Сбор текстов

В корпус вошли 200 биографических статей, сбор которых осуществлялся в 2018 году.

Предобработка и выбор текстов для корпуса проводились следующим образом:

• сбор текстов осуществлялся в автоматическом режиме с помощью открытых библиотек языка Python;

• были удалены короткие тексты, содержащие только годы жизни человека и список его должностей;

• из текстов были удалены все разделы, кроме раздела "Биография". Это связано с тем, что биографические статьи в "Википедии" содержат, как правило, перечни наград, научных трудов, произведений и прочие разделы, неудобные для проведения разметки.

Корпус включает в себя биографии личностей, чья основная деятельность связана с одним из следующих направлений:

• военные и работники силовых структур;

• деятели культуры и искусства;

• деятели науки, техники и образования;

• политики и общественные деятели;

• предприниматели и менеджеры;

• религиозные деятели.

Разметка

Размеченный корпус представляет собой текстовую коллекцию, разбитую на предложения. Каждое предложение относится к одному или двум тематическим классам: не биографический факт (none); личные события (personal_events); профессиональные события (professional_events); рождение (birth); смерть (death); национальность (nationality); информация о родительской семье (parenting)); членство (affiliation); образование (education); семья (family); место жительства, пребывания (residence); род занятий, должность (occupation); прочие биографические факты (other).

Представление текстов

Корпус биографических текстов состоит из следующих элементов:

• тексты, представленные в формате .xml (каждое предложение включает в себя атрибуты "text" и "type" (тематический класс), при наличии -- "additional_type" (дополнительный тематический класс);

• файл с описанием корпуса в формате .csv, в котором содержится информация о текстах (имя персоны, годы жизни, направление основной деятельности).