seanghay/khmer-pos-roberta
Token Classification
•
Updated
•
7
Datasets:
id
stringlengths 1
5
| tokens
sequence | pos_tags
sequence |
|---|---|---|
0 | [
"ក្រៅ_ពី",
"នោះ",
"លិខិត",
"នេះ",
"បាន",
"បញ្ជាក់",
"យ៉ាង",
"លម្អិត",
"ពី",
"ការ~កិបកេង",
"ប្រាក់",
"ឧបត្ថម្ភ",
"ផ្សេង",
"ៗ",
"ពី",
"ក្រសួង",
"សរុប",
"ជាង",
"២៥",
"លាន",
"រៀល",
"ផ្សេង_ទៀត",
"។"
] | [
7,
5,
11,
5,
1,
20,
16,
8,
7,
11,
11,
11,
8,
4,
7,
11,
8,
7,
3,
3,
13,
8,
9
] |
1 | [
"លោក~ជំទាវ",
"ណោន",
"សារម្យ"
] | [
14,
13,
13
] |
2 | [
"លោក~ជំទាវ",
"ប៉ូលែន"
] | [
14,
13
] |
3 | [
"ខ្ញុំ",
"ឈ្មោះ",
"ថេងគ័ង"
] | [
14,
11,
13
] |
4 | [
"លោក",
"ដៀង",
"សុភា"
] | [
14,
13,
13
] |
5 | [
"ឯក_ឧត្ដម",
"សុផា",
"លីន"
] | [
14,
13,
13
] |
6 | [
"ទិវា",
"សិទិ្ធ",
"កុមារ",
"អន្តរ_ជាតិ",
"គឺ",
"ត្រូវ_បាន",
"ប្រារព្ធ",
"ឡើង",
"នៅ",
"ថ្ងៃ_ទី",
"១",
"ខែ_មិថុនា",
"។"
] | [
11,
11,
11,
11,
20,
20,
20,
16,
7,
11,
3,
13,
9
] |
7 | [
"ខ្ញុំ",
"ឈ្មោះ",
"សុខ",
"លីន"
] | [
14,
11,
13,
13
] |
8 | [
"ឯក_ឧត្ដម",
"ចាន់"
] | [
14,
13
] |
9 | [
"កញ្ញា",
"គង់",
"សារ៉ន"
] | [
14,
13,
13
] |
10 | [
"លោក~ស្រី",
"មួង"
] | [
14,
13
] |
11 | [
"លោក~ស្រី",
"សោមរិទ្ធី"
] | [
14,
13
] |
12 | [
"ឯក_ឧត្ដម",
"អ៊ឹម"
] | [
14,
13
] |
13 | [
"នេះ",
"គឺ_ជា",
"ភោគ"
] | [
5,
20,
13
] |
14 | [
"ឯក_ឧត្ដម",
"ស្រស់"
] | [
14,
13
] |
15 | [
"ឯក_ឧត្ដម",
"អ៊ឹម",
"ឆេង",
"លាង"
] | [
14,
13,
13,
13
] |
16 | [
"កញ្ញា",
"អៀត"
] | [
14,
13
] |
17 | [
"គាត់",
"ឈ្មោះ",
"អាន",
"សុផានី"
] | [
14,
11,
13,
13
] |
18 | [
"លោក",
"សោ",
"បាន",
"ត្អូញត្អែរ",
"ដូច្នេះ",
"ថា",
"៖",
"«",
"ជីវិត",
"ខ្ញុំ",
"បាន",
"ផ្លាស់_ប្តូរ",
"ទាំងស្រុង",
"ហើយ",
"ក្រោយ_ពី",
"គេ",
"កាប់",
"ខ្ញុំ",
"នោះ",
"មក",
"។"
] | [
14,
13,
1,
20,
16,
7,
18,
18,
11,
14,
1,
20,
16,
16,
7,
14,
20,
14,
5,
16,
9
] |
19 | [
"ខ្ញុំ",
"ឈ្មោះ",
"ឃឹម"
] | [
14,
11,
13
] |
20 | [
"នៅ",
"ពេល",
"ដែល",
"សកម្ម_ជន",
"បឹង_កក់",
"ទាំង",
"៧",
"នាក់",
"មួយ",
"ថ្ងៃ",
"មុន",
"នោះ",
"ស្ត្រី",
"ទាំង",
"បី",
"នាក់",
"ត្រូវ_បាន",
"ឃុំ_ខ្លួន",
"មួយ",
"យប់",
"រួច",
"ត្រូវ_បាន",
"ចោទ_ប្រកាន់",
"និង",
"ផ្តន្ទា_ទោស",
"នៅ",
"ថ្ងៃ",
"បន្ទាប់",
"។"
] | [
7,
11,
17,
11,
13,
5,
3,
10,
3,
11,
8,
5,
11,
5,
3,
10,
20,
20,
3,
11,
16,
20,
20,
2,
20,
7,
11,
8,
9
] |
21 | [
"បួន",
"ឆ្នាំ",
"ក្រោយ_មក",
"ព្រះ~នារាយណ៍",
"រាជា",
"ជា",
"ព្រះ~រាជ",
"បុត្រ",
"ច្បង",
"នៃ",
"ព្រះ~បរម",
"រាជា",
"(",
"ពញា",
"យ៉ាត",
")",
"បាន",
"ត្រូវ",
"តាំង",
"ជា",
"ព្រះ~ឧបរាជ",
"ហើយ",
"ទ្រង់",
"ទៅ",
"សាង",
"ប្រាសាទ",
"គង់",
"នៅ_ឯ",
"ជ្រោយ",
"រលួស",
"។"
] | [
3,
11,
16,
11,
13,
20,
8,
11,
8,
7,
8,
13,
18,
13,
13,
18,
1,
20,
20,
7,
11,
16,
14,
20,
20,
11,
20,
7,
11,
13,
9
] |
22 | [
"លោក~ស្រី",
"សង",
"លាក់"
] | [
14,
13,
13
] |
23 | [
"អ្នក~នាង",
"រស់រ៉ាឌី"
] | [
14,
13
] |
24 | [
"មុន_នឹង",
"សេចក្តី~ព្រាង",
"ច្បាប់",
"នេះ",
"ត្រូវ_បាន",
"អនុម័ត",
"សេចក្តី~ព្រាង",
"ច្បាប់",
"ទាំង_នោះ",
"ត្រូវតែ",
"បង្កើត_ឡើង",
"ដោយ",
"មាន",
"ការ~ប្រឹក្សា_យោបល់",
"ឲ្យ_បាន",
"ទូលំទូលាយ",
"និង",
"មាន",
"តម្លា^ភាព",
"ដែល",
"មាន",
"ការ~ពិចារណា",
"លើ",
"ចំនុច",
"សំខាន់",
"ៗ",
"ពី",
"គ្រប់",
"ក្រុម",
"ដែល",
"ពាក់ព័ន្ធ",
"និង",
