<html>
  <head>

    <meta http-equiv="content-type" content="text/html; charset=ISO-8859-1">
  </head>
  <body bgcolor="#FFFFFF" text="#000000">
    <div align="center"><i>New publications:</i></div>
    <p class="MsoNormal" align="center"> LDC2012T09<br>
      <b>- <a href="ae">Arabic-Dialect/English Parallel Text</a> -</b><br>
      <br>
      LDC2012T08<br>
      <b>- <a href="ce">Prague Czech-English Dependency Treebank 2.0</a> 
        -</b><o:p></o:p></p>
    <br>
    <hr size="2" width="100%">
    <p class="MsoNormal" align="center"><b>New publications</b><o:p></o:p></p>
    <p class="MsoNormal"><br>
      <a name="ae"></a>(1) <a
href="http://www.ldc.upenn.edu/Catalog/CatalogEntry.jsp?catalogId=LDC2012T09">Arab</a><a
href="http://www.ldc.upenn.edu/Catalog/CatalogEntry.jsp?catalogId=LDC2012T09">ic-Dialect/English


        Parallel Text</a> was developed by <a
        href="http://www.bbn.com/">Raytheon BBN Technologies</a> (BBN),
      LDC and <a href="http://www.sakhr.com/">Sakhr Software </a>and
      contains approximately 3.5 million tokens of Arabic dialect
      sentences and their English translations. <o:p></o:p></p>
    <p class="MsoNormal">The data in this corpus consists of Arabic web
      text as follows:<o:p></o:p></p>
    <p class="MsoNormal">1. Filtered automatically from large Arabic
      text corpora harvested from the web by LDC. The LDC corpora
      consisted largely of weblog and online user groups and amounted to
      around 350 million Arabic words. Documents that contained a large
      percentage of non-Arabic or Modern Standard Arabic (MSA) words
      were eliminated. A list of dialect words was manually selected by
      culling through the Levantine Fisher (<a
href="http://www.ldc.upenn.edu/Catalog/catalogEntry.jsp?catalogId=LDC2005S07">LDC2005S07</a>,
      <a
href="http://www.ldc.upenn.edu/Catalog/catalogEntry.jsp?catalogId=LDC2005T03">LDC2005T03</a>,
      <a
href="http://www.ldc.upenn.edu/Catalog/catalogEntry.jsp?catalogId=LDC2007S02">LDC2007S02</a>
      and <a
href="http://www.ldc.upenn.edu/Catalog/catalogEntry.jsp?catalogId=LDC2007T04">LDC2007T04</a>)
      and Egyptian CALLHOME speech corpora (<a
href="http://www.ldc.upenn.edu/Catalog/catalogEntry.jsp?catalogId=LDC97S45">LDC97S45</a>,
      <a
href="http://www.ldc.upenn.edu/Catalog/catalogEntry.jsp?catalogId=LDC2002S37">LDC2002S37</a>,
      <a
href="http://www.ldc.upenn.edu/Catalog/catalogEntry.jsp?catalogId=LDC97T19">LDC97T19</a>
      and <a
href="http://www.ldc.upenn.edu/Catalog/catalogEntry.jsp?catalogId=LDC2002T38">LDC2002T38</a>)
      distributed by LDC. That list was then used to retain documents
      that contained a certain number of matches. The resulting subset
      of the web corpora contained around four million words. Documents
      were automatically segmented into passages using formatting
      information from the raw data.<o:p></o:p></p>
    <p class="MsoNormal">2. Manually harvested by Sakhr Software from
      Arabic dialect web sites.<o:p></o:p></p>
    <p class="MsoNormal">Dialect classification and sentence
      segmentation, as needed, and translation into English were
      performed by BBN through <a
        href="https://www.mturk.com/mturk/welcome">Amazon's Mechanical
        Turk</a>. Arabic annotators from Mechanical Turk classified
      filtered passages as being either MSA or one of four regional
      dialects: Egyptian, Levantine, Gulf/Iraqi or Maghrebi. An
      additional "General" dialect option was allowed for ambiguous
      passages. The classification was applied to whole passages rather
      than individual sentences. Only the passages labeled Levantine and
      Egyptian were further processed. The segmented Levantine and
      Egyptian sentences were then translated. Annotators were
      instructed to translate completely and accurately and to
      transliterate Arabic names. They were also provided with examples.
      All segments of a passage were presented in the same translation
      task to provide context.<o:p></o:p></p>
    <a style="mso-comment-reference:e_4;mso-comment-date:20120612T0847"><span
        style="mso-comment-continuation:5"><br>
      </span></a><span style="mso-special-character:comment"></span><o:p></o:p>
    <p class="MsoNormal" align="center">*<o:p></o:p></p>
    <p class="MsoNormal"><br>
      <a name="ce"></a>(2) <a
href="http://www.ldc.upenn.edu/Catalog/CatalogEntry.jsp?catalogId=LDC2012T08">P</a><a
href="http://www.ldc.upenn.edu/Catalog/CatalogEntry.jsp?catalogId=LDC2012T08">rague


