Web日本語Nグラム第1版

registration: 2007/12/02 15:31:22, last modified: 2007/12/02 15:31:22
title
  • Web日本語Nグラム第1版
title.abbreviation
title.alternative
creator
  • author グーグル株式会社
subject
  • n-gramデータ
subject.linguisticField
  • applied_linguistics
subject.monoMultilingual
subject.resourceSubject
  • corpus
description
  • Nグラムは一般に公開されている日本語のWebページでGoogleがクロールしたものから抽出されている。ただし、閲覧に特別な認証が必要なページや、metaタグにnoarchive,noindex 等が指定されているページは対象に入っていない。抽出対象となった文数は約200億文で、出現頻度20回以上の１～７グラムを収録している。
description.price *This metadata is only as a guide
  • 個人・会員21,000円
  • 個人・非会員42,000
  • 団体・会員29,400
  • 団体・非会員58,800
  • 別途送料3,150円
description.language
  • Japanese
description.inputDevice
description.inputEnvironment
description.speakingStyle
description.speechMode
description.samplingRate
description.additionalData
publisher
  • グーグル株式会社
contributor
  • researcher 北陸先端科学技術大学院大学准教授白井清昭
contributor.attribute.author.motherTongue
  • native
contributor.attribute.author.dialect
  • standard_dialect
contributor.attribute.author.level
contributor.attribute.author.age
contributor.attribute.author.gender
  • male
  • female
contributor.attribute.speaker.motherTongue
contributor.attribute.speaker.dialect
contributor.attribute.speaker.level
contributor.attribute.speaker.age
contributor.attribute.speaker.gender
contributor.attribute.speaker.number
date.created
date.issued
date.modified
type
  • Text
type.discourseType
type.linguisticType
  • primary_text
type.purpose
  • developing_technologies
type.style
  • written web text
type.form
  • unfixed
type.sentence
type.annotation
  • plain
type.annotationSample
type.sample
  • グーグル で 検索 し て い た 39
    グーグル で 検索 し て い たら 143
    グーグル で 検索 し て い て 45
    グーグル で 検索 し て いる と 33
    グーグル で 検索 し て おく べき 27
    グーグル で 検索 し て ください 。 92
    グーグル で 検索 し て こちら の 37
    グーグル で 検索 し て しまい まし 24
    グーグル で 検索 し て たら さぁ 50
    グーグル で 検索 し て たら 見つけ 37
    グーグル で 検索 し て で て 26
    グーグル で 検索 し て み た 639
    グーグル で 検索 し て み たら 450

    http://googlejapan.blogspot.com/2007/11/n-gram.html
format.extent
  • 6 DVD-R (26GB gzipで圧縮済み)
  • 総単語数: 255,198,240,937
  • 総文数: 20,036,793,177
format.medium
  • DVD
format.encoding
  • UTF8
format.markup
format.functionality
  • データの作成はGoogleの大規模分散処理システムMapReduceを用いて、数千台規模の計算機クラスタを使って行った。
identifier
identifier.doi
identifier.islrn
source
language
  • Japanese
language.area
relation
relation.utilization *This metadata is automatically extracted
coverage.temporal
coverage.spacial
rights
  • 商用利用不
  • 学術目的限定。