"ត្រូវ_បាន",
"ប៉ះ_ពាល់",
"។"
] | [
7,
11,
11,
5,
20,
20,
11,
11,
5,
20,
20,
7,
20,
11,
7,
11,
2,
20,
11,
17,
20,
11,
7,
11,
8,
4,
7,
8,
11,
17,
20,
2,
20,
20,
9
] |
25 | [
"លោក",
"មាឌ",
"ហួត"
] | [
14,
13,
13
] |
26 | [
"លោក~ស្រី",
"ហ្វូគូ",
"សាវ៉ា",
"និង",
"លោក",
"សុខ",
"លីដា",
"បាន",
"ធ្វើ",
"ការ~ប្រមូល",
"ភស្តុតាង",
"បន្ថែម",
"ដើម្បី",
"ដាក់",
"ជូន",
"គណៈ_កម្មាធិការ",
"សិទ្ធិ",
"មនុស្ស",
"ថៃ",
"ដែល",
"ជា",
"ស្ថាប័ន",
"មួយ",
"កំពុង",
"ធ្វើ",
"ការ~ស៊ើប_អង្កេត",
"ពី",
"សកម្មភាព",
"របស់",
"ក្រុមហ៊ុន",
"មិត្រ",
"ប៉ូល",
"នៅ",
"កម្ពុជា",
"។"
] | [
14,
13,
13,
2,
14,
13,
13,
1,
20,
11,
11,
8,
7,
20,
20,
11,
11,
11,
13,
17,
20,
11,
3,
1,
20,
11,
7,
11,
7,
11,
13,
13,
7,
13,
9
] |
27 | [
"មណ្ឌល_គិរី",
"៖",
"ទីតាំង",
"ធ្វើ",
"អាជីវកម្ម",
"រ៉ែ",
"មាស",
"ដែល",
"មាន",
"ជាប់_ពាក់_ព័ន្ធ",
"ទៅ_នឹង",
"មេ_បញ្ជាការ",
"រង",
"កង_រាជ_អាវុធ_ហត្ថ",
"ខេត្ត",
"មណ្ឌល_គិរី",
"និង",
"ជន_ជាតិ",
"ចិន",
"បី",
"នាក់",
"រួម",
"នឹង",
"មន្ត្រី",
"អាជ្ញាធរ",
"មូលដ្ឋាន",
"ម្នាក់",
"ផង",
"នោះ",
"ត្រូវ_បាន",
"បង្ក្រាប",
"បន្ទាប់_ពី",
"ដំណើរការ",
"ដោយ",
"ខុស",
"ច្បាប់",
"អស់",
"រយៈ_ពេល",
"ជាង",
"២០",
"ឆ្នាំ",
"មក_ហើយ",
"។"
] | [
13,
18,
11,
21,
11,
11,
11,
17,
20,
20,
7,
11,
8,
11,
11,
13,
2,
11,
13,
3,
10,
8,
7,
11,
11,
11,
5,
16,
5,
20,
20,
7,
11,
7,
8,
11,
7,
11,
7,
3,
11,
16,
9
] |
28 | [
"សូម",
"បញ្ជាក់",
"ថា",
"ជន_ភៀស_ខ្លួន",
"ទាំង",
"៤",
"នាក់",
"ដែល",
"បាន",
"ស្ម័គ្រ_ចិត្ត",
"មក",
"ប្រទេស",
"កម្ពុជា",
"នោះ",
"មាន",
"៣",
"នាក់",
"ជា",
"ជន_ជាតិ",
"អ៊ីរ៉ង់",
"(",
"ប្រុស",
"ពីរ",
"ស្រី",
"មួយ",
")",
"និង",
"ម្នាក់",
"ទៀត",
"ជា",
"ជន_ជាតិ",
"ភាគ",
"តិច",
"រូហ៊ីងយ៉ា",
"ដែល",
"រស់",
"នៅ_ក្នុង",
"ប្រទេស",
"ភូមា",
"។"
] | [
20,
20,
7,
11,
5,
3,
10,
17,
1,
20,
20,
11,
13,
5,
20,
3,
10,
20,
11,
13,
18,
11,
3,
11,
3,
18,
2,
5,
16,
20,
11,
11,
8,
13,
17,
20,
7,
11,
13,
9
] |
29 | [
"លោក~ជំទាវ",
"ឈយ",
"ក្រឹម"
] | [
14,
13,
13
] |
30 | [
"ខ្ញុំ",
"ឈ្មោះ",
"ចក",
"សុផាត់"
] | [
14,
11,
13,
13
] |
31 | [
"ខ្ញុំ",
"ឈ្មោះ",
"ឡាង",
"សាំង",
"ឡេង"
] | [
14,
11,
13,
13,
13
] |
32 | [
"កញ្ញា",
"គីម",
"លីហ្សា"
] | [
14,
13,
13
] |
33 | [
"លោក~ជំទាវ",
"ឯក"
] | [
14,
13
] |
34 | [
"នេះ",
"គឺ_ជា",
"ធឿត",
"ធី"
] | [
5,
20,
13,
13
] |
35 | [
"ឯក_ឧត្ដម",
"គឹម",
"អន"
] | [
14,
13,
13
] |
36 | [
"កញ្ញា",
"ជឿន",
"សារឿយ"
] | [
14,
13,
13
] |
37 | [
"នេះ",
"គឺ_ជា",
"រដ្ឋា"
] | [
5,
20,
13
] |
38 | [
"លោក",
"ច័ន្ទ",
"ពន្លឺ"
] | [
14,
13,
13
] |
39 | [
"លោក",
"ប្រធាន",
"សហ_ព័ន្ធ",
"កីឡា",
"បាល់_ទាត់",
"អូស្ត្រាលី",
"បាន",
"ទទួល_ស្គាល់",
"កាល_ពី",
"ថ្ងៃ_អង្គារ",
"ថា",
"ប្រទេស",
"នេះ",
"«",
"មិន",
"ដែល",
"ទទួល_បាន",
"ឱកាស",
"មួយ",
"»",
"ក្នុង",
"ការ~ដេញ_ថ្លៃ",
"សម្រាប់",
"ព្រឹត្តិ_ការណ៍",
"ឆ្នាំ",
"២០២២",
"ឡើយ",
"និង",
"បាន",
"បដិសេធ",
"ថា",
"ខ្លួន",
"បាន",
"ចំណាយ",
"ប្រាក់",
"សូកប៉ាន់",
"។"
] | [
14,
11,
11,
11,
11,
13,
1,
20,
7,
13,
7,
11,
5,
18,
16,
17,
20,
11,
3,
18,
7,
11,
7,
11,
11,
3,
12,
2,
1,
20,
7,
11,
1,
20,
11,
20,
9
] |
40 | [
"កញ្ញា",
"ឃុន",
"វត្តី",
"ស្រី",
"រាជ្យនី"
] | [
14,
13,
13,
13,
13
] |
41 | [
"លោក~ស្រី",
"សុវណ្ណារ៉ូ"
] | [
14,
13
] |
