wikicorpus

Wikicorpus是一个三语语料库，包含加泰罗尼亚语、西班牙语和英语，主要来源于2006年的维基百科数据转储，并经过自动化的语言信息增强处理。该语料库规模庞大，包含超过7.5亿个单词，并使用FreeLing进行了词形还原和词性标注，同时利用UKB算法进行了词义消歧，标注了WordNet词义。Wikicorpus支持词义消歧、词形还原等任务，并采用与维基百科相同的GNU自由文档许可证。