德国议会语料库（GerParCor）
计算与语言
2022-04-25 v1
摘要
议会辩论代表了大量且部分未被开发公开文本宝库。在德语区，缺乏统一可访问且带标注的、涵盖所有德语国家层面和联邦层面议会的语料库。为弥补这一缺口，我们引入了德国议会语料库（GerParCor）。GerParCor 是一个特定类型的语料库，包含三个世纪、四个国家（含州和联邦层面数据）的（主要是历史的）德语议会纪要。此外，GerParCor 包含扫描纪要的转换件，特别是通过基于 Tesseract 的 OCR 过程转换的 Fraktur 字体纪要。所有纪要均通过 spaCy3 的 NLP 流水线进行预处理，并自动标注有关其会议日期的元数据。GerParCor 以 UIMA 项目的 XMI 格式提供。以此方式，GerParCor 可用作政治传播领域历史文本的大型语料库，用于 NLP 中的各种任务。
引用
@article{arxiv.2204.10422,
title = {German Parliamentary Corpus (GerParCor)},
author = {Giuseppe Abrami and Mevlüt Bagci and Leon Hammerla and Alexander Mehler},
journal= {arXiv preprint arXiv:2204.10422},
year = {2022}
}