42 | [
"អ្នក~នាង",
"ទ្រី"
] | [
14,
13
] |
43 | [
"គាត់",
"ឈ្មោះ",
"ភុំ",
"វិសុទ្ធ"
] | [
14,
11,
13,
13
] |
44 | [
"លោក~ស្រី",
"រស់"
] | [
14,
13
] |
45 | [
"គាត់",
"ឈ្មោះ",
"ណារ៉ាន់"
] | [
14,
11,
13
] |
46 | [
"នេះ",
"គឺ_ជា",
"ផុន",
"ទូច"
] | [
5,
20,
13,
13
] |
47 | [
"លោក",
"សិទ្ធិ",
"ចាន់",
"ឌឿន"
] | [
14,
13,
13,
13
] |
48 | [
"របាយការណ៍",
"ស្រមោល",
"ចំនួន",
"២៥",
"ទំព័រ",
"ដែល",
"ត្រូវ_បាន",
"ចងក្រង",
"ដោយ",
"អង្គការ",
",",
",",
"និង",
"បាន",
"បង្ហាញ",
"នូវ",
"ការ~ខក_ខាន",
"របស់",
"រាជ",
"រដ្ឋាភិបាល",
"ក្នុង",
"ការ~គោរព",
"ការពារ",
"និង",
"ផ្តល់",
"នូវ",
"សិទិ្ធ",
"ពល_រដ្ឋ",
"និង",
"សិទិ្ធ",
"នយោបាយ",
"ជា",
"មូលដ្ឋាន",
"ដូច",
"ដែល",
"មាន",
"ចែង",
"ក្នុង",
"អនុសញ្ញា",
"។"
] | [
11,
11,
11,
3,
11,
17,
20,
20,
7,
11,
18,
18,
2,
1,
20,
7,
11,
7,
8,
11,
7,
11,
20,
2,
20,
7,
11,
11,
2,
11,
11,
7,
11,
8,
17,
20,
20,
7,
11,
9
] |
49 | [
"លោក~ជំទាវ",
"ភ្លន់",
"ស្រី",
"នុច"
] | [
14,
13,
13,
13
] |
50 | [
"លោក~ជំទាវ",
"អ៊ីម"
] | [
14,
13
] |
51 | [
"លោក~ជំទាវ",
"ឃន"
] | [
14,
13
] |
52 | [
"កញ្ញា",
"ចយ",
"ចន្នី"
] | [
14,
13,
13
] |
53 | [
"អ្នក~នាង",
"នីតា"
] | [
14,
13
] |
54 | [
"លោក",
"នាយក",
"រដ្ឋ_មន្ត្រី",
"ហ៊ុន",
"សែន",
"កាល_ពី",
"ថ្ងៃ_ពុធ",
"បាន",
"ហៅ",
"សំណើ",
"តំណាង_រាស្ត្រ",
"គណបក្ស",
"ប្រឆាំង",
"ឲ្យ",
"អភិវឌ្ឍ",
"តំបន់",
"អារ៉ែង",
"ជា",
"តំបន់",
"អេកូ",
"ទេសចរណ៍",
"ថា",
"ជា",
"រឿង",
"ដដែល",
"ៗ",
"។"
] | [
14,
11,
11,
13,
13,
7,
13,
1,
20,
11,
11,
11,
8,
7,
20,
11,
13,
7,
11,
11,
11,
7,
7,
11,
8,
4,
9
] |
55 | [
"លោក",
"សៀ"
] | [
14,
13
] |
56 | [
"លោក",
"ផាន់",
"ម៉ាលីន"
] | [
14,
13,
13
] |
57 | [
"គេ",
"ត្រូវតែ",
"ឲ្យ",
"និស្សិត",
"ម្នាក់",
"ៗ",
"បាន",
"មក",
"ទទួល",
"សញ្ញាបត្រ",
"នៅ_លើ",
"វេទិកា",
"និង",
"ថត",
"រូប",
"នៃ",
"ការ~ទទួល",
"សញ្ញាបត្រ",
"របស់",
"ពួក_គេ",
"ទាំងអស់",
"គ្នា",
"ទោះបី_ជា",
"ចំនួន",
"និស្សិត",
"ដែល",
"ត្រូវ",
"មក",
"ទទួល",
"មាន",
"ចំនួន",
"ច្រើន",
"ក៏_ដោយ",
"ព្រោះ",
"វា",
"ជា",
"ពិធី",
"ដ៏",
"សំខាន់",
"មួយ",
"នៅ_ក្នុង",
"ជីវិត",
"ជា",
"និស្សិត",
"។"
] | [
14,
20,
20,
11,
5,
4,
1,
20,
20,
11,
7,
11,
2,
20,
11,
7,
11,
11,
7,
14,
5,
14,
2,
11,
11,
17,
20,
20,
20,
20,
11,
8,
16,
2,
14,
20,
11,
16,
8,
3,
7,
11,
7,
11,
9
] |
58 | [
"នេះ",
"គឺ_ជា",
"ឡេង",
"សុខ",
"ខៃ"
] | [
5,
20,
13,
13,
13
] |
59 | [
"ខ្ញុំ",
"ឈ្មោះ",
"កឺ"
] | [
14,
11,
13
] |
60 | [
"អ្នក~នាង",
"ទី",
"សុជា"
] | [
14,
13,
13
] |
61 | [
"ឥឡូវ",
"គេ",
"ឈប់",
"ឲ្យ",
"ហើយ",
"។"
] | [
16,
14,
20,
20,
16,
9
] |
62 | [
"លោក~ជំទាវ",
"ផាន់",
"ស្រី",
"តូច"
] | [
14,
13,
13,
13
] |
63 | [
"នេះ",
"គឺ_ជា",
"អ៊ន់",
"ស៊ាង",
"ហ័រ"
] | [
5,
20,
13,
13,
13
] |
64 | [
"ឯ",
"ចៅ",
"មួយ",
"ក៏",
"ក្រាប_ទូល",
"ថា",
"“",
"ខ្ញុំ",
"ព្រះ~បាទ",
"អ_ម្ចាស់",
"បបួល",
"ចៅ",
"នេះ",
"មែន",
"”"
] | [
7,
11,
3,
16,
20,
7,
18,
14,
14,
14,
20,
11,
5,
16,
18
] |
65 | [
"លោក",
"រដ្ឋា"
] | [
14,
13
] |
66 | [
"កញ្ញា",
"វណ្ណនី"
] | [
14,
13
] |
67 | [
"នៅ",
"ពេល",
"ក្រុម",
"ធំ",
"កម្ពុជា",
"បាន",
"បង្ហាញ",
"ពី",
"ការ~គោរព",
"ក្រោយ",
"ចាញ់",
"ក្រុម",
"អាហ្វហ្គានីស្ថាន",
"១",
".",
"០",
"នោះ",
"អ្នក~ទស្សនា",
"ជាង",
"៥",
"ម៉ឺន",
"នាក់",
