圣保罗大学 发布 Carolina Corpus 数据集, 应用在 语料库、语言学研究 领域

圣保罗大学 本次发布的数据集 Carolina Corpus, Carolina Corpus是由圣保罗大学创建的一个大型开放的巴西葡萄牙语语料库，主要收集1970年后的网络文本。该数据集通过网络语料库方法构建，强调来源、类型、版本和文本完整性。Carolina Corpus目前包含653亿个标记，分布在7种广泛类型中。每个文本都使用TEI注释标准进行多种元数据类别的头部注释。该数据集旨在为语言学和计算机科学研究提供可靠资源，特别是用于语言模型的研究，以提升葡萄牙语在计算资源中的地位。

查看Carolina Corpus

关于 圣保罗大学 , 圣保罗大学是巴西最大的一所综合性大学，也是拉丁美洲地区极具影响力的高等教育机构。

关于 arXiv , arXiv 是一个免费分发服务和开放获取的学术文章档案库，涵盖了物理学、数学、计算机科学、定量生物学、定量金融、统计学、电气工程和系统科学以及经济学等领域。该网站上的材料并未经过 arXiv 的同行评审。