Anwendungsbeschreibungen

Alpino is a dependency parser for Dutch, developed in the context of the PIONIER Project Algorithms for Linguistic Processing, developed by Gertjan van Noord at the University of Groningen. You can upload either tokenised or untokenised files (which will be automatically tokenised for you using ucto), the output will consist of a zip file containing XML files, one for each sentence in the input document.

Apache Stanbol provides a set of reusable components for semantic content management. A number of EnhancementEngines extract features from passed content, for details see https://stanbol.apache.org. The resulting RDF enhancements are returned in JSON format.

Colibri core is an NLP tool as well as a C++ and Python library for working with basic linguistic constructions such as n-grams and skipgrams (i.e patte rns with one or more gaps, either of fixed or dynamic size) in a quick and memory-efficient way.

Colibri core is an NLP tool as well as a C++ and Python library for working with basic linguistic constructions such as n-grams and skipgrams (i.e patterns with one or more gaps, either of fixed or dynamic size) in a quick and memory-efficient way.

Collection Registry - dient als Katalog von Sammlungen, die im Rahmen von Forschungsprojekten entstanden sind oder als Grundlage für diese dienen. - verknüpft Daten, deren Datenmodelle und die Beschreibung einer Sammlung zur technischen Wiederverwendung durch Dienste wie Such- oder Analysewerkzeuge. - dient auch der Verwaltung von Sammlungsbeschreibungen. Dazu können neben digital zugänglichen auch analoge, geschützte oder Offline-Sammlungen gehören.

		Der Zweck der Collection Registry ist
		- verteilte Sammlungen an einer Stelle zu beschreiben und sie gemeinsam in anderen Diensten (z.B. Generische Suche, Cosmotool) zu bearbeiten.
		- Sammlungen, die sonst nur schwer auffindbar sind, im Sammlungsregister sichtbar zu machen.
		- eigene Sammlungen zu dokumentieren und für andere Wissenschaftler nachweisbar zu machen.
		- um relevante Sammlungen im Sinne eines internen Katalogs verwalten zu können.

Morphosyntactic tagger for Polish based on constrained conditional random fields. Part of: Multiservice, a robust linguistic Web service for Polish.

A statistical tool chain for performing Coreference Resolution. Part of: Multiservice, a robust linguistic Web service for Polish.

Java coreference-based summarization tool; its creation was cofunded by the European Union from resources of the European Social Fund -- Project PO KL 'Information technologies: Research and their interdisciplinary applications'. Part of: Multiservice, a robust linguistic Web service for Polish.

The Polish dependency parser is trained on the extended version of the Polish dependency treebank (Składnica zależnościowa) with the publicly available parsing systems – MaltParser or MateParser. MaltParser is a transition-based dependency parser that uses a deterministic parsing algorithm. The deterministic parsing algorithm builds a dependency structure of an input sentence based on transitions (shift-reduce actions) predicted by a classifier. The classifier learns to predict the next transition given training data and the parse history. MateParser, in turn, is a graph-based parser that defines a space of well-formed candidate dependency trees for an input sentence, scores them given an induced parsing model, and selects the highest scoring dependency tree as a correct analysis of the input sentence. Part of: Multiservice, a robust linguistic Web service for Polish.

Statistical named entity recognition tool based on linear-chain conditional random fields. Part of: Multiservice, a robust linguistic Web service for Polish.

A morphosyntactic tagger extended with a semantic category, expressing properties of positive or negative sentiment. Part of: Multiservice, a robust linguistic Web service for Polish.

Tool for partial parsing and rule-based morphosyntactic disambiguation. Part of: Multiservice, a robust linguistic Web service for Polish.

ConedaKOR erleichtert die Verwaltung und Präsentation akademischer Sammlungen von Objekten aus den bildbasierten Kultur- und Geisteswissenschaften. Sie erlaubt es, beliebige Dokumente zu speichern und sie mit Beziehungen zu verknüpfen. Sie können riesige semantische Netzwerke für eine unbegrenzte Anzahl von Domänen aufbauen. ConedaKOR integriert ein hochentwickeltes Ontologie-Verwaltungstool mit einer einfach zu bedienenden Mediendatenbank.

