Генера́льный интерне́т-ко́рпус ру́сского языка́ (ГИКРЯ) — доступный для поиска электронный онлайновый корпус русских текстов из сети интернет. Открыт в 2013 году . Корпус включает в себя текстовые материалы из блогосферы , социальных сетей , с крупнейших новостных ресурсов и из литературных журналов .

Цели проекта

Проект имеет статус учебно-научного, и многие задачи компьютерной лингвистики решаются независимыми исследователями и научными группами на материале, полученном ГИКРЯ. В то время как другие корпусные проекты фокусируют свое внимание на художественной литературе и отредактированных текстах, Генеральный интернет-корпус предоставляет российским лингвистам своевременную возможность изучать язык как он есть, со всеми региональными и сленговыми особенностями.

Корпус дает возможность производить:

• Лингвистические исследования широкого спектра: диалектологические исследования, изучение дистрибуции слов, изучение языка социальных сетей , изучение влияния гендерных , возрастных и других факторов на язык , частотности слов, устойчивых выражений и различных конструкций, стилистических особенностей текстов разных сегментов интернета и так далее;
• Анализ соцсетей ;
• Машинное обучение на базе корпуса , улучшение алгоритмов автоматической разметки.

В разное время НИР и самостоятельные исследования на материале проекта вели студенты, аспиранты и сотрудники МГУ , МФТИ , РГГУ , НГУ , НИУ ВШЭ , ИЯ РАН , ЮФУ , ЧГУ , ВГПУ , ИСАА МГУ .

Научные руководители проекта:

• Беликов В. И. — МГУ , РГГУ , Москва , Россия ;
• Селегей В. П. — РГГУ ; МФТИ ; ABBYY , Москва , Россия ;
• Шаров С. А. — РГГУ , Москва , Россия ; University of Leeds , Великобритания .

В создании и поддержке проекта участвовали:

• Российский государственный гуманитарный университет ;
• ABBYY ;
• Московский физико-технический институт (государственный университет) ;
• Университет «СколТех» .

Объём и состав корпуса

Объём корпуса на лето 2016 года составляет 19,8 миллиарда словоупотреблений, из них 49 % приходится на « Вконтакте », 40 % — на Живой Журнал , еще по 4 % — на Блоги@Mail.ru и Новости, и 2 % — на Журнальный зал . В сегменте Новостей собраны материалы из источников: РИА Новости , Regnum , Lenta.ru , Росбалт . Тексты снабжены метаразметкой (по дате создания текста, полу, месту и году рождения автора, интернет-жанру и так далее); все тексты снабжены автоматической морфологической разметкой и лемматизированы . Большую часть текстов создают записи за 2013 — 2014 годы , хотя на некоторых сегментах, например, в Журнальном зале, собраны тексты, начиная с 1994 года .

ГИКРЯ является одним из немногих мега-корпусов, достигающих объемом нескольких миллиардов слов.

Доступ

В настоящее время интерфейс корпуса находится в стадии бета-тестирования , поэтому доступ к поиску по корпусу предоставляется и является бесплатным, однако предоставляется по заявке.

См. также

• Корпус текстов
• Автоматическое получение размеченного корпуса
• НКРЯ

Примечания

Литература

Ссылки