"បាន",
"នាំ_គ្នា",
"ទះ_ដៃ",
"អបអរ",
"ពេញ",
"ពហុ_កីឡា_ដ្ឋាន",
"ជាតិ",
"និង",
"ថែម_ទាំង",
"បាន",
"ស្រែក",
"បន្ទរ",
"គ្នា",
"ថា",
"«",
"ក្រុម",
"ជម្រើស_ជាតិ",
"បាល់_ទាត់",
"កម្ពុជា",
"ស្ថិត",
"នៅ_ក្នុង",
"ចិត្ត",
"របស់",
"យើង",
"ជា_រៀង_រហូត",
"»",
"រួច",
"បាន",
"នាំ_គ្នា",
"ស្រែក",
"ច្រៀង",
"បទ",
"«",
"ពង្សាវតារ",
"»",
"ទាំង",
"ទឹក_មុខ",
"ញញឹម",
"មុន",
"វិល",
"ទៅ_កាន់",
"គេហ_ដ្ឋាន",
"វិញ",
"។"
] | [
7,
11,
11,
8,
13,
1,
20,
7,
11,
7,
20,
11,
13,
3,
18,
3,
5,
11,
7,
3,
3,
10,
1,
16,
20,
20,
8,
11,
11,
2,
16,
1,
20,
16,
14,
7,
18,
11,
11,
11,
13,
20,
7,
11,
7,
14,
16,
18,
16,
1,
16,
20,
20,
11,
18,
11,
18,
5,
11,
21,
7,
20,
7,
11,
16,
9
] |
68 | [
"នេះ",
"គឺ_ជា",
"តេន",
"ចន្ទ",
"ហៀ"
] | [
5,
20,
13,
13,
13
] |
69 | [
"អ្នក~នាង",
"ស៊ុំ",
"សង់"
] | [
14,
13,
13
] |
70 | [
"លោក",
"ភឿង",
"ទេវតា"
] | [
14,
13,
13
] |
71 | [
"លោក~ស្រី",
"ឆឿង",
"វាសនា"
] | [
14,
13,
13
] |
72 | [
"លោក~ស្រី",
"ហេង",
"ឡុង"
] | [
14,
13,
13
] |
73 | [
"គាត់",
"ឈ្មោះ",
"អុល",
"សុខ",
"ឡុន"
] | [
14,
11,
13,
13,
13
] |
74 | [
"លោក",
"ឃុន",
"វត្តី",
"ស្រី",
"រាជ្យនី"
] | [
14,
13,
13,
13,
13
] |
75 | [
"ឯក_ឧត្ដម",
"យឿម",
"ស្រី",
"លិច"
] | [
14,
13,
13,
13
] |
76 | [
"ខ្ញុំ",
"ឈ្មោះ",
"សុកណាត"
] | [
14,
11,
13
] |
77 | [
"លោក",
"ហេង",
"ឡុង"
] | [
14,
13,
13
] |
78 | [
"គម្រោង",
"ត្រូវ",
"គ្រប់គ្រង",
"នៅ_ក្នុង",
"រង្វង់",
"នៃ",
"បញ្ហា",
"ដែល",
"ប្រឈម",
"នឹង",
"ពេល_វេលា",
"តម្លៃ",
"ឬ",
"ធនធាន",
"មនុស្ស",
"ដែល",
"មាន"
] | [
11,
20,
20,
7,
11,
7,
11,
17,
20,
7,
11,
11,
7,
11,
11,
17,
20
] |
79 | [
"គេ",
"នៅ",
"ចាំ",
"បាន",
"ថា",
"កាល_ពី",
"ថ្ងៃ_ទី",
"២",
"ខែ_ឧសភា",
"ឡុង",
"សុវណ្ណ",
"ឌឿន",
"ធ្លាប់",
"ចាញ់",
"ពិន្ទុ",
"កីឡា_ករ",
"ថៃ",
"ម្តង",
"មក_ហើយ",
"ប៉ុន្តែ",
"កាល",
"ណោះ",
"លោក",
"ឡុង",
"សាល_វ័ន្ត",
"ប្រាប់",
"ថា",
"ចាញ់",
"ដោយសារ_តែ",
"ឡុង",
"សុវណ្ណ",
"ឌឿន",
"មិន",
"បាន",
"ត្រៀម",
"ខ្លួន",
"ទុក",
"មុន",
"ប៉ុន្តែ",
"លើក",
"នេះ",
"ថ្វី_ដ្បិត_តែ",
"គេ",
"មាន",
"កម្លាំង",
"ពេញ",
"ក៏",
"ពិត",
"មែន",
"តែ",
"មិន",
"អាច",
"សងសឹក",
"បាន",
"សម្រេច",
"ដដែល",
"គឺ",
"បាន",
"ត្រឹម_តែ",
"ស្មើ",
"ពិន្ទុ",
"ប៉ុណ្ណោះ",
"។"
] | [
14,
7,
20,
22,
7,
7,
11,
3,
13,
13,
13,
13,
16,
20,
11,
11,
13,
16,
16,
2,
7,
5,
14,
13,
13,
20,
7,
20,
2,
13,
13,
13,
16,
1,
20,
11,
16,
16,
2,
11,
5,
2,
14,
20,
11,
8,
16,
8,
16,
16,
16,
20,
20,
22,
16,
16,
20,
20,
16,
8,
11,
8,
9
] |
80 | [
"ឯក_ឧត្ដម",
"សុខា"
] | [
14,
13
] |
81 | [
"លោក~ស្រី",
"កត់_សម្គាល់",
"ថា",
"អត្រា",
"នៃ",
"ភាព~ក្រីក្រ",
"នៅ",
"កម្ពុជា",
"ត្រូវ_បាន",
"កាត់_បន្ថយ",
"ដល់",
"កម្រិត",
"១៩,៥",
"ភាគ_រយ",
"តែ",
"ទោះ",
"យ៉ាង_ណា",
"«",
"ប្រជា_ពល_រដ្ឋ",
"៥០",
"ភាគ_រយ",
"នៅ_តែ",
"ទទួល_រង",
"នូវ",
"ភាព~ក្រីក្រ",
"នៅ_ឡើយ",
"និង",
"ទទួល_រង",
"នូវ",
"ការ~គំរាម_កំហែង",
"ផ្សេង",
"ៗ",
"រួម_ទាំង",
"ការ",
"មិន",
"ទទួល_បាន",
"នូវ",
"ការ~ថែទាំ",
"សេវា",
"សុខភាព",
"ឲ្យ",
"ប្រសើរ",
"ការ~ខ្វះ",
"ចំណី_អាហារ",
"និង",
"ជីវ_ជាតិ",
"ក៏",
"ដូច_ជា",
"ការ~ខ្វះ",
"នូវ",
"ប្រាក់",
"ចំណូល",
"»",
"។"
] | [
14,
20,
7,
11,
7,
11,
7,
13,
20,
20,
7,
11,
3,
11,
16,
2,
14,
18,
11,
3,
11,
16,
20,
7,
11,
16,
2,
20,
7,
11,
8,
4,
8,
11,