COSMAS II ist eine am IDS konzipierte Datenbank (Corpus Search, Management and Analysis System) für die korpusbasierte Erforschung der Sprache

• in umfangreichen Korpora (über 13 Mrd. Wortformen, zur Verfügung gestellt vom Projekt DEREKO);
• in linguistisch und strukturell annotierten Korpora; z.B. Wortklassen (über 1,7 Mrd. Nomen), Überschriften etc.;
• in benutzerdefinierten Korpusquerschnitten (anhand von bis zu acht bibliografischen Kriterien);
• in unterschiedlichen Sprachkorpora mit eigenen Tagsets, die in einem grafischen Assistenten eingebettet sind;
• mittels zahlreicher Such-, Abstands- und Bereichsoperatoren, die einfache bis komplexe Sachverhalte bzw. grammatikalische Muster formulieren können.

Die Ergebnisse werden

• anhand von bibliografischen Kriterien zusammengefasst und sortiert;
• mittels Häufigkeitsmaßen in Bezug auf ihre Verteilung bewertet;
• mittels einer Kookkurrenzanalyse analysiert, sortiert und tabellarisch dargestellt;
• als KWIC und Belege sortiert, analysiert und präsentiert;
• (auf Wunsch) mittels eines Zufallsgenerators auf eine repräsentative überschaubare Menge reduziert.

CosmoTool ist ein digitales Werkzeug, das biographische Informationen aus verschiedenen Quellen zu inter- und nationalen Bewegungsprofilen historischer Persönlichkeiten kombiniert. Daraus sollen Rückschlüsse auf Merkmale und Regeln gezogen werden, die als internationale Kriterien angesehen werden können. Das CosmoTool basiert auf der Verbandsarchitektur von DARIAH-DE und erlaubt die Extraktion von Daten aus unstrukturiertem Text. Zur Zeit befindet sich CosmoTool in der Entwicklungsphase und bietet noch eingeschränkte Funktionalität.

This is an experimental integration of a D4Science NLP processing service (CSTLemma). The CSTLemma Lemmatizer for English reduces all words in a text to their base form, the lemma.

Vor dem Hintergrund eines korpusgeleiteten empirisch-linguistischen Ansatzes ist es von grundlegender Bedeutung, eine wissenschaftsmethodisch kohärente Methodik zu konzipieren, die es ermöglicht, die im Sprachgebrauch manifesten emergenten Strukturen systematisch aufzudecken, zu inventarisieren, zu interpretieren und theoretisch zu begründen. Als empirische Basis für dieses Forschungsvorhaben wurde im Programmbereich Korpuslinguistik des Leibniz-Instituts für Deutsche Sprache auf der Grundlage eines Korpus geschriebener Gegenwartssprache von ca. 2,2 Milliarden laufenden Textwörtern eine große Sammlung von Kookkurrenzprofilen zu ca. 220.000 verschiedenen Lemmata aufgebaut. Die Sammlung enthält zu jedem Lemma die Ergebnisse von bis zu fünf verschiedenen Kookkurrenzanalysen in Form von Hierarchien von ähnlichen Verwendungen, mit bis zu 100.000 Verwendungsbeispielen pro Lemma und Analyse.

            Durch die explorative Analyse dieses Sprachmaterials geleitet bemühen wir uns, neue Einsichten in die Strukturen, Gesetzmäßigkeiten, Eigenschaften und Funktionen von Sprache zu erlangen. Derzeit konzentrieren wir uns dabei auf Themenbereiche wie Ähnlichkeit von Kookkurrenzprofilen und semantische Nähe, auf die Wechselbeziehungen zwischen lokalen, lexikalischen und globalen, situativen Kontexten und auf diverse Untersuchungen zur Quasisynonymie.
            
            Über diese Webseite möchten wir Teile unserer Denk- und Experimentierplattform im Sinne eines "gläsernen Labors" auch allen interessierten Fachkollegen zugänglich machen.

This is an experimental integration of a D4Science NLP processing service (based on GATE's ANNIE). This service identifies names of persons, locations, organizations, as well as money amounts, time and date expressions in English texts automatically.

