Письменный корпус татарского языка

Объём корпуса с конца 2014 года насчитывает более 116 млн слов, составляющих более 10 млн предложений, число различных словоформ приближается к 1,5 млн.
Тексты в корпусе хранятся в виде отдельных предложений с целью предотвращения их копирования.

Доступ к пользованию корпусом является бесплатным.

Создание корпуса началось в 2010 году группой энтузиастов. Оно было продиктовано необходимостью разработки системы машинного перевода текстов с татарского на иностранный язык и обратно, а также системы автоматического синтеза и распознавания татарской речи определенной тематики.

Корпус может использоваться лингвистами, изучающими татарский язык в рамках корпусной лингвистики, а также при обучении языку и в качестве справочника при составлении различных документов.
Корпус позволяет просматривать контекст, определять частоту вхождений, находить слова с требуемыми свойствами.

Данный тип поиска позволяет просматривать отсортированные по частотности правый, левый и семантический контексты искомого слова.
Правый контекст — слова расположенные непосредственно за текущим словом.
Левый контекст — слова расположенные непосредственно перед текущим словом.
Семантический контекст — слова расположенные в одном предложении с текущим словом, то есть имеющие с ним в той или иной степени семантическую связь.

В 2014 году была произведена морфологическая разметка Корпуса. В основу метаязыка грамматических помет положена система «тегов» для тюркских языков, разработанная международным проектом Apertium. В рамках данного проекта создается система машинного перевода для большого количества языков. Основными аргументами в пользу выбора морфологического таггера Apertium’а для разметки Письменного корпуса являются:
— высокое качество морфологической аннотации;
— абсолютная открытость этого проекта: все исходные коды и наработки публично доступны всем желающим бесплатно.
Разработанная нами в 2015—2016 годах Система сложного морфологического поиска позволяет производить поиск в Корпусе на основе различных комбинаций таких параметров, как словоформа, лемма, набор морфологических (грамматических) тегов, начало, середина, конец слова с указанием возможных расстояний между лексемами.

На сайте Письменного корпуса татарского языка имеется возможность прослушать как найденные предложения, так и произвольный текст.

На сайте Корпуса размещаются различные статистические данные, которые авторы получают по мере обработки данных.

• Отсутствует оффлайн версия корпуса.
• Нет возможности поиска со снятой омонимией.

Создателями корпуса являются:

• Сайхунов М. Р. (кандидат филологических наук, научный сотрудник Института информатики АН РТ)
• Ибрагимов Т. И. (кандидат филологических наук, доцент кафедры прикладной лингвистики КФУ)
• Хусаинов Р. Р. (инженер, компания GDC)

При содействии:

• Республиканского центра развития традиционной культуры
• Кафедры финно-угорских языков Университета Турку (Финляндия)
• Компании «RX5»
• Редакции научно-информационного журнала «Фән һәм Тел»

• Татар теленең язма корпусы // «Мәдәни җомга» (2012 № 20)
• Татар теленең язма корпусы // «Фән һәм Тел» (2012 № 1-2)
• Татар теленең язма корпусы һәм тел мәсьәләләре // «Мәдәни җомга» (2012 № 32)
• К построению структурно-функциональной модели ценностной ориентации татарского этноса (по материалам письменного корпуса татарского языка) // Языки России и стран ближнего зарубежья как иностранные: преподавание и изучение: материалы Международной научно-практической конференции (28-29 ноября 2013 г.)
• Письменный корпус татарского языка: идеи, проблемы, решения // Нематериальное культурное наследие тюркских народов как объект сохранения: сборник материалов Международной научно-практической конференции (16-19 июля 2014 г.)
• Письменный корпус татарского языка с озвучением визуализированных предложений как инструмент лингвистических исследований // Сопоставительная филология и полилингвизм: Материалы Всероссийской научно-практической конференции (Казань, 19-21 ноября 2014 г.)
• Письменный корпус татарского языка: структурные и функциональные характеристики // Актуальные проблемы диалектологии языков народов России: Материалы XIV Всероссийской научной конференции (Уфа, 20-22 ноября 2014 г.)
• Татар теле, татарлар һәм ассимиляция күренеше // «Фәнни Татарстан» (2015 № 1)
• The language situation of an ethnic community (on the material of the Corpus of written Tatar language) // «Tatarica» (2015 № 4)
• Языковое состояние этнической общности на материале Письменного корпуса татарского языка // «Tatarica» (2015 № 4)
• Фонология татарского языка в плане теории фонемы И. А. Бодуэна де Куртенэ // И. А. Бодуэн де Куртенэ и мировая лингвистика: международная конференция: V Бодуэновские чтения (Казанский федеральный университет, 12-15 октября 2015 г.)

• Письменный корпус татарского языка — Официальный сайт