        Czech-English Dependency Treebank (PCEDT) 2.0</a> was developed
      by the <a href="http://ufal.mff.cuni.cz/">Institute of Formal and
        Applied Linguistics</a> at <a href="http://www.cuni.cz/">Charles

        University</a> in Prague, Czech Republic. It is a corpus of
      Czech-English parallel resources translated, aligned and manually
      annotated for dependency structure, semantic labeling, argument
      structure, ellipsis and anaphora resolution. This release updates
      <span style="mso-spacerun:yes"> </span>Prague Czech-English
      Dependency Treebank 1.0 (<a
href="http://www.ldc.upenn.edu/Catalog/catalogEntry.jsp?catalogId=LDC2004T25">LDC2004T25</a>)
      by adding English newswire texts so that it now contains over two
      million words in close to 100,000 sentences. <o:p></o:p></p>
    <p class="MsoNormal">The principal new material in PCEDT 2.0 is the
      inclusion of the entire Wall Street Journal data from Treebank-3 (<a
href="http://www.ldc.upenn.edu/Catalog/CatalogEntry.jsp?catalogId=LDC99T42">LDC99T42</a>).
Not


      included from PCEDT 1.0 are the Reader's Digest material, <span
        style="mso-spacerun:yes"> </span>the Czech monolingual corpus
      and <span style="mso-spacerun:yes"> </span>the English-Czech
      dictionary. <o:p></o:p></p>
    <p class="MsoNormal">Each section is enhanced with a comprehensive
      manual linguistic annotation in the Prague Dependency Treebank
      style (<a
href="http://www.ldc.upenn.edu/Catalog/CatalogEntry.jsp?catalogId=LDC2006T01">LDC2006T01</a>),
Prague


      Dependency Treebank 2.0). The main features of this annotation
      style are:<o:p></o:p></p>
    <blockquote>
      <p class="MsoNormal">-dependency structure of the content words
        and coordinating and similar structures (function words are
        attached as their attribute values)<o:p></o:p></p>
      <p class="MsoNormal">-semantic labeling of content words and types
        of coordinating structures<o:p></o:p></p>
      <p class="MsoNormal">-argument structure, including an argument
        structure ("valency") lexicon for both languages<o:p></o:p></p>
      <p class="MsoNormal">-ellipsis and anaphora resolution<o:p></o:p></p>
    </blockquote>
    <p class="MsoNormal">This annotation style is called
      tectogrammatical annotation, and it constitutes the
      tectogrammatical layer in the corpus. Please consult the PCEDT <a
        href="http://ufal.mff.cuni.cz/pcedt2.0/">website</a> for more
      information and documentation.<o:p></o:p></p>
    <br>
    <hr size="2" width="100%"><br>
    <pre class="moz-signature" cols="72">-- 
--

Ilya Ahtaridis
Membership Coordinator
--------------------------------------------------------------------
Linguistic Data Consortium                  Phone: 1 (215) 573-1275
University of Pennsylvania                    Fax: 1 (215) 573-2175
3600 Market St., Suite 810                        <a class="moz-txt-link-abbreviated" href="mailto:ldc@ldc.upenn.edu">ldc@ldc.upenn.edu</a>
Philadelphia, PA 19104 USA                 <a class="moz-txt-link-freetext" href="http://www.ldc.upenn.edu">http://www.ldc.upenn.edu</a>



</pre>
  </body>
</html>