Resurs- och kunskapscentra

– Swedish in a Multilingual Setting, SMS

K-centrumet Svenska i ett flerspråkigt sammanhang (CLARIN-SMS) inriktar sig på språkteknologi för svensk och flerspråkig text (såsom parallella korpusar). Dessutom erbjuder CLARIN-SMS expertis inom språkteknologi för svenskt teckenspråk (STS).

CLARIN-SMS riktar sig främst till forskare inom humaniora och samhällsvetenskap med behov av analys, annotering eller utvinning av information när det gäller svensk eller flerspråkig text, och även mot forskare med behov av verktyg och korpusar för svenskt teckenspråk.

CLARIN-SMS tillgängliggör språkteknologiska resurser i form av verktyg och korpusar för humaniora och samhällsvetenskap. Detta inkluderar enspråkiga (huvudsakligen svenska) och flerspråkiga korpusar i olika domäner samt språkteknologiska verktyg som inkluderar tokenisering, morfologisk analys, ordklasstaggning, syntaktisk analys och namnigenkänning. CLARIN-SMS erbjuder specialkompetens inom följande områden:

• analys och bearbetning av parallella och jämförbara korpusar, inklusive länkning och maskinöversättning
• flerspråkig annotering inom ramen för Universal Dependencies
• beräkning och utvärdering av mått på textkomplexitet
• språkteknologi för svensk teckenspråk

Verktyg och resurser

• Sapis - StilLett API Service
  Webbservice med verktyg för att mäta textkomplexitet och textsimplifiering. Sapis användarmanual finns tillgänglig här.


• LinES: Linköping English-Swedish Parallel Treebank
  Parallellkorpus med cirka 4000 engelska originalmeningar från olika källor, jämte deras svenska översättningar.


• Swectors
  Datamängd med statiska svenska ordvektorer, samt koden som använts för att generera dem..


• En guldstandard för engelsk-svensk ordlänkning
  Guldlänkningar för 1164 engelsk-svenska meningspar, för utvärdering av ordlänkningssystem. Källdata från Europarl v.2.


• Svensk Diakronisk korpus (Swedish Diachronic Corpus)
  Korpus med texter som sträcker sig från fornsvenska till nutid, med många olika texttyper och fritt tillgänglig för nedladdning och sökning.
  Kontaktperson: Eva Pettersson, Uppsala universitet


• SweGram
  SWEGRAM syftar till att tillhandahålla ett verktyg för textanalys på svenska och engelska. Du kan ladda upp en eller flera texter och annotera dem på olika lingvistiska nivåer med morfologisk och syntaktisk information. De annoterade texterna kan sedan användas för att extrahera statistik om textens egenskaper vad gäller textlängd, antal ord, läsbarhetsmått, ordklasser och mycket mer.
  Kontaktperson: Beáta Megyesi, Stockholms universitet


• Universal Dependencies
  Universal Dependencies (UD) är ett ramverk för konsekvent annotering av grammatik (ordklasser, morfologiska egenskaper och syntaktiska beroenden) över olika mänskliga språk. UD är ett öppet samhällsinitiativ med över 300 medverkande, som tillsammans genererat cirka 200 trädbanker på mer än 100 språk.
  Kontaktperson: Joakim Nivre, Uppsala universitet


• SOU corpus
  Detta repositorium innehåller rensade och vidarebearbetade versioner av Statens offentliga utredningar (SOU). Dokumenten är baserade på HTML-versioner från Riksdagens öppna data (http://data.riksdagen.se/) och täcker åren 1994 till 2020. .
  Kontaktperson: Sara Stymne, Uppsala universitet


• Swedish Causality Datasets
  Tre svenska dataset uppmärkta med förekomster av kausalitet. Dataseten är annoterade med två olika uppgifter i åtanke: kausalitetsigenkänning och kausalitetsrankning med avseende på en frågeställning som innehåller minst en orsak eller en effekt.
  Kontaktperson: Sara Stymne, Uppsala universitet

Medverkande Språkbanken-CLARIN-medlemmar

CLARIN-SMS är ett så kallat distribuerat K-centrum med flera deltagare:

• NLPLab, Linköpings universitet
• Institutionen för lingvistik, Stockholms universitet
• Datorlingvistikgruppen, Uppsala universitet

Kontakt

Publikationer

• Lars Ahrenberg (2015). Converting an English–Swedish Parallel Treebank to Universal Dependencies. I Proceedings of the Third International Conference on Dependency Linguistics (DepLing 2.015), Association for Computational Linguistics, pages 10–19. ACL Anthology W15-2103.


• Marco Kuhlmann och Stephan Oepen (2016). Towards a Catalogue of Linguistic Graph Banks. I Computational Linguistics, 42, 4, 819–827. ISSN 0891-2017, E-ISSN 1530-9312.


• Joakim Nivre, Marie-Catherine de Marneffe, Filip Ginter, Yoav Goldberg, Jan Hajič, Christopher D. Manning, Ryan McDonald, Slav Petrov, Sampo Pyysalo, Natalia Silveira, Reut Tsarfaty, och Daniel Zeman (2016). Universal Dependencies v1: A Multilingual Treebank Collection. I Proceedings of the Tenth International Conference on Language Resources and Evaluation (LREC 2016).


• Robert Östling (2018). Part of Speech Tagging: Shallow or Deep Learning? I Northern European Journal of Language Technology, Volume 5, Article 1.


• Robert Östling, Carl Börstell, Moa Gärdenfors och Mats Wirén (2017). Universal Dependencies for Swedish Sign Language. I Proceedings of the 21st Nordic Conference on Computational Linguistics, pages 303–308. Linköping.


• Aaron Smith, Bernd Bohnet, Miryam de Lhoneux, Joakim Nivre och Sara Stymne (2018). 82 treebanks, 34 models: Universal Dependency Parsing with Multi-Treebank Models. I Proceedings of the CoNLL 2018 Shared Task: Multilingual Parsing from Raw Text to Universal Dependencies, pages 113–123.