コーパスの内容
5ちゃんねるは、話題別の「板」、板に属する「スレッド」、スレッド内の連番投稿という階層で構成される大規模な日本語匿名掲示板です。当社がライセンス提供するのは、その公開投稿の記録と、それを意味づける構造メタデータです。
含まれる要素
- 公開投稿
- 投稿時の本文テキスト
- スレッド構造
- スレッド内の順序付き投稿列
- レス・引用関係
- >>N アンカーの明示的エッジリストへの解決
- スレッドタイトル
- スレッドタイトル
- 板分類
- 板ID、名称、カテゴリ
- タイムスタンプ
- 投稿日時、スレッド作成、最終更新
- 名前欄
- 投稿時の名前欄（匿名・デフォルトが多い）
- 投稿ID
- 元データに存在する場合
- スレッド状態
- アクティブ、アーカイブ（過去ログ）、定員到達
| Item | Notes |
|---|---|
| 公開投稿 | 投稿時の本文テキスト |
| スレッド構造 | スレッド内の順序付き投稿列 |
| レス・引用関係 | >>N アンカーの明示的エッジリストへの解決 |
| スレッドタイトル | スレッドタイトル |
| 板分類 | 板ID、名称、カテゴリ |
| タイムスタンプ | 投稿日時、スレッド作成、最終更新 |
| 名前欄 | 投稿時の名前欄（匿名・デフォルトが多い） |
| 投稿ID | 元データに存在する場合 |
| スレッド状態 | アクティブ、アーカイブ（過去ログ）、定員到達 |
言語的特徴
本コーパスには、書き言葉中心のWebコーパスでは得にくい言語現象が高密度に含まれます。
- — 口語・方言を含む非formalな日本語
- — ネットスラング、板固有語彙、5ちゃんねる発祥で一般語化した語
- — 顔文字、アスキーアート、非標準表記
- — 略語、意図的な誤記、文字置換
- — 明示的なレス構造を伴う多人数の対話
- — 20年以上にわたる通時的変化
以下の規模は、正式なコーパス棚卸しの完了までの暫定値として範囲で表記しています。板の選択・期間・フィルタ条件を指定いただいた部分集合については、正確な件数をサンプル提供時および納品マニフェスト時にお示しします。
- 総投稿数
- {{TOTAL_POSTS_RANGE}} — TODO(business)
- 総スレッド数
- {{TOTAL_THREADS_RANGE}} — TODO(business)
- 対象期間
- {{YEARS_COVERED}} — TODO(business)
- 板数
- {{BOARD_COUNT_RANGE}} — TODO(business)
- 日次追加
- {{DAILY_ADDITIONS_RANGE}} — TODO(business)
- 非圧縮サイズ
- {{UNCOMPRESSED_SIZE_RANGE}} — TODO(business)
| Item | Notes |
|---|---|
| 総投稿数 | {{TOTAL_POSTS_RANGE}} — TODO(business) |
| 総スレッド数 | {{TOTAL_THREADS_RANGE}} — TODO(business) |
| 対象期間 | {{YEARS_COVERED}} — TODO(business) |
| 板数 | {{BOARD_COUNT_RANGE}} — TODO(business) |
| 日次追加 | {{DAILY_ADDITIONS_RANGE}} — TODO(business) |
| 非圧縮サイズ | {{UNCOMPRESSED_SIZE_RANGE}} — TODO(business) |
含まれないもの
- — 非公開のコンテンツおよび運営内部の記録
- — 書き出し時点で削除・モデレーション処理が適用済みのコンテンツ
- — 添付ファイルおよび外部ホスティングのメディア（リンクはテキストとして保持しますが、リンク先の実体は再配布しません）
データセット概要（PDF）をダウンロード
データサンプルをご請求ください。
適格な組織の方には、代表的な技術サンプル、スキーマ仕様書、データセット概要をご提供します。