테헤란 모놀링구 코퍼스
Tehran Monolingual Corpus |
테헤란 모놀링구스(TMC)는 페르시아 모놀링구스(Monolingual Corpus)의 대규모 모놀링구스다.TMC는 언어 모델링과 자연 언어 처리의 관련 연구 분야에 적합하다.
말뭉치는 함샤리 코퍼스와 ISNA 통신사 웹사이트에서 추출한 것이다.함샤흐리 말뭉치의 품질은 토큰화 및 철자 검사 단계를 통해 언어 모델링 목적으로 향상된다.
TMC는 2억 5천만 개 이상의 단어로 구성되어 있다.말뭉치의 고유어(빈도 2개 이상)의 총수는 약 30만 개로 페르시아어와 같은 고선형 언어에 비교적 좋다.
TMC는 테헤란 대학의 자연 언어 처리 연구소에 의해 만들어졌다.말뭉치는 말뭉치 집적자의 허가를 받은 후 연구용으로 무료로 사용할 수 있다.