Corpus monolingue français PANACEA - domaine de la législation du travail
ID:
ELRA-W0066
The PANACEA Labour French monolingual corpus was acquired in the framework of the PANACEA project (Platform for Automatic, Normalized Annotation and Cost-Effective Acquisition of Language Resources for Human Language Technologies), under the European Commission's Seventh Framework Programme.
This… Read More corpus contains documents that were acquired from the web, were automatically detected to be in the French language and were automatically classified as relevant to the “Labour Legislation” domain. It was constructed in the summer of 2011 using the Focused Monolingual Crawler (FMC) developed in the context of PANACEA.
The corpus contains 56,440,425 tokens, excluding tokens in a) short (smaller than 10 tokens) paragraphs, b) paragraphs that were automatically classified as boilerplate and c) paragraphs that were automatically detected in a language other than French. They are divided into a total of 26,675 documents that were crawled from 1,391 web sites. The dataset consists of the original crawled HTML files and the corresponding CesDoc XML files with basic metadata.Read Less
View resource description in all available languages
Le corpus monolingue français PANACEA - domaine de la législation du travail a été acquis dans le cadre du projet PANACEA (Platform for Automatic, Normalized Annotation and Cost-Effective Acquisition of Language Resources for Human Language Technologies), du septième programme-cadre de la… Read More Commission européenne.
Ce corpus comprend des documents acquis depuis le web, qui ont été détectés automatiquement comme étant de langue française et classés automatiquement comme appartenant au domaine de la législation du travail. Il a été construit en été 2011 au moyen du FMC (Focused Monolingual Crawler), développé dans le contexte de PANACEA.
Le corpus contient 56 440 425 tokens, en excluant les tokens se trouvant a) dans les paragraphes courts (moins de 10 tokens), b) dans les paragraphes qui ont été classés automatiquement comme « boilerplate » et c) dans les paragraphes qui ont été détectés automatiquement comme étant dans une autre langue que le français. Les tokens proviennent d’un total de 26 675 documents qui ont été crawlés depuis 1 391 sites web. L’ensemble de données comprend les fichiers HTML d’origine crawlés et les fichiers XML CesDoc correspondants avec les métadonnées de base.Read Less
Home
7
