Le VIT, Venice Italian Treebank est le fruit d’un effort de collaboration de chercheurs travaillant au Laboratoire de linguistique informatique de l’Université de Venise dans les années 1995-2005. C’est en partie le résultat de travaux d’annotation réalisés en interne en dehors de tout projet… Read More spécifique et sans soutien financier. Ce travail a été en partie lié au développement d’un lexique, d’un analyseur morphologique, d’un étiqueteur, et d’un analyseur syntaxique profond de l’italien. Toutes ces ressources furent prêtes dès le début des années 90 lorsque le LCL s’est impliqué dans les premiers projets nationaux.

Il s’agit d’une nouvelle version du Venice Italian Treebank (VIT). Il se compose des sous-ensembles de VIT écrit et parlé. La version PennTreebank de ce treebank est également disponible pour les deux sous-ensembles avec l’usage de parenthèses et d’une version légèrement modifiée avec l’usage de crochets qui permettent aux outils de visualisation Web de construire un arbre de la structure.

1) VIT écrit:
La dimension actuelle du corpus est composée de 223 292 tokens excluant la ponctuation ou de 280 641 tokens simples incluant les enclitiques et la ponctuation. Il contient une représentation basée sur les constituants entièrement révisée du corpus, ainsi que trois nouveaux fichiers:
a. vitorthograph_numb: ce fichier contient le texte orthographique des 10195 phrases du treebank écrit (la partie parlée est disponible et n’a pas besoin de mise à jour). Chaque phrase est marquée par le même identifiant trouvé dans les autres fichiers;
b. vitdepstructs: ce fichier contient la conversion du VIT d’origine basé sur les constituants et transformé en structures de dépendance. Ce fichier a été récemment utilisé pour produire la version du Universal Dependency qui, cependant, a dû être totalement révisée afin d’obéir aux schémas de marquage de l’UD. En conséquence, les informations les plus importantes ont été supprimées, mais sont disponibles dans cette version originale. Les informations supprimées concernent l’étiquetage de toutes les structures non canoniques en mettant en évidence les fonctions grammaticales disloquées, discontinues et déplacées avec des étiquettes spécialisées tirées de la théorie linguistique. Ces étiquettes sont:
— LDC = Left Dislocated Complements (compléments disloqués gauches)
— S_DIS = Dislocated Subject (sujet disloqué)
— S_TOP = Topicalized Subject (sujet topicalisé)
— S_FOC = Focalized Subject (sujet focalisé)
c. vitfragment: abrégée en VITfrag, contient les 500 premières phrases qui sont légèrement décomposées en 511 phrases plus courtes — séparant les phrases interrogatives et les phrases directement marquées — les phrases nouvellement séparées sont numérotées avec le même numéro correspondant à la moitié de phrase précédente et un « a » à la fin.

2) VIT parlé:
Le corpus de parole spontanée de l’italien régional contient 60 000 mots et a été créé dans les années 1995-2005. Il contient deux sous-corpus collectés dans le cadre de deux projets nationaux: le projet AVIP/API - version italienne correspondant au projet anglais Maptask - où l’API n’est que la poursuite du projet précédent, et le projet IPAR. La caractéristique la plus importante du corpus est l’annotation d’OVERLAPS qui sont nombreux dans les dialogues.
Dans cette nouvelle version révisée, 425 nouveaux tours entièrement analysés ont été ajoutés pour un total de 3973. Le nombre total de phrases est maintenant de 5851.
La caractéristique la plus importante du VIT parlé est la présence de chevauchements transposés dans la position à l’intérieur du tour dans lequel il a été produit. 965 chevauchements ont été annotés et séparés en 4000 tours.
Ce sous-ensemble se compose à la fois de la version analysée du corpus en structure constituante — appelée « parse_spokenVIT » — et de la version tokenisée de chaque phrase composant chaque tour dans un fichier séparé appelé « spokenVIT » sentences.

Version originale également disponible ici: http://catalog.elra.info/en-us/repository/browse/ELRA-W0040/ Read Less