Der DARIAH-DE Geo-Browser ermöglicht eine vergleichende Visualisierung mehrerer Abfragen und erleichtert die Darstellung von Daten und deren Visualisierung in einer Korrelation von geographischen Raumbeziehungen zu entsprechenden Zeitpunkten und Sequenzen.

Der Einstiegspunkt zum Einspielen von Kollektionen und Daten in das DARIAH-DE Repository ist der DARIAH-DE Publikator, der Ihnen die Möglichkeit bietet, Ihre Kollektionen für einen Import in das DARIAH-DE Repository vorzubereiten, zu verwalten, und diese schließlich in das Repository einzuspielen.

Die Datenmodellierungsumgebung (DME) von DARIAH-DE ist ein Werkzeug zur Modellierung und Assoziierung von Daten. Eine wesentliche Besonderheit der DME ist die forschungsorientierte Ausrichtung und die zugrundeliegenden Konzepte für die Explikation von Domänenwissen.

Das Deutsche Textarchiv stellt einen disziplinen- und gattungsübergreifenden Grundbestand deutschsprachiger Texte mit einem Schwerpunkt ab dem frühen 16. bis zum frühen 20. Jahrhundert bereit. Das DTA ist das größte Einzelkorpus historischer neuhochdeutscher Texte für den Zeitraum vom 16. bis zum frühen 20. Jahrhundert und umfasst mehr als 350 Millionen Marken auf 1,34 Millionen digitalisierten Seiten. Der Schwerpunkt des DTA liegt auf (digitalisierten) Druckschriften, doch umfasst das DTA auch eine wachsende Zahl handschriftlicher Dokumente. Zu den speziellen Teilkorpora gehören historische Zeitungen und andere Zeitschriften. Das DTA als Ganzes umfasst eine reiche Vielfalt von Belletristik und Sachbüchern, wobei letztere sowohl akademische als auch nicht-akademische Schriften umfassen.

            Das DTA besteht aus dem sogenannten DTA-Kernkorpus (DTAK, "DTA-Kernkorpus") mit ca. 1500 Erstausgaben aus dem 16. bis 19. Jahrhundert. 
            Zusätzlich enthält das Modul DTA-Erweiterungen (DTAE) Fachkorpora und Einzeltexte, die im Rahmen von CLARIN-D und anderen Projekten kuratiert wurden. 
            Die von Digitalisierungsprojekten und anderen fachspezifischen Initiativen bereitgestellten Volltextquellen wurden (manuell oder halbautomatisch) in ein 
            TEI-kompatibles XML-Format nach den Richtlinien des DTA-Basisformats (DTABf, "DTA Base Format") konvertiert, einschließlich umfangreicher Metadaten zu den 
            Originalquellen und der Datenaufbereitung. OCR-Texte im DTA Core Corpus - sowie zahlreiche zusätzliche Textressourcen - wurden manuell korrigiert. 
            Ein kontinuierlicher Qualitätssicherungsprozess wird durch die kollaborative webbasierte Plattform DTAQ mit derzeit rund 2000 registrierten Benutzern ermöglicht. 
            Alle DTA-Korpora werden durch automatisierte computerlinguistische Analyseverfahren für den Nutzerkonsum aufbereitet. Dazu gehören nicht nur PoS-Tagging und 
            Lemmatisierung, sondern unter anderem auch die orthographische Normalisierung historischer Schreibvarianten, so dass die Nutzer Abfragen in moderner Orthographie 
            formulieren können.

Kollaborative Qualitätssicherung im Deutschen Textarchiv DTAQ (Deutsches Textarchiv – Qualitätssicherung) ist eine webbasierte Anwendung, um in XML/TEI-annotierten Textdigitalisaten verschiedene Arten von Fehlern zu finden, zu kategorisieren und zu korrigieren. Die Oberfläche von DTAQ ist durch jeden Nutzer individuell anpassbar, so dass verschiedene Ansichten der Quelldigitalisate und Texttranskriptionen einstellbar sind.

DTAQ ist nach der Registrierung frei für jeden nutzbar.

