Lexica
Eentalige Lexica
DiaMaNT
Met DiaMaNT (Diachroon seMantisch lexicon van de Nederlandse Taal) bouwt het Instituut voor de Nederlandse Taal (INT) aan een computationeel semantisch lexicon dat diachrone semantische informatie moet bieden. Het wordt gebouwd als laag bovenop GiGaNT (een computationeel lexicon van de Nederlandse taal vanaf de zesde eeuw tot nu), door betekenisinformatie toe te voegen. DiaMaNT legt relaties tussen woordvormen en betekeniseenheden (concepten) en plaatst ze in de tijd. Het lexicon is een deelproject van CLARIAH (Common Lab Research Infrastructure for the Arts and Humanities), een samenwerkingsproject om een digitale infrastructuur voor de geesteswetenschappen tot stand te brengen.
GiGaNT
Op dit moment ontwikkelt het Instituut voor de Nederlandse Taal (INT) een computationeel lexicon van de Nederlandse taal vanaf de zesde eeuw tot en met het heden. Dit lexicon, met de naam GiGaNT, vormt straks een verzameling van woorden en woordgroepen, waaronder named entities (namen van personen, plaatsen, organisaties), in alle mogelijke spelling- en vormvarianten.
Het lexicon heeft twee hoofdmodules: GiGaNT-Hilex, de historische lexiconcomponent, gebaseerd op het materiaal van de historische woordenboeken van het INT, en GiGaNT-Molex, de moderne lexiconcomponent, met materiaal uit de INT-corpora.
De standaardmodules van GiGaNT Hilex zijn beschikbaar gemaakt doormiddel van een lexicon-service. Als u gebruik wilt maken van deze service, neem dan contact op met Katrien Depuydt.
GiGaNT Molex versie 2.0 is uitgegeven en is beschikbaar om te downloaden.
NT2Lex
NT2Lex is een lexicale database voor het Nederlands als een buitenlandse taal (NT2) en de database bevat frequentieverdelingen van in teksten waargenomen woorden die zijn becijferd op basis van de zes-niveaus-tellende schaal van het Common European Framework of Reference for Languages. Beschikbaar om online te doorzoeken en om te downloaden.
CELEX and WebCelex
Interface waarmee de CELEX-lexicale databases van het Duits, Engels, Nederlands kunnen worden geraadpleegd. Voor iedere taal zijn de lemma's aangevuld met orthografische, fonologische, morfologische en syntactische informatie en frequentiegegevens.
De Nederlandse CELEX Data en subsets daarvan zijn beschikbaar bij ELRA (kosten zijn van toepassing)
- Downloadpagina CELEX Dutch lexical database - Complete set
- Downloadpagina CELEX Dutch lexical database - Derivational Morphology Subset
- Downloadpagina CELEX Dutch lexical database - Frequency Subset
- Downloadpagina CCELEX Dutch lexical database - Inflectional Morphology Subset
- Downloadpagina CELEX Dutch lexical database - Orthography Subset
- Downloadpagina CELEX Dutch lexical database - Phonology Subset
- Downloadpagina CELEX Dutch lexical database - Syntax Subset
BasiLex-lexicon
Het BasiLex-lexicon bevat alle lemma's uit het BasiLex-corpus. Het BasiLex-corpus is een geannoteerde verzameling van teksten geschreven voor kinderen in de basisschoolleeftijd.
- Versie 1.0 (2015)
- Tellings, A., Hulsbosch, M., Vermeer, A. & van den Bosch, A. (2015). BasiLex: an 11.5-million words corpus of Dutch texts written for children. Computational Linguistics in the Netherlands Journal 4, 191-208
- Downloadpagina
BasiScript-lexicon
Het BasiScript-lexicon bevat alle lemma's van het BasiScript Corpus met aanvullende informatie. BasiScript is een corpus met 9 miljoen woorden geschreven tekst geproduceerd door leerlingen van de Nederlandse basisschool.
