, a dostupan je ovdje. Autori Nikola Ljubešić, Filip Klubička Dostupnost Za lokalnu uporabu, tekstualna inačica hrWaCa može se preuzeti ovdje. hrWaCu se također može pristupiti, te ga se može pretraživati online, koristeći...