Die DGD wird für Forschung und Lehre bereitgestellt. Das System ermöglicht Ihnen den Zugriff auf ausgewählte Korpora des Archivs für Gesprochenes Deutsch (AGD), u.a. auf:

• das "Forschungs und Lehrkorpus gesprochenes Deutsch" (FOLK)

• das Korpus "Deutsche Mundarten" (Zwirner-Korpus)

• das Korpus "Deutsche Umgangssprachen" (Pfeffer-Korpus)

• das Korpus "Gesprochene Wissenschaftssprache Kontrastiv" (GeWiss, GWSS)

• das Korpus "Deutsch Heute" (DH)

Aus rechtlichen Gründen bitten wir Sie um eine einmalige kostenlose Registrierung.

DiaCollo ist ein Werkzeug für das Auffinden von typischen Wortverbindungen (Kollokationen) zu einem Stichwort in einem bestimmten Zeitraum und die visuell aufbereitete Darstellung der Ergebnisse. Als Kollokation wird eine gemeinsame Verwendung zweier Inhaltswörter bezeichnet, wobei a) das gemeinsame Vorkommen in Texten auffällig, d.h. deutlich häufiger als statistisch erwartbar, ist, und b) die beiden Wörter in einer grammatischen Beziehung zueinander stehen, zum Beispiel als Nomen und modifizierendes Adjektiv (brennbare Flüssigkeit) oder als Koordination von zwei Nomen (Umwelt und Reaktorsicherheit). Eine Kollokation besteht aus einer Basis (auch Stichwort genannt) und einem Kollokator.

Distanbol analyses texts semantically. For this, it passes the input text to an Apache Stanbol web service that executes a NLP chain yielding named entities. This is followed by Entity Linking on the text. The resulting enhancements are rendered as human-readable HTML-page. In short, Distanbol is adding a human-readable rendering to the JSON-LD output produced by Stanbol.

Die folgende Darstellung dokumentiert das XML-Basisformat des DTA, welches die Grundlage für die Annotation der DTA-Volltexte bildet. Das DTA-Basisformat folgt den P5-Richtlinien der Text Encoding Initiative (TEI). Da diese Richtlinien jedoch Lösungen für sämtliche Bedürfnisse bei der Textaufbereitung anbieten sollen und daher entsprechend vielfältig und umfangreich sind, bedürfen sie im konkreten Einzelfall einer näheren Spezifikation. Daher wurde aus den P5-Richtlinien für die Textstrukturierung im DTA-Korpus eine Tag-Auswahl getroffen (Tagset), die das DTA-Basisformat bildet. Dieses Tagset ist mit den P5-Richtlinien der TEI vollständig konform; auf Erweiterungen (tei.extensions) durch davon abweichende Elemente wurde verzichtet.

EXMARaLDA ist ein System für das computergestützte Arbeiten mit (vor allem) mündlichen Korpora. Es besteht aus einem Transkriptions- und Annotationseditor (Partitur-Editor), einem Tool zum Verwalten von Korpora (Corpus-Manager) und einem Such- und Analysewerkzeug (EXAKT).

Vorteile des EXMARaLDA-Systems umfassen zum Beispiel:

• zeitalignierte Transkription von Audio- oder Videodaten;
• flexible Annotation nach frei wählbaren Analysekategorien;
• systematische Dokumentation eines Korpus durch Metadaten;
• flexible Ausgabe von Transkriptdaten in verschiedenen Formen und Formaten (Notation, Dokument);
• computergestützte Recherche in Transkriptions-, Annotations und Metadaten;
• interoperabel, da das System mit XML-basierten Dateiformaten arbeitet, die einen Datenaustausch mit anderen Tools (wie Praat, ELAN, Transcriber etc.) sowie eine flexible Verarbeitung und eine nachhaltige Nutzung der Daten ermöglichen.

EXMARaLDA wird weltweit von Forschern in unterschiedlichsten Zusammenhängen zur Analyse gesprochener Sprache eingesetzt, z.B.:

• Gesprächsforschung (Diskurs- und Konversationsanalyse),
• Mehrsprachigkeits- und Spracherwerbsforschung,
• Phonetik und Phonologie
• Dialektologie und Soziolinguistik.

