acl-anthology-network:“ ACL Anthology Network”语料库的后处理（aanrelease2013）-源码

ACL Anthology Network衍生产品 aanrelease2013.tar.gz一团糟。 编码无处不在。 某些数据显然丢失或存在，但已损坏。 尚不清楚哪些文件是原始数据，哪些是从这些数据派生的统计信息。 看起来像它们应该是脚本输出的文件实际上是这些脚本的帮助消息。 许多papers_text/文件（从PDF提取的纯文本）存在以下问题： 由于不兼容的PDF编码（例如P00-1032 ， W06-3709 ），其中一些显得乱七八糟 由于原始PDF中的OCR错误（从有问题的T75-2033到无法使用的J79-1013 ），其他文件在不同程度上都乱七八糟。 其他人不是英语（例如C73-2029 ） 其他包含完全不同的论文的文本（例如L08-1302 ） Makefile声明性地提供了有关问题和涉及的清理工作的一些文档。 该存储库不包含任何原始数据，仅包含有关如何修