Norsk aviskorpus og Norsk andrespråkskorpus (ASK) erfaringer fra arbeid med to ulike korpus

1. Norsk aviskorpusogNorsk andrespråkskorpus (ASK)erfaringer fra arbeid med to ulike korpus Knut Hofland, fagkonsulent, Aksis/Unifob Seminar ved Forskergruppe for leksikografi, ILN/UiO,19.04.07 http://gandalf.aksis.uib.no/~knut/oslo-19.4.07/

2. Norsk aviskorpus (avis.uib.no) • Et automatisert opplegg for å hente avisartikler fra Web • Har foregått siden 1998, presentert på Lysebu okt. 98 • Halvautomatisk arbeid 95-98 • Tenkt som et midlertidig prosjekt (inntil Norsk korpus ble etablert) for å etablere stor tekstmengde ved liten innsats • I hovedsak internt finansiert ved Aksis • Noe midler fra UiB • AVIT midler fra 2007

3. Aviser som hentes • Adresseavisen (AA), Trondheim • Aftenposten (AP), Oslo • Bergens Tidende (BT), Bergen • Dagsavisen (DA), Oslo • Dagbladet (DB), Oslo • Dagens Næringsliv,(DN) Oslo • Fædrelandsvennen (FV), Kristiansand • Nordlys (NL), Tromsø • Stavanger Aftenblad (SA), Stavanger • Verdens Gang (VG), Oslo

4. Utvikling siden 1998

5. Siste dagers tilvekst • Dagens antall: 419764 Totalt: 537564671 Wed Apr 18 22:03:22 CEST 2007 • Dagens antall: 363745 Totalt: 537144907 Tue Apr 17 22:03:23 CEST 2007 • Dagens antall: 431296 Totalt: 536781162 Mon Apr 16 22:03:31 CEST 2007 • Dagens antall: 293123 Totalt: 536349866 Sun Apr 15 22:03:14 CEST 2007 • Dagens antall: 322937 Totalt: 536056743 Sat Apr 14 22:03:12 CEST 2007 • Dagens antall: 469965 Totalt: 535733806 Fri Apr 13 22:03:50 CEST 2007 • Dagens antall: 418334 Totalt: 535263841 Thu Apr 12 22:03:48 CEST 2007 • Dagens antall: 435857 Totalt: 534845507 Wed Apr 11 22:03:39 CEST 2007 • Dagens antall: 380328 Totalt: 534409650 Tue Apr 10 22:03:07 CEST 2007 • Dagens antall: 194382 Totalt: 534029322 Mon Apr 9 22:02:32 CEST 2007 • Dagens antall: 169864 Totalt: 533834940 Sun Apr 8 22:02:27 CEST 2007 • Dagens antall: 226179 Totalt: 533665076 Sat Apr 7 22:02:35 CEST 2007 • Dagens antall: 244123 Totalt: 533438897 Fri Apr 6 22:02:38 CEST 2007

6. De enkelte trinn • Henter URL-er fra hovedinndelingene i avisene (w3mir) • Plukker ut URL-er til artikler og generere skript for henting • Henting av artikler og produksjon av samlefil • Utplukk av artikkeltekst og dato • Stripping av HTML-koder • Konvertering til Corpus Workbench-format (et ord pr. linje) • Separering av bokmål og nynorsk • Oppdatering av samlefiler (splitter etter årstall) • Tagging • Produksjon og oppdatering av ordlister/statistikk • Indeksering med Corpus WorkBench

9. Utplukk av aktuelle URL-er • http://www.bt.no/bergenpuls/utstilling/article355057.ece • http://www.bt.no/dyr/article321692.ece • http://www.bt.no/dyr/article354900.ece • http://www.bt.no/forbruker/article342333.ece • http://www.bt.no/forbruker/article353652.ece • http://www.bt.no/forbruker/article356091.ece • http://www.bt.no/forbruker/bilogmotor/article323455.ece Sjekkes mot oversikt over filer som tidligere er hentet Nye filer hentes og samles i en fil (pr. avis) Plukker nå også opp mulige URL-er via RSS.

11. Utplukk av artikkeltekst Går gjennom HTML-kode og slår på/av utplukk basert på tekststrenger i dokumentet. Et program for hver avis. if pos("faktaboks",stopp) gt 0 then utvalgtrue("</DIV"); utvalgtrue("START ARTIKKEL"); utvalgtrue("<!-- ferdig relaterte-saker"); utvalgtrue("ID=""artikkelspalte"); utvalgtrue("=""+3"""); utvalgfalse("Resultater fra 42 ligaer"); utvalgfalse("<!-- relaterte saker"); utvalgfalse("VG Nett følger:"); utvalgfalse("- Eliteguiden -"); utvalgfalse(">Les også:<");

12. Utfordringer • Følge med på omorganisering av struktur i avisene • Følge med på forandring i layout • Duplikater av tekst

13. Stripping av HTML • Gjelder vanlige HTML-tagger • Noen få beholdes (<p>, <br>, men oversettes til et tegn) • En del aviser har egne tagger (ikke standard) • Entiteter oversettes til Latin1 (&aring; -> å)

14. Separerer bokmål, nynorsk og engelsk Basert på toppen av en frekvensliste for hvert ”språk” akkurat alene allerede annen annet bare barn bedre begge begynte ble blitt andletet anna annan att augo auka berre betre blei boka bur dagar the and in that is was it he as with on his

15. Tagging • Kjører Oslo-Bergen tagger via SOAP grensesnitt • Morfologisk og syntaktisk disambiguering • Tagging av ca. 300.000 ord tar 4-7 timer • Har tagget bakover til 1.1.2000. • År 2004 er tilgjengelig for søk (ca. 48 mill ord).

16. Dagens ”nye” ordformer • Hver dag lages ordliste over dagens ordformer • Denne ordlisten sammenlignes med en ordliste basert på alt tilgjengelig tekstmateriale ved Aksis (ca. 3.9 mill former) • Det lages en liste med ord som ikke finnes i denne ordlisten, opptil 1200-1300 hver dag.

17. ”Nyord”

18. Anglisismer

19. Allmenne nyord

20. Søk i ordliste Resultat av søk Søk etter starten av ord: klima 7510 klima 5967 klimaet 4007 klimaendringer 3116 klimagasser 3081 klimaendringene 1310 klimaanlegg 1221 klimaks 1126 klimapanel 893 klimagassutslippene 889 klimaforskning 847 klimapolitikk 735 klimakvoter 687 klimagassutslipp 651 klimatiltak 633 klimatiske 602 klimapolitikken 565 klimagassen 523 klimaforskere

21. Wordschatz, Univ. i Leipzig

23. Rekvirere brukernavn

24. Søking

25. Søkeskjema

26. KWIC

27. Tsunami1998-2006

28. Bedehus*, 1998-2006

29. sex, 1998-2006

30. Søk i tagget del

31. KWIC

32. Frekvenser ord i bokmålsordboka

33. AVIT • Tekstinnhenting • Klassifisering bokmål/nynorsk • Annotering av syntaktisk og morfologisk informasjon • Nyordlister og nyorddatabase • Teksttypologi og annotering • Språkmodellering, kollokasjoner og n-gram-produksjon • Trebanker • Brukergrensesnitt • Nyanskaffelser og bruksrettigheter • Ekstern evaluering