קורפוס השפה העברית - תיוג מורפולוגי

תקציר

מאגר זה הוא חלק ממיזם קורפוס השפה העברית של מערך הדיגיטל הלאומי והאקדמיה ללשון העברית, והוא מציע טקסט עברי מתויג מורפולוגית בתקן CoNLL-U. הקורפוס כולל כ-480,428 אסימונים (מילים) ממותגים, המחולקים ל-8,129 משפטים ב-1,411 מסמכים שנלקחו מ-27 מקורות ממשלתיים ב-13 תחומי תוכן. לכל אסימון מצורפים צורת המילה, הלמה (LEMMA), תג חלק הדיבר ותכונות מורפולוגיות מפורטות.

תובנות עיקריות

• הקורפוס מכיל 480,428 אסימונים ממותגים מורפולוגית, המפוזרים על פני 8,129 משפטים בתוך 1,411 מסמכים.
• שמות עצם הם חלק הדיבר השכיח ביותר — 150,691 אסימונים, שהם כ-31.4% מכלל המילים — ואחריהם מיליות יחס (כ-16.6%), מיליות הגדרה (כ-12.8%) וסימני פיסוק (כ-10.6%).
• הטקסטים שאבו מ-27 מקורות ממשלתיים ב-13 תחומים; משרד החקלאות תורם את המנה הגדולה ביותר (641 מסמכים, כ-45%), ואחריו בנק ישראל (246) ומשרד המדע (170).
• מרבית המסמכים הם אתרי אינטרנט (1,082 מתוך 1,411, כ-76.7%), לצד תקצירי מחקר (169) ומערכות מידע ממוחשבות (129).
• אוצר המילים כולל 20,139 צורות תצורה (FORM) שונות, המקובצות ל-11,877 למות (LEMMA) — עושר מורפולוגי עם דלילות מילונית יחסית.

תיאור מקורי

מאגר עברית מתויגת, חלק ממיזם קורפוס השפה העברית של מערך הדיגיטל הלאומי והאקדמיה ללשון העברית. המאגר יורחב בשנים הקרובות עם התקדמות המיזם.