Latvian language corpus creation from blog texts

Latviešu valodas korpuss sastāv galvenokārt no periodikas un daiļliteratūras, kur lietotā valoda ir atšķirīga no ikdienā lietotās valodas. Emuāri lielākoties stilistiski ir tuvāki sarunvalodai, jo lielākā daļa to autoru nav profesionāli rakstnieki vai žurnālisti, tāpēc šāda materiāla valodas korpuss paver jaunas pētījumu iespējas gan lingvistiem, gan datorlingvistiem. Darba ietvaros izstrādāta sistēma emuāru tekstu izgūšanai un izveidots korpuss ar ~ 12 milj. teksta vienībām. Darba ietvaros veikta izgūto tekstu kvalitātes izvērtēšana, izmantojot vārdu pamatformu īpatsvaru no leksikona un valodas noteikšanu. Iegūtais materiāls tika sadalīts 4 kvalitātes grupās. Darba gaitā izgūtie teksti apkopoti korpusā un pieejami publiski. Arī izveidotas tekstu izgūšanas izejas kods pieejams publiski turpmāku pētījumu veikšanai.The Latvian text corpus consists mainly of periodicals and fiction texts. However, the representation of the colloquial texts in the Latvian texts corpus is rather scarce. Within this work a tool for extracting texts from blogs was developed. Texts obtained with this tool are included as a sub-corpus in the Latvian text corpus, thus providing better representation of the colloquial and informal language aspects. Created corpus contains ~ 12 million tokens. Such corpus enhances both linguistic and computational research prospects for informal Latvian. An evaluation of the gathered text quality was done using out-of-vocabulary word proportion and language detection. Gathered texts were divided into 4 quality groups. Gathered text corpus is publically available. Also the developed scraping tool source code is made public for future research