The Index Thomisticus Treebank Project: Annotation, Parsing and Valency Lexicon

We present an overview of the Index Thomisticus Treebank project (IT-TB). The ITTB consists of around 60,000 tokens from the Index Thomisticus by Roberto Busa SJ, an 11million-token Latin corpus of the texts by Thomas Aquinas. We briefly describe the annotation guidelines, shared with the Latin Dependency Treebank (LDT). The application of data-driven dependency parsers on IT-TB and LDT data is reported on. We present training and parsing results on several datasets and provide evaluation of learning algorithms and techniques. Furthermore, we introduce the IT-TB valency lexicon extracted from the treebank. We report on quantitative data of the lexicon and provide some statistical measures on subcategorisation structures. RÉSUMÉ. Nous présentons une vue d’ensemble du projet de l’Index Thomisticus Treebank (ITTB). L’IT-TB consiste d’environ 60,000 occurrences tirées de l’Index Thomisticus de Roberto Busa SJ, un corpus de onze millions de mots latins de Thomas d’Aquin. Nous décrivons brièvement les règles d’étiquetage, qui sont en commun avec la Latin Dependency Treebank (LDT). Nous décrivons l’application des parseurs probabilistes dépendanciels sur les données de l’ITTB et de la LDT. Nous présentons les résultats de l’entraînement et de l’analyse syntactique sur plusieurs ensembles des données et nous fournissons une évaluation des algorithmes et des techniques d’apprentissage. En outre, nous introduisons le lexique de valence de l’IT-TB tiré de la treebank. Nous reportons les données quantitatives du lexique et nous fournissons quelques mesures statistiques sur les structures de sous-catégorisation.