The slWaC 2.0 Corpus of the Slovene Web

Web corpora have become an attractive source of linguistic content, as they can be made automatically, contain varied text types of contemporary language, and are quite large. This paper introduces version 2 of slWaC, a web corpus of Slovene containing 1.2 billion tokens. The corpus extends the first version of slWaC with new materials and updates the corpus compilation pipeline. The paper describes the process of corpus compilation with a focus on near-duplicate removal, presents the linguistic annotation, format and accessibility of the corpus via web concordancers, and then investigates the content of the corpus using frequency profiling, by comparing its lemma and part-of-speech annotations with the first version of slWaC and with KRES, the reference balanced corpus of Slovene. Korpus slovenskega spleta slWaC 2.0 Korpusi besedil zajetih s spleta so postali popularen vir jezikovnih vsebin, saj jih lahko zgradimo avtomatsko, vsebujejo pester nabor sodobnih besedilnih zvrsti in so zelo veliki. Prispevek predstavi drugo različico korpusa slWaC, spletnega korpusa slovenščine, ki vsebuje 1,2 milijarde pojavnic. Korpus dopolnjuje prvo različico slWaC z novimi besedili, pridobljenimi z izboljšanimi orodji za zajem. V prispevku opišemo proces izdelave korpusa s poudarkom na odstranjevanju podobnih vsebin, predstavimo jezikoslovno označevanje, format korpusa in njegovo dostopnost preko konkordančnika. Nato raziščemo vsebino korpusa s pomočjo frekvenčnega profila, kjer leme in oblikoskladenjske oznake druge različice korpusa slWaC primerjamo s prvo ter z referenčnim in uravnoteženim korpusom slovenščine