数据集概述
本数据集是首个奥克语依存树库，由POCTEFA Interreg欧洲基金资助的EFA 227/16 LINGUATEC项目开发。包含25K个标注了词性标签、词元及句法依存关系的词元，遵循通用依存关系（UD）标注规范，数据以ConLL-U格式存储，覆盖加斯科涅、朗格多克、勒穆瓦纳和普罗旺斯四种主要奥克语方言。
文件详解
- 文件名称：
Tolosa_Treebank-v2.zip
- 文件格式：ZIP（压缩包）
- 字段映射介绍：内部ConLL-U格式文件包含10列标注信息，分别为：
- ID：词索引（每句从1开始）
- FORM：词形或标点符号
- LEMMA：词元或词干
- UPOS：通用词性标签
- XPOS：语言特异性词性标签（无则为下划线）
- FEATS：形态特征列表（无则为下划线）
- HEAD：中心词索引（0表示根节点）
- DEPREL：与中心词的通用依存关系
- DEPS：增强依存图（无则为下划线）
- MISC：其他标注信息
数据来源
EFA 227/16 LINGUATEC Project（由POCTEFA Interreg European funds资助）
适用场景
- 奥克语自然语言处理研究：用于奥克语句法分析模型的训练与评估
- 低资源语言依存句法标注研究：探索通用依存规范在小众语言中的应用实践
- 方言语言学分析：对比四种奥克语方言的句法结构差异
- 多语言依存树库构建参考：为其他小众语言树库开发提供方法论借鉴
