CoMeRe.org : corpuscomere

Accueil » Posts tagged 'Computational Linguistics'

Tag Archives: Computational Linguistics

Deux nouveaux corpus dans la base CoMeRe

La base de corpus CoMeRe ( https://hdl.handle.net/11403/comere ) vient de s’enrichir de deux nouveaux corpus qui comme les précédents sont entièrement téléchargeables, renseignés et structurés de la même façon que les précédents en TEI-CMC :

  • 1) Panckhurst R., Détrie C., Lopez C., Moïse C., Roche M., Verine B. (2016). 88milSMS. A corpus of authentic text messages in French. In Chanier T. (ed) Banque de corpus CoMeRe. Ortolang : Nancy. https://hdl.handle.net/11403/comere/cmr-88milsms
  • Ce corpus vient compléter les autres corpus de SMS / textos en langue française déjà présents dans CoMeRe, tous issus du même projet européen « sms4science ». Une version précédente du corpus figurait dans le site Huma-Num. Dans cette nouvelle verison, le corpus a été structuré en TEI-CMC, des métadonnées détaillées ont été ajoutées expliquant, notamment, les conditions de collecte, édition, etc. Les profils des  auteurs de SMS figurent désormais dans la version TEI-CMC. Une large fraction des émoticônes et émojis, présents dans les messages, a été étiquetée.
  • 2) Riou, S. & Sagot, B. (2016). Etiquetage morpho-syntaxique du corpus FAVI [corpus]. D’après Yun, H. & Chanier, T. (2014). Corpus d’apprentissage FAVI (Français académique virtuel international) [cmr-favi-tei-v1]. Banque de corpus CoMeRe. Ortolang.fr : Nancy. https://hdl.handle.net/11403/comere/cmr-favi/cmr-favi-tei-v2
  • Ce corpus est le premier de la base CoMeRe a avoir été produit après un étiquetage morpho-syntaxique  d’un précédent corpus CoMeRe. L’étiquetage a été réalisé avec l’analyseur MElt. Il s’agit d’un corpus de clavardage. Le corpus résultant est lui aussi encodé en TEI-CMC. Les étiquettes utilisées sont listées dans le teiHeader du fichier correspondant. Un document de travail sur la façon d’encoder en TEI le résultat du traitement est joint au corpus.

Les copies d’écran ci-dessous donnent un aperçu des fiches d’information sur les deux corpus précédents et un aperçu d’extraits d’interactions.  Ces fiches d’information s’affichent lorsqu’on accède aux corpus en suivant les adresses (handle) citées précédemment. Les fiches sont construites automatiquement à partir des contenus complets des corpus qui eux sont en XML/TEI.  Pour mémoire, un corpus est constitué d’une ensemble de fichiers (dont les principaux contenant les interactions des utilisateurs en ligne qui sont encodés en TEI-CMC), assemblés dans une archive ZIP. Chaque fiche d’information liste tous les fichiers contenus dans l’archive ZIP et donne le lien de téléchargement complet..

fiche d'information sur corpus Favi2

fiche d’information sur corpus Favi2

 

extrait des interactions étiquetées dans favi2

extrait des interactions étiquetées dans favi2

 

fiche d'information sur corpus 88milSMS

fiche d’information sur corpus 88milSMS

 

extrait des interactions du corpus 88milSMS

extrait des interactions du corpus 88milSMS

Publicités

Articles : Presentation CoMeRe et traitements sur Tweets

Voici deux articles, écrits par des membres de CoMeRe, accessibles dans les archives ouvertes (HAL) en version préprint :

  • Chanier, T., Poudat, C., Sagot, B., Antoniadis, B., Wigham, C.R., Hriba L., Longhi,J. & Seddah, D. (to appear, 2014). « The CoMeRe corpus for French: structuring and annotating heterogeneous CMC genres ». Journal of Language Technology and Computational Linguistics (JLCL). Special Issue : « Building And Annotating Corpora Of Computer-Mediated Discourse: Issues and Challenges at the Interface of Corpus and Computa-tional Linguistics » (ed. by Michael Beißwenger, Nelleke Oostdijk, Angelika Storrer & Henk van den Heuvel). [http://halshs.archives-ouvertes.fr/halshs-00953507]
  • Djemili S., Longhi J., Marinica C., Kotzinos D., Sarfati G.-E. (to appear, 2014). What does Twitter have to say about ideology? « NLP 4 CMC: Natural Language Processing for Computer-Mediated Communication / Social Media » – Pre-conference workshop at Konvens2014 , Germany (2014)
    http://halshs.archives-ouvertes.fr/halshs-01058867

Participation membres CoMeRe atelier TAL-CMC en Allemange

Comme nous l’avions déjà signalé, début octobre 2014 se tiendra en Allemagne un atelier sur
NLP 4 CMC: Natural Language Processing for Computer-Mediated Communication / Social Media en avant conférence de Konvens 2014, conférence organisé par la société de linguistique informatique allemande.

Des membres de CoMeRe ont été accepté dans cet atelier :

  • Eleni Kogkitsidou and Georges Antoniadis: Alpes4science project: SMS corpus processing and tokenization problems
  • Sarra Djemili, Julien Longhi, Claudia Marinica, Dimitris Kotzinos and Georges-Elia Sarfati:
    What does Twitter have to say about ideology? *)

Félicitations à eux !

Voir le programme complet :
https://sites.google.com/site/nlp4cmc/program

Seminaire « Building a reference corpus of CMC »

deriklogo2Du 25 au 27 juin, nous accueillerons Michael Beißwenger, TU Dortmund University, au LRL à Clermont-Ferrand. Plusieurs personnes de CoMeRe viendront à cette occasion travailler sur la TEI et CoMeRe
Michael donnera le mercredi 26 juin, salle 220 de la MSH une conférence sur le thème
« Building a Reference Corpus of Computer-Mediated Communication : Issues at the Interface of Linguistics, Text Technology and Natural Language Processing ».
En savoir plus