EXMARaLDA wurde ursprünglich im Teilprojekt "Computergestützte Erfassungs- und Analysemethoden multilingualer Daten" des Sonderforschungsbereichs "Mehrsprachigkeit" (SFB 538) der Universität Hamburg entwickelt. Seit Juli 2011 wird die Entwicklung im Hamburger Zentrum für Sprachkorpora, seit November 2011 in Zusammenarbeit mit dem Archiv für Gesprochenes Deutsch am IDS Mannheim, weitergeführt.

N-gram frequency list generation on FoLiA input.

Fowlt is an online, free-to-use context-sensitive English spelling checker. It follows the setup of the Dutch spelling checker Valkuil.net. Both Valkuil and Fowlt are unlike the typical spelling checkers: whereas the latter mostly try to find errors by comparing all words to a built-in dictionary and flag the word as an error if they can't find a match, Fowlt is context sensitive, taking into account the words around every word. Fowlt makes use of language models. These models are created by giving lots of texts to machine learning software (TiMBL and WOPR).

Fowlt is an online, free-to-use context-sensitive English spelling checker. It follows the setup of the Dutch spelling checker Valkuil.net. Both Valkuil and Fowlt are unlike the typical spelling checkers: whereas the latter mostly try to find errors by comparing all words to a built-in dictionary and flag the word as an error if they can't find a match, Fowlt is context sensitive, taking into account the words around every word. Fowlt makes use of language models. These models are created by giving lots of texts to machine learning software (TiMBL and WOPR).

Frog's current version will tokenize, tag, lemmatize, and morphologically segment word tokens in Dutch text files, will assign a dependency graph to each sentence, will identify the base phrase chunks in the sentence, and will attempt to find and label all named entities.

Frog's current version will tokenize, tag, lemmatize, and morphologically segment word tokens in Dutch text files, will assign a dependency graph to each sentence, will identify the base phrase chunks in the sentence, and will attempt to find and label all named entities.

Inkluz - detects foreign language inclusions in Polish texts.

Chunker for Polish. It recognises shallow syntactic structure (up to three levels) of phrases (chunks) in Polish texts.

KorAP ist eine neue Korpusanalyseplattform, optimiert für große, mehrfach annotierte Korpora und komplexe Suchmechanismen.

KorAP unterstützt die Abfragesprachen (von) COSMAS II, ANNIS, Poliqarp, Poliqarp+, CQL and FCQL.

KorAP wird am Leibniz-Institut für Deutsche Sprache in Mannheim entwickelt. Die einzelnen Module werden als Open Source auf GitHub veröffentlicht.

KorAP ist eine neue Korpusanalyseplattform, optimiert für große, mehrfach annotierte Korpora und komplexe Suchmechanismen.

KorAP unterstützt die Abfragesprachen (von) COSMAS II, ANNIS, Poliqarp, Poliqarp+, CQL and FCQL.

KorAP wird am Leibniz-Institut für Deutsche Sprache in Mannheim entwickelt. Die einzelnen Module werden als Open Source auf GitHub veröffentlicht.

The input file size is limited to 100kB.

Translates from->to:

Czech->English, Hindi, French, Russian, German

English->Russsian, German, Czech, Hindi, French

Russian->German, French, Czech, Hindi, English

German->Russian, Hindi, Czech, English, French

French->Russian, German, Czech, English, Hindi

Name Entity and Temporal Expression recognition

This is an experimental integration of a D4Science NLP processing service (NER Liner 2). This service identifies names of persons, locations, organizations, as well as money amounts, time and date expressions in Polish texts automatically.

A language dependency parser chain for Polish. The used tools include Morfeusz-2 with SGJP dictionary (for morphological analysis), wcrft2 (for tagging), and the MaltParser with a model for Polish. The CONLL output can be visualised with DepSVG, a dependency tree and predicate-argument structure visualizer.

Morphological analysis of Polish texts by Morfeusz 2 (based on the SGJP dictionary)

Morphological dictionary and tagger for the analysis of natural language texts in Polish.

Name Entity Recogniser for English by NLTK.

