02 May Označeni korpus hrvatskog jezika: hr500k

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, a dostu­pan je ovdje.
Ovi­sno­sna sin­tak­sa je ozna­če­na pre­ma spe­ci­fi­ka­ci­ji Uni­ver­sal Depen­den­cy v2 (UDv2) i obu­hva­ta prve dvi­je peti­ne hr500k, tj. prvih 197 028 pojav­ni­ca u kor­pu­su.
Seman­tič­ke ulo­ge su ozna­če­ne u naj­sta­ri­jem dije­lu kor­pu­sa, odno­sno u prva 163 doku­men­ta / 83 630 pojav­ni­ce, koji potje­ču iz prvo­bit­nog SETimes.HR kor­pu­sa.
Ozna­ke ime­no­va­nih enti­te­ta pokri­va­ju cije­li hr500k i data su u IOB2 for­ma­tu, uz razli­ko­va­nje pet tipo­va enti­te­ta — oso­be (PER), posvoj­ni pri­dje­vi izve­de­ni od ime­na (DERIV-PER), loka­ci­je (LOC), orga­ni­za­ci­je (ORG), i razno (MISC).