16,
20,
7,
11,
11,
11,
7,
8,
11,
11,
2,
11,
16,
7,
11,
7,
11,
11,
18,
9
] |
82 | [
"ខ្ញុំ",
"ឈ្មោះ",
"នី",
"សូឡី"
] | [
14,
11,
13,
13
] |
83 | [
"លោក~ស្រី",
"មិកា"
] | [
14,
13
] |
84 | [
"គាត់",
"ឈ្មោះ",
"ស៊ាន",
"ម៉េង",
"គ័ង"
] | [
14,
11,
13,
13,
13
] |
85 | [
"ខ្ញុំ",
"ឈ្មោះ",
"ង៉ិក",
"រៀម"
] | [
14,
11,
13,
13
] |
86 | [
"គាត់",
"ឈ្មោះ",
"នាង",
"ឆយី"
] | [
14,
11,
13,
13
] |
87 | [
"ការ~ចាប់_ខ្លួន",
"បាន",
"កើត_ឡើង",
"នៅ_ពេល",
"មាន",
"ការ~តវ៉ា",
"នៅ_មុខ",
"សាលា",
"រាជ_ធានី",
"ភ្នំ_ពេញ",
"ជា",
"កន្លែង",
"ដែល",
"សមាជិក",
"សហគមន៍",
"បឹង_កក់",
"បាន",
"អំពាវនាវ",
"ឲ្យ",
"មាន",
"ដំណោះស្រាយ",
"ពី",
"អាជ្ញាធរ",
"ដើម្បី",
"រំដោះ",
"ទឹក",
"ចេញ",
"ពី",
"ផ្ទះ",
"ក្នុង",
"សហគមន៍",
"របស់",
"អ្នក",
"ទាំង_នោះ",
"។"
] | [
11,
1,
20,
7,
20,
11,
7,
11,
11,
13,
21,
11,
17,
11,
11,
13,
1,
20,
7,
20,
11,
7,
11,
7,
20,
11,
20,
7,
11,
7,
11,
7,
14,
5,
9
] |
88 | [
"លោក~ជំទាវ",
"យាត",
"ចាន់នី"
] | [
14,
13,
13
] |
89 | [
"របាយការណ៍",
"ជា",
"ទៀងទាត់",
"លើក",
"ទី",
"ពីរ",
"របស់",
"ប្រទេស",
"កម្ពុជា",
"ដែល",
"បាន",
"ដាក់",
"ជូន",
"គណកម្មាធិការ",
"សិទិ្ធ",
"មនុស្ស",
"នឹង",
"ត្រូវ_បាន",
"ពិនិត្យ",
"នៅ_ក្នុង",
"សន្និបាត",
"លើក",
"ទី",
"១១៣",
"របស់",
"គណកម្មាធិការ",
"នៅ",
"ថ្ងៃ_ទី",
"១៧",
"និង",
"១៨",
"ខែ_មិនា",
"ឆ្នាំ",
"២០១៥",
"នៅ",
"ទីក្រុង",
"សឺណែវ",
"។"
] | [
11,
21,
8,
11,
11,
3,
7,
11,
13,
17,
1,
20,
7,
11,
11,
11,
1,
20,
20,
7,
11,
11,
11,
3,
7,
11,
7,
11,
3,
2,
3,
13,
11,
3,
7,
11,
13,
9
] |
90 | [
"លោក",
"អោក",
"សំផោន"
] | [
14,
13,
13
] |
91 | [
"អង្គការ",
"លីកាដូ",
"នឹង",
"ធ្វើ",
"ការ~ចែក",
"នូវ",
"កញ្ចប់",
"ដែល",
"មាន",
"ផ្លែ_ឈើ",
"ភេសជ្ជៈ",
"ដែល",
"មាន",
"សារ_ជាតិ",
"ចិញ្ចឹម",
"សម្ភារៈ",
"សំអាត",
"ខ្លួន",
"និង",
"តុក្តតា",
"សម្រាប់",
"កុមារ",
"តូច",
"ៗ",
"។"
] | [
11,
13,
1,
20,
11,
7,
11,
17,
20,
11,
11,
17,
20,
11,
21,
11,
21,
11,
2,
11,
7,
11,
8,
4,
9
] |
92 | [
"ឯក_ឧត្ដម",
"កាំង",
"ប៉",
"ប៉"
] | [
14,
13,
13,
13
] |
93 | [
"ខ្ញុំ",
"ឈ្មោះ",
"សឹក",
"សាវី"
] | [
14,
11,
13,
13
] |
94 | [
"ការ~ចាប់_ខ្លួន",
"ជា_ច្រើន",
"នា",
"ពេល",
"ថ្មី",
"ៗ",
"នេះ",
"បាន",
"កើត_ឡើង",
"ចាប់_ពី",
"ថ្ងៃ_ទី",
"២៩",
"ខែ_កញ្ញា",
"ឆ្នាំ",
"២០១៤",
"ដោយ",
"ដាក់",
"គោល_ដៅ",
"លើ",
"សមាជិក",
"គណបក្ស",
"ជំទាស់",
"សកម្ម_ជន",
"ជា",
"ព្រះ~សង្ឃ",
"និង",
"សកម្ម_ជន",
"ដីធ្លី",
"ដ៏",
"យូរ",
"ឆ្នាំ",
"មួយ_ចំនួន",
"។"
] | [
11,
8,
7,
11,
8,
4,
5,
1,
20,
7,
11,
3,
13,
11,
3,
7,
20,
11,
7,
11,
11,
21,
11,
21,
11,
2,
11,
11,
16,
8,
11,
5,
9
] |
95 | [
"ខ្ញុំ",
"ឈ្មោះ",
"សង",
"លាក់"
] | [
14,
11,
13,
13
] |
96 | [
"ខ្ញុំ",
"ឈ្មោះ",
"សាន្ត",
"ភារម្យ"
] | [
14,
11,
13,
13
] |
97 | [
"អ្នក~នាង",
"ឡាង",
"សាំង",
"ឡេង"
] | [
14,
13,
13,
13
] |
98 | [
"នេះ",
"គឺ_ជា",
"គីម"
] | [
5,
20,
13
] |
99 | [
"សមាជិក",
"ដែល",
"ជួយ",
"ឲ្យ",
"កម្ពុជា",
"អាច",
"ផ្ដួល",
"ក្រុម",
"ឡាវ",
"នៅ",
"វគ្គ",
"ចុង_ក្រោយ",
"នោះ",
"បាន",
"រួម_មាន",
"កីឡា_ករ",
"ជិន",
"សុវណ្ណា",
"រិទ្ធិ",
"កីឡា_ករ",
"ជាតិ",
"ខេមរិន្ទ",
"កីឡា_ករ",
"រៀម",
"សុភារម្យ",
"កីឡា_ករ",
"ហេង",
"រ៉ាវុធ",
"កីឡា_ករ",
"ទ្រឿង",
"លី",
"កីឡា_ករ",
"អ៊ុង",
"ណារិទ្ធី",
"កីឡា_ករ",
"ណាង",
"សុភាព",
"និង",
"កីឡា_ករ",