This is an experimental integration of a D4Science NLP processing service hub. This service runs a number of NER tools in parallel, and merges their results. It identifies names of persons, locations, organizations, as well as money amounts, time and date expressions -- and other expressions -- in English, French, Italian, Spanish and German texts automatically.

Oersetter is a Frisian-Dutch Machine Translation system.

Oersetter is a statistical machine translation (SMT) system for Frisian to Dutch and Dutch to Frisian. A parallel training corpus has been established, which has subsequently been used to automatically learn a phrase-based SMT model. The translation system is built around the open-source SMT software Moses.

Tokenizer for Dutch, English, German, French, Spanish and Italian. Consumes Plain text and produces TCF.

Keywords extraction for Polish by ReSpa based on the representation of text documents as word graphs.

Detection of semantic relations between Named Entities in Polish texts by Serel.

This is an experimental integration of a D4Science NLP processing service (spaCy). This service identifies performs dependency parsing for plain German text. For more information on spaCy, see https://spacy.io.

This is an experimental integration of a D4Science NLP processing service (spaCy). This service identifies performs dependency parsing for plain English text. For more information on spaCy, see https://spacy.io.

Recognition of spatial expressions in Polish texts.

Spejd - a partial, shallow parser for Polish with rule-based morphosyntactic disambiguation.

Automated word graph based summarisation of Polish texts.

T-Scan is a new tool for analyzing Dutch text. It aims at extracting text features that are theoretically interesting, in that they relate to genre and text complexity, as well as practically interesting, in that they enable users and text producers to make text-specific diagnoses. T-Scan derives it features from tools such as Frog and Alpino, and resources such as SoNaR, SUBTLEX-NL and Referentie Bestand Nederlands.

Morpho-syntactic tagger for English texts.

RESTful webservices for transcriptions of spoken data following the TEI guidelines. In principle, target documents are those conforming to the ISO standard ISO 24624:2016(E) Language resource management – Transcription of spoken language. The services are built on the library teispeechtools ; the source code of the services is available on GitHub. Currently, we offer:

align: Pseudo-alignment using Phonetic Transcription or Orthographic Information

RESTful webservices for transcriptions of spoken data following the TEI guidelines. In principle, target documents are those conforming to the ISO standard ISO 24624:2016(E) Language resource management – Transcription of spoken language. The services are built on the library teispeechtools ; the source code of the services is available on GitHub. Currently, we offer:

guess: language-detection

RESTful webservices for transcriptions of spoken data following the TEI guidelines. In principle, target documents are those conforming to the ISO standard ISO 24624:2016(E) Language resource management – Transcription of spoken language. The services are built on the library teispeechtools ; the source code of the services is available on GitHub. Currently, we offer:

identify adding and removing XML IDs

RESTful webservices for transcriptions of spoken data following the TEI guidelines. In principle, target documents are those conforming to the ISO standard ISO 24624:2016(E) Language resource management – Transcription of spoken language. The services are built on the library teispeechtools ; the source code of the services is available on GitHub. Currently, we offer:

normalize: OrthoNormal-like Normalization of orthography

RESTful webservices for transcriptions of spoken data following the TEI guidelines. In principle, target documents are those conforming to the ISO standard ISO 24624:2016(E) Language resource management – Transcription of spoken language. The services are built on the library teispeechtools ; the source code of the services is available on GitHub. Currently, we offer:

pos: POS-Tagging with the TreeTagger

RESTful webservices for transcriptions of spoken data following the TEI guidelines. In principle, target documents are those conforming to the ISO standard ISO 24624:2016(E) Language resource management – Transcription of spoken language. The services are built on the library teispeechtools ; the source code of the services is available on GitHub. Currently, we offer:

segmentize: segmentation according to transcription conventions

RESTful webservices for transcriptions of spoken data following the TEI guidelines. In principle, target documents are those conforming to the ISO standard ISO 24624:2016(E) Language resource management – Transcription of spoken language. The services are built on the library teispeechtools ; the source code of the services is available on GitHub. Currently, we offer:

text2iso: converting plain text in Simple EXMARaLDA format to ISO-TEI-annotated texts