comprensión Semcor estructura corpus h

Question

Estoy aprendiendo PNL. Actualmente jugando con la Desambiguación. Tengo la intención de utilizar el corpus Semcor como la formación de datos, pero tengo problemas para entender la estructura XML. He intentado googlear pero no conseguir cualquier recurso que describe la estructura de los contenidos de Semcor.

<s snum="1">
<wf cmd="ignore" pos="DT">The</wf>
<wf cmd="done" lemma="group" lexsn="1:03:00::" pn="group" pos="NNP" rdf="group" wnsn="1">Fulton_County_Grand_Jury</wf>
<wf cmd="done" lemma="say" lexsn="2:32:00::" pos="VB" wnsn="1">said</wf>
<wf cmd="done" lemma="friday" lexsn="1:28:00::" pos="NN" wnsn="1">Friday</wf>
<wf cmd="ignore" pos="DT">an</wf>
<wf cmd="done" lemma="investigation" lexsn="1:09:00::" pos="NN" wnsn="1">investigation</wf>
<wf cmd="ignore" pos="IN">of</wf>
<wf cmd="done" lemma="atlanta" lexsn="1:15:00::" pos="NN" wnsn="1">Atlanta</wf>
<wf cmd="ignore" pos="POS">'s</wf>
<wf cmd="done" lemma="recent" lexsn="5:00:00:past:00" pos="JJ" wnsn="2">recent</wf>
<wf cmd="done" lemma="primary_election" lexsn="1:04:00::" pos="NN" wnsn="1">primary_election</wf>
<wf cmd="done" lemma="produce" lexsn="2:39:01::" pos="VB" wnsn="4">produced</wf>
<punc>``</punc>
<wf cmd="ignore" pos="DT">no</wf>
<wf cmd="done" lemma="evidence" lexsn="1:09:00::" pos="NN" wnsn="1">evidence</wf>
<punc>''</punc>
<wf cmd="ignore" pos="IN">that</wf>
<wf cmd="ignore" pos="DT">any</wf>
<wf cmd="done" lemma="irregularity" lexsn="1:04:00::" pos="NN" wnsn="1">irregularities</wf>
<wf cmd="done" lemma="take_place" lexsn="2:30:00::" pos="VB" wnsn="1">took_place</wf>
<punc>.</punc>
</s>

• Asumo wnsn es 'palabra sentido'. ¿Es correcto?
• ¿Qué significa el atributo lexsn? ¿Cómo se asignan a wordnet?
• ¿Qué significa el atributo PN refiere? (Tercera línea)
• ¿Cómo se asigna el atributo RDF? (De nuevo tercera línea)
• En general, ¿cuáles son los atributos posibles?

Answer 1

El formato se describe en el archivo "doc / cxtfile.txt" en el Semcor 1.6 archivo ; por alguna razón, la documentación no está incluido en las versiones posteriores.