"សុភ័ក្ត្រ",
"ចន្នី",
"។"
] | [
11,
17,
20,
7,
13,
20,
20,
11,
13,
7,
11,
8,
5,
22,
20,
11,
13,
13,
13,
11,
13,
13,
11,
13,
13,
11,
13,
13,
11,
13,
13,
11,
13,
13,
11,
13,
13,
2,
11,
13,
13,
9
] |
End of preview. Expand
in Dataset Viewer.
I am not the author of this dataset. View on GitHub.
khPOS (draft released 1.0)
khPOS (Khmer Part-of-Speech) Corpus for Khmer NLP Research and Developments
Lincense
Creative Commons Attribution-NonCommercial-Share Alike 4.0 International (CC BY-NC-SA 4.0) License
Details Info of License
Introduction
The khPOS Corpus (Khmer POS Corpus) is a 12,000 sentences (25,626 words) manually word segmented and POS tagged corpus developed for Khmer language NLP research and developments. We collected Khmer sentences from websites that include various area such as economics, news, politics. Moreover it is also contained some student list and voter list of national election committee of Cambodia. The average number of words per sentence in the whole corpus is 10.75. Here, some symbols such as "។" (Khmer sign Khan), "៖" (Khmer sign Camnuc pii kuuh), "-", "?", "[", "]" etc. also counted as words. The shotest sentence contained only 1 word and longest sentence contained 169 words as follows (here, line number : Khmer sentence):
1814 : " ម៉ែ ឥត មាន ស្អប់_ខ្ពើម ឪពុក កូន ឯង ទេ ម៉ែ តែង នឹក មក កូន នឹង ឪពុក ឯង ពុំ មាន ភ្លេច ព្រម_ទាំង អ្នក~ភូមិ ផង របង ជាមួយ ឯង ទៀត ដែល ម្ដាយ ធ្លាប់ នៅ ជាមួយ គេ ប៉ុន្តែ ម៉ែ ជាតិ ជា ទេព_ធីតា ពុំ អាច នៅ ជាមួយ មនុស្ស_លោក បាន យូរ ទេ រាល់ ថ្ងៃ ម៉ែ តែង ទៅ បំពេញ កិច្ច នៅ ចំពោះ មុខ ព្រះ~ភក្ត្រ ព្រះ~ឥន្ទ្រាធិរាជ គឺ សុំ អង្វរ ឲ្យ ព្រះ~អង្គ ប្រទាន ពរ ដល់ កូន ឯង និង ឪពុក កូន ឯង កុំ បី ខាន មិន តែ ប៉ុណ្ណោះ ម្ដាយ បាន ទាំង ទូល សុំ ព្រះ~ឥន្ទ្រ ឲ្យ ព្រះ~អង្គ មេត្តា ផ្សាយ នូវ សុភ_មង្គល ដល់ មនុស្ស នៅ ឋាន នេះ ទូទៅ ផង កូន_ប្រុស ពន្លក ម្ដាយ ! ម្ដាយ ពុំ អាច នៅ ជាមួយ_នឹង កូន បាន ទៀត តែ ម្ដាយ យក កូន ឯង ទៅ លេង ប្រាសាទ ម្ដាយ ឯ ឋាន លើ មួយ ដង ម្ដាយ នឹង នាំ កូន ឯង ទៅ មុជ_ទឹក ក្នុង អាង ក្រអូប នៅ_ក្នុង សួន ព្រះ~ឥន្ទ្រ ហើយ ទឹក នោះ នឹង ជម្រះ កាយ កូន ឯង ឲ្យ បាត់ ធំ ក្លិន មនុស្ស_លោក បន្ទាប់_ពី នោះ មក ម្ដាយ នឹង នាំ កូន ឯង ចូល ទៅ_ក្នុង ប្រាសាទ រួច នាំ កូន ឯង ទៅ ថ្វាយ_បង្រះ~ឥន្ទ្រ " ។
Word Segmentation
In Khmer texts, words composed of single or multiple syllables are usually not separated by white space. Spaces are used for easier reading and generally put between phrases, but there are no clear rules for using spaces in Khmer language. Therefore, word segmentation is a necessary prerequisite for POS tagging. Four classes of segment (word) types were observed during the manual segmentation of the corpus of Khmer text, each representing a different type of word, these were:
- Word Type 1: Single Words
- Word Type 2: Compound Words
- Word Type 3: Compound Words with Prefix
- Word Type 4: Compound Words with Suffix
For the detail information of the word segmentation rules and how we built a Khmer word segmentation model, please refer to our published paper (see Publiation Section).
