Datasets · arXivTimes/arXivTimes Wiki · GitHub

https://github.com/arXivTimes/arXivTimes/wiki/Datasets

言語コーパスや画像・音声データセットのリンク。

N-gram コーパス - 日本語ウェブコーパス 2010

http://s-yata.jp/corpus/nwc2010/ngrams/

概要
ウェブページに出現する形態素 N-gram と文字 N-gram を頻度とともに収録したコーパスです．各 N-gram コーパスには，頻度 10/100/1000 以上の 1-gram から 7-gram までが収録されています．

https://twitter.com/s5yata/status/667887920817111040

s-yata.jp/corpus/nwc2010... の N-gram コーパスを Google Drive にアップロードしてみました．

https://drive.google.com/folderview?id=0B0oLhpFvWG_sbmdyVk53U0ZnQ0E&usp=sharing

Translation Task - EMNLP 2011 Sixth Workshop on Statistical Machine Translation

http://statmt.org/wmt11/translation-task.html

The recurring translation task of the WMT workshops focuses on European language pairs. Translation quality will be evaluated on a shared, unseen test set of news stories. We provide a parallel corpus as training data, a baseline system, and additional resources for download.

NAIST Text Corpus

https://sites.google.com/site/naisttextcorpus/

京都テキストコーパスで利用されている毎日新聞95年1月1日から17日まで の全記事、約2万文、1月から12月までの社説記事、約2万文、計約4万文に対して，述語と表層格（ガ格，ヲ格，ニ格）の関係，事態性名詞と表層格（ガ格， ヲ格，ニ格）の関係，事態性名詞の名詞クラス，名詞句間の共参照関係，指示連体詞・代名詞の照応関係の情報を付与したコーパスです．

たんし 表記ゆれ辞書

http://tansi.osdn.jp/

「たんし」とは、日本語の表記ゆれ判別用の辞書です。フォーマットは国立国語研究所の表記統合辞書に基づいています。

動詞項構造シソーラス =>述語項構造シソーラス — Computational Linguistics Takeuchi lab

http://cl.cs.okayama-u.ac.jp/rsc/data

言語処理のための日本語の動詞辞書

人の言葉をコンピュータで処理するために動詞の概念を整理したコンピュータ用の 辞書を構築してfreeで配布しています(現在4425語(7473語義))．