Articole de știri scrise de profesioniști de la o importantă organizație de știri internațională, disponibile ca flux recurent în engleză, spaniolă și arabă și ca arhivă multianuală în limba engleză, cu etichete de semnătură, dată, titlu, corp și subiect.

Articole de știri în arabă – Flux continuu

Volum
~12,775 de articole pe an
Scară
~35 pe zi · medie 350 de cuvinte
Limbă
Arabă
Regiune
Caritate
Format
Flux text
de licențiere
Neexclusiv

Un flux recurent de articole de știri în limba arabă, cu aproximativ 35 de cuvinte pe zi, mai scurt în medie decât fluxurile în engleză și spaniolă, cu aproximativ 350 de cuvinte fiecare. Redactat profesional, cu metadate complete. Textul de știri în limba arabă, editat de înaltă calitate, este rar disponibil în formă licențiată, ceea ce îl face util pentru acoperirea evenimentelor curente într-o limbă în care majoritatea corpusurilor disponibile sunt extrase de pe web.

Corpus de știri arhivistice din 1999 până în prezent

Volum
Articole 975,000
Scară
~672.75 milioane de cuvinte · publicat din 1999
Limbă
Engleză
Regiune
Caritate
Format
Corpus de text
de licențiere
Neexclusiv

Peste douăzeci și cinci de ani de știri în limba engleză scrise de profesioniști, apropiindu-se de 673 de milioane de cuvinte în 975,000 de articole. Fiecare articol conține etichete de tip titlu, dată, titlu, corp și subiect, iar articolele din 2011 încoace utilizează o taxonomie controlată pentru etichetele lor. Profunzimea arhivei o face potrivită pentru pre-antrenament, pentru sarcini de raționament temporal și pentru regăsirea informațiilor din evenimente istorice.

Articole de știri în limba engleză – Flux continuu

Volum
~30,000 de articole pe an
Scară
~82 pe zi · medie 845 de cuvinte
Limbă
Engleză
Regiune
Caritate
Format
Flux text
de licențiere
Neexclusiv

Un flux recurent de articole de știri în limba engleză, scrise profesional de o organizație de știri internațională importantă, cu aproximativ 82 de articole pe zi. Fiecare articol conține etichete de tip semnatar, dată, titlu, corp și subiect. Deoarece este un flux live, nu un corpus fix, este potrivit pentru generarea augmentată prin recuperare și pentru orice model care trebuie să rămână actual, nu blocat la o limită de antrenament.

Articole de știri în spaniolă – Flux continuu

Volum
~16,000 de articole pe an
Scară
~44 pe zi · medie 692 de cuvinte
Limbă
Spaniolă
Regiune
Caritate
Format
Flux text
de licențiere
Neexclusiv

Un flux recurent de articole de știri în limba spaniolă de la aceeași redacție internațională, cu aproximativ 44 de articole pe zi. Scrise și editate profesional, nu agregate, cu etichete de semnătură, dată, titlu, corp și subiect. Potrivit pentru modelele de evenimente curente în limba spaniolă și pentru sistemele de recuperare multilingvă care necesită o calitate editorială echivalentă în toate limbile.