Opera Graeca Adnotata: Building a 34M+ Token Multilayer Corpus for Ancient Greek

本文介绍了Opera Graeca Adnotata（OGA）的beta版本0.1.0，这是最大的古希腊开放多层语料库。OGA包括来自PerseusDL和OpenGreekAndLatin GitHub存储库的1,687个文学作品和34M+个标记，这些存储库包含了从公元前约800年到公元约250年的古希腊文本。这些文本已经被七个注释层所丰富：（i）标记化层；（ii）句子分割层；（iii）词形还原层；（iv）形态学层；（v）依存关系层；（vi）依存函数层；（vii）规范文本服务（CTS）引用层。本文描述了每个层的创建过程，重点介绍了遇到的主要技术和注释相关问题。标记化、句子分割和CTS引用是基于规则的算法实现的，而形态句法注释是Ancient Greek Dependency Treebank数据训练的COMBO解析器的输出。为了实现可扩展性和可重用性，语料库以PAULA XML和其后代LAULA XML的标准格式发布。

介绍Opera Graeca Adnotata（OGA）beta版本0.1.0，这是古希腊最大的开放式多层语料库，旨在提高古希腊文本的可访问性和可重用性。

使用七个注释层（分词、句子分割、词形还原、形态学、依赖关系、依赖关系函数和CTS引用层）对1,687个文学作品和34M+标记进行注释，使用PAULA XML和LAULA XML格式发布语料库。

使用规则算法进行分词、句子分割和CTS引用，使用Ancient Greek Dependency Treebank的数据训练COMBO解析器进行形态句法注释。

最近的相关研究还包括Ancient Greek Dependency Treebank和Perseus Digital Library。