POS Tags
Part of speech is a category to which a word is assigned in accordance with its syntactic functions. In Khmer grammatical system, many linguists has defined their own POS according to their trend of research. Even though, many books are published, there are no standard agreement yet especially on number and name of POS tags. Comparing to English language, some English POS are not used in Khmer language, such as gerund, comparative and superlative adjectives, particle, etc. Based on CHOUN NATH dictionary, Khmer POS Tag set is defined. Some new POS tags that are not defined in the dictionary are added for considering word disambiguation task. Unlike English grammar, some Khmer sentences consist of more than one verb.
The definitions and descriptions of POS tags are presented in detail as follow:
Abbreviation (AB): For example, គម or គ.ម for kilometer (km), អសប for United Nation (UN), ពស or ព.ស for ពុទ សក ជ (Buddhism era), នប or ន.ប for នគរ ល (police), អហ or អ.ហ for វុធហត (Police Military) etc.
Adjective is a word used to modify or describe the noun. Adjective is usually at the right hand side of noun. There are very few adjectives that their positions are before noun. ក្រហម (red), កន្លះ (half), ប្លែក (strange), តូច (small), ល្អ (good), ស្អាត (beautiful) etc.
Adverb (RB): An adverb is a word that is used to modify verb, adjective or another adverb. For example, ណាស់ (very), ពុំ (not), ទើប (just), ពេកក្រៃ (very), ហើយ (already) etc.
Auxiliary Verb (AUX): Only three groups of verbs are tagged as auxiliary verb that used to make tense.
- Past form: បាន or មាន + Verb
- Progressive form: កំពុង + Verb
- Future form: នឹង + Verb
Cardinal Number (CD): A cardinal number is a word or a number that denoting the quality. For example, បី (three), ១០០ (100), ចតុ (four), ពាន់ (thousand), លាន (million) etc.
Conjunction (CC): Conjunction is a word to connect between words, phrases, and sentences. ក៏ប៉ុន្តែ (but), ពីព្រោះ (because), ដ្បិត (for, since), ទម្រាំតែ (until), ពុំនោះសោត (otherwise), បើ (if) etc.
Currency (CUR): CUR for currency symbol such as: ៛, $, ₤, € etc.
Determiner Pronoun (DT): In Khmer grammar, determiners are classified under pronoun unlike English. It is used to tell location or/and uncertainty of noun. They are equivalent to English words: this, that, those, these, all, every, each, some etc. For example, នេះ (this), នោះ (that), ទាំងនេះ (these), ទាំងអស់ (all), នានា (various), ខ្លះ (some), សព្វ (every) etc.
Double Sign (DBL): Double sign (ៗ) is used to remind reader to read the previous word twice. For example, មនុស្ស/NN (people) គ្រប់/DT (every) ៗ/DBL គ្នា/PRO (person), "everybody" in English.
Et Cetera (ETC): ។ល។ is equal to et cetera (etc.) in English.
Full Stop (KAN): There are two full stops in Khmer language, ។ for sentence and ៕ for paragraph.
Interjection (UH): Word represents sound of animal, machine, and surprised sound. Interjections are always at the beginning of a sentence, and mostly followed by exclamation mark. For example, អូ (Oh!), ម៉េវ (Meow), អ៊ុះ (uh) etc.
Measure Word (M): Measure Words are classified to describe different quality corresponding class of noun. Some of these words can not be found in English. For example: ព្រះសង្គ/NN (monk) ២/CD (2) អង្គ/M (person), សំលៀកបំពាក់/NN (cloth) ១/CD (1), សម្រាប់/M (set), ឆ្កែ/NN (dog) ១/CD (1) ក្បាល/M (head) etc.
Noun (NN): A noun is a word or compound word that identifies a person, an animal, an object, an idea, a thing, etc. For example: ឡាន (Car), ការអភិវឌ្ឍន៍ (Development), សកម្មភាព (Action), ខ្មៅដៃ (Pencil), ទឹកកក (Ice) etc.
Particle (PA): We consider three types of particle and they are hesitation, response and final. For the two medial particle words ក៏ ("so, then, but" in English) and នូវ ("of, with" in English) [1], we consider them as RB and IN.
- Hesitation Particle: ខ្ញុំ (I) គិត (think) …អ៊ើ/PA (Er. . .) មិន (not) ឃើញ (see), ("I er… don’t think so" in English)
- Response Particle: អើ/PA (Hm, Ah) ខ្ញុំ (I) ដឹង (know) ហើយ (already), ("Hmm I already know" in English)
- Final Particle: There are some final particles such as ណា៎, សិន and ចុះ. Example usage of ណា៎: កុំ/RB (don't) ភ្លេច/VB (forget) ណា៎/PA, ("Hmm don't forget!" in English), Example usage of សិន: ចាំ/VB (wait) បន្តិច/RB (a while) សិន/PA, Example usage of ចុះ: ទៅ/VB (go) ចុះ/PA
Preposition (IN): Preposition is a word or a compound word that is used to connect two different words or phrases. It indicate the place, time, possession, relation etc. For example, ចំពោះ (to), ដល់ (to), ដើម្បី (in order to), ក្នុង (in), លើ (on), រវាង (between, around) etc.