- Versie 1.0 (2015)
- Projectpagina
- Downloadpagina
DuOMAn Subjectivity Lexicon
Het DuOMAn Subjectivity Lexicon bevat ongeveer 9.000 werkwoorden, bijwoorden, substantieven en adjectieven waarvan aangegeven werd of ze een (zeer) negatieve, een neutrale of een (zeer) positieve gevoelswaarde hebben.
- Jijkoun, V., Hofmann, K. (2009). Generating a Non-English Subjectivity Lexicon: Relations That Matter
- Documentatie
- Downloadpagina
Diachroon seMantisch lexicon van de Nederlandse Taal - DiaMaNT
Met DiaMaNT (Diachroon seMantisch lexicon van de Nederlandse Taal) bouwt het Instituut voor de Nederlandse Taal (INT) aan een computationeel semantisch lexicon dat diachrone semantische informatie moet bieden. Het wordt gebouwd als laag bovenop GiGaNT (een computationeel lexicon van de Nederlandse taal vanaf de zesde eeuw tot nu), door betekenisinformatie toe te voegen. DiaMaNT legt relaties tussen woordvormen en betekeniseenheden (concepten) en plaatst ze in de tijd.
Referentiebestand Nederlands (RBN)
Het Referentiebestand Nederlands is een lexicon met ongeveer 50.000 trefwoorden en 90.000 vaste en vrije verbindingen.
- Versie 2.0.1 (2014)
- Documentatie (in het Nederlands)
- Downloadpagina
Referentiebestand Belgisch-Nederlands (RBBN)
Het Referentiebestand Belgisch-Nederlands bevat ca. 4.000 woorden en uitdrukkingen die typisch zijn voor het Nederlands in België.
- Versie 1.0.1 (2014)
- Handleiding (in het Nederlands)
- Downloadpagina
e-Lex
E-Lex is een lexicale databank van het Nederlands die uit een enkelwoordlexicon en een meerwoordlexicon bestaat. Het enkelwoordlexicon bevat circa 220.000 trefwoorden en meer dan 600.000 woordvormen, voorzien van morfologische, syntactische en fonologische informatie. Een deel van de trefwoorden is ook voorzien van semantische informatie. Het meerwoordlexicon bevat meer dan 77.000 meerwoordsuitdrukkingen en 26.000 meerwoordslemma's.
ISLA: Idiomatic expressions for Second Language Acquisition
Het ISLA-project heeft een verzameling van ongeveer 400 idiomatische uitdrukkingen en hun betekenissen.
DuELME
DuELME is een lexicon met ruim 5.000 Nederlandstalige meerwoordexpressies.
Expressies met hetzelfde syntactische patroon zijn gegroepeerd in zogenoemde equivalentieklassen, wat het mogelijk maakt om het lexicon met minimale handmatige inspanning te integreren in een NLP-systeem. Het lexicon is ontwikkeld in het kader van het IRME-project.
INT IMPACT NE-lexicon
Het INT IMPACT NE-lexicon is een uitgebreide set van verrijkte historische Nederlandse locaties, persoonsnamen en organisaties. Alle locaties en organisaties zijn verbonden aan een handmatig geverifieerd moderne lemma en, waar van toepassingen, aan mogelijke alternatieve namen. Persoonsnamen zijn handmatig geannoteerd met structurele informatie (bijv. 'roepnaam', 'achternaam', etc.), gekoppeld aan mogelijke varianten en mogelijke overeenkomsten in de Duitse PND. Alle trefwoorden zijn verbonden aan hun bronbestand, datum en afbeeldingslocatie.
Polderland Algemeen Nederlands Lexicon
Het Polderland Algemeen Nederlands Lexicon bevat 400.463 Nederlandse woorden, bestaand uit 236.369 zelfstandige naamwoorden, 90.882 adjectieven, 69.744 werkwoorden, 2.120 bijwoorden en 1.348 woorden uit andere categorieën (voornaamwoorden, bepalingen, samenvoegingen telwoorden, etc.). Het houdt zich aan de officiële Nederlandse spelling (2005/6). Het lexicon bevat een ID, de woordvorm, het lemma en de POS.
