Тегеранский монолингвистический корпус

This article does not cite any sources. Please help improve this article by adding citations to reliable sources. Unsourced material may be challenged and removed. Find sources: "Tehran Monolingual Corpus" – news · newspapers · books · scholar · JSTOR (December 2010) (Learn how and when to remove this message)

Тегеранский монолингвальный корпус (TMC) — это крупномасштабный персидский монолингвальный корпус. TMC подходит для моделирования языка и соответствующих исследовательских областей в области обработки естественного языка .

Корпус извлечен из Hamshahri Corpus и сайта информационного агентства ISNA . Качество Hamshahri corpus улучшено для целей моделирования языка с помощью серии шагов токенизации и проверки орфографии.

TMC содержит более 250 миллионов слов. Общее количество уникальных слов (с частотой два и более) корпуса составляет около 300 тысяч, что относительно неплохо для такого высокофлективного языка, как персидский.

TMC создан Лабораторией обработки естественного языка Тегеранского университета . Корпус доступен для бесплатного использования в исследовательских целях после получения разрешения от агрегатора корпусов.

• Корпус Биджанкхана
• Корпус Хамшахри

• Страница описания TMC