Polderland Nederlands Lexicon van Afkortingen en Acroniemen
Het Polderland Nederlands Lexicon van Afkortingen en Acroniemen bestaat uit 2.180 Nederlandse afkortingen en acroniemen. Het houdt zich aan de Nederlandse officiële spelling (2005/6). Het lexicon bevat een ID, een woordvorm, een lemma en POS.
AuCoPro-Semantics
De AuCoPro-Semantics-dataset dient voor de automatische semantische analyse van samenstellingen. Het bevat semantisch geannoteerde substantief-substantiefsamenstellingen van het Nederlands en Afrikaans, gescheiden in twee annotatieronden per taal. De semantische annotatie is uitgevoerd volgens annotatierichtlijnen die gebaseerd zijn op die van Ó. Séaghdha (2008). Een ander deel van de dataset bevat andere nominale samenstellingen in het Nederlands, die zijn geannoteerd met behulp van een nieuw ontwikkeld annotatieschema.
LiLaH Emotion Lexicon
Dit product bevat een uitbreiding van het NRC-emotielexicon. Het bevat een lijst met woorden in het Grieks, Koerdisch, Turks, Spaans, Farsi en Chinees (traditioneel en vereenvoudigd) en hun associaties met acht basisemoties (boosheid, angst, verwachting, vertrouwen, verrassing, verdriet, vreugde en afkeer) en twee sentimenten (negatief en positief). De annotaties zijn automatisch gegenereerd en handmatig gecontroleerd door moedertaalsprekers. Aanvullende talen (waaronder Nederlands) kunnen hier gevonden worden
- Webpagina
- Daelemans, Walter; et al., 2020, The LiLaH Emotion Lexicon of Croatian, Dutch and Slovene, Slovenian language resource repository CLARIN.SI, ISSN 2820-4042, http://hdl.handle.net/11356/1318.
Parole Lexicon
Het PAROLE-lexicon is een computationeel lexicon met Nederlands taalmateriaal van ongeveer de periode 1970-1998. Het bevat ruim 20.000 trefwoorden, die voorzien zijn van woordsoort, getal, naamval en syntactische complementatiepatronen.
Meertalige Lexica
OMBI Arabisch-Nederlands
OMBI-Arabisch-Nederlands is een bilinguaal lexicaal bestand in xml-LMF-formaat. Het bestand bevat ca. 37.000 entry's en is geschikt voor taaltechnologische toepassingen zoals automatisch vertalen, e-learning, meertalige informatie-extractie etc.
- Versie 1.0 (2010)
- Documentatie
- Downloadpagina
OMBI Nederlands-Arabisch
OMBI Nederlands-Arabisch is een tweetalig lexicon met Nederlands als brontaal en Arabisch als doeltaal.
- Versie 1.0 (2008)
- Documentatie
- Downloadpagina
OMBI Nederlands-Deens
OMBI Nederlands-Deens is een bilinguaal lexicaal bestand in xml-LMF-formaat. Het bestand is geschikt voor taaltechnologische toepassingen zoals automatisch vertalen, e-learning, meertalige informatie-extractie, enz.
- Versie 1.0 (2008)
- Documentatie
- Downloadpagina
OMBI Nederlands-Indonesisch
OMBI Nederlands-Indonesisch is een bilinguaal lexicaal bestand in xml-LMF-formaat. Het bestand is geschikt voor taaltechnologische toepassingen zoals automatisch vertalen, e-learning, meertalige informatie-extractie, enz.
QTLeap specialized lexicons
Deze gids bestaat uit meertalige lexiconitems die worden gebruikt voor de vertaling van specifieke IT-domeinuitdrukkingen voor het Baskisch, Bulgaars, Tsjechisch, Nederlands, Engels, Portugees en Spaans. De uitdrukkingen werden enerzijds verzameld uit de vrij beschikbare softwarelocalisatiebestanden, zoals VLC, Libre Office en KDE en anderzijds uit IT-gerelateerde Wikipedia-artikelen.