Pronoun (PRO): A pronoun is a word that substitutes of a noun or a noun phrase. Those words are equivalent to Englis word: I, he, she, it, we, they, them, him, her etc. For example, ខ្ញុំ (I), គាត់ (he or she), យើង (we), ពួកយើង (our group or we), ខ្ញុំបាទ (polite form of I, me), ទូលបង្គំ (I, me for conversation with royal family) etc.
Proper Noun (PN): A proper noun is a noun that represents of a unique thing, for example, name of person, name of place and name of date etc. For example: សុខា (Sokha) ភ្នំពេញ (Phnom Penh), ថ្ងៃអង្គារ (Tuesday), កាល់តិច (Caltex), មេគង្គ (Mekong) etc.
Question Word (QT): In Khmer language, តើ is mostly used in the beginning of an interrogative sentence. For example, តើ/QT អ្នក/PRO (you) ឈ្មោះ/NN (name) អ្វី/PRO (what)?, "What is your name?" in English.
Relative Pronoun (RPN): In Khmer language, there is only one relative pronoun. It is ដែល "that, which, where, who" in English.
Symbol (SYM): SYM for others sign or symbol such as: +, -, *, /, ៖, =, @, #, % etc.
VB_JJ: VB_JJ is a tag for an adjective which its original form is a Verb. Currently, there is no proposed POS tag name for such kind of Khmer words. Although we can use JJ tag, we want to clarify by using VB_JJ POS tag for its function and also for semantic purpose. For example:
- The word សម្រាប់ (for) or ដើម្បី (to) is normally removed in both written and spoken Khmer.
កន្លែង/NN (place) សម្រាប់ (for) ធ្វើការ/VB_JJ (working), office in English
ម៉ាស៊ីន/NN (Machine) សម្រាប់ (for) បោក/VB_JJ (washing) ខោអាវ/NN (cloth), washing machine in English
ពួកគាត់/PRO (they) អាច/VB (can) មាន/VB (have) ការងារ/NN (work) ធ្វើ/VB_JJ (to do)
- When Khmer Relative Pronoun is removed, the verb form keep the same as it was. It must be VB_JJ it is no longer a Verb in subbordiante clause.
សិស្ស (student) ដែល (who) មាន/VB (has) ពិន្ទុ (mark) ខ្ពស់ (hight) នឹង (will) ទទួលបាន (get) អាហារូបករណ៍ (scholarship), student who has hight mark will get a scholarship in English but when ដែល who is removed, មាន/VB (has) should become មាន/VB_JJ (having)
23. Verb (VB): Verb is a word that shows the action, even, and condition. Verb is a middle part of phrase. Normally, verb always need object and sometime it also need complement. For example, ស្តាប់ (listen), មានប្រសាសន៍ (say), ស្រលាញ់ (love), ច្រៀង (sing), បើកបរ (drive) etc.
24. Verb Complement (VCOM): Its original form is a verb, but it will turn into VCOM when two verbs in a sentence to emphasize the first verb. Especially, a compound verb is splitted by the word មិន (no or not), the first part is a verb and the second part is VCOM. For example, លក់ (sell) ដាច់/VCOM (a lot), ប្រលង (exam) មិន (no) ជាប់/VCOM (pass), ដេក/VB (sleep), មិន/RB (not) លក់/VCOM (sleep well) etc.
Files/Scripts
Corpus-draft-ver-1.0/ (latest version)
Scripts:
mk-wordtag.pl : Perl script for printing word only file, tag only file, listing compound-words etc.
mk-pair.pl : Perl script for combining word file and tag file to word/tag format
Data:
data/ : Data preparation folder for incremental POS-tagging models
Models:
Two-Hours/: Incremental training (2,000 to 12,000 sentences) of 2hours annotation approach models with khPOS corpus.
Running logfile: note.txt
3gHMM/ : Incremental training (2,000 to 12,000 sentences) of 3-gram HMM (Hidden Markov Model) models with khPOS corpus.
Running logfile: note.txt
crf/ : Incremental training (2,000 to 12,000 sentences) of CRF POS-tagging models with khPOS corpus.
Running logfile: note.txt
kytea/ : Incremental training (2,000 to 12,000 sentences) of L2 regularized SVM models with khPOS corpus.
Running logfile: note
maxent/ : Incremental training (2,000 to 12,000 sentences) of Maximum Entrophy models with khPOS corpus.
Running logfile: note.txt
rdr/ : Incremental training (2,000 to 12,000 sentences) of RDR (Ripple Down Rule-based) models with khPOS corpus.
Running logfile: note.txt
Development and Support
Contributors
Vichet Chea
Ye Kyaw Thu
Acknowledgements
We would like to express our gratitude to Mr. Sorn Kea and Miss Leng Greyhuy for their help in POS tagging 12,100 sentences of Khmer Corpus manually.
Publication
Please cite following paper:
Ye Kyaw Thu, Vichet Chea, Yoshinori Sagisaka, "Comparison of Six POS Tagging Methods on 12K Sentences Khmer Language POS Tagged Corpus", In the first Regional Conference on Optical character recognition and Natural language processing technologies for ASEAN languages (ONA 2017), December 7-8, 2017, Phnom Penh, Cambodia. paper
Reference
Vichet Chea, Ye Kyaw Thu, Chenchen Ding, Masao Utiyama, Andrew Finch and Eiichiro Sumita, "Khmer Word Segmentation Using Conditional Random Fields", In Khmer Natural Language Processing 2015 (KNLP2015), December 4, 2015, Phnom Penh, Cambodia. paper
Madeline Elizabeth. Ehrman, Kem Sos, Foreign Service Institute (U.S.), and Defense Language Institute (U.S.). Contemporary Cambodian: grammatical sketch, by Madeline E. Ehrman, with the assistance of Kem Sos. Foreign Service Institute, Dept. of State; [for sale by the Supt. of Docs., U.S. Govt. Print. O .] Washington, 1972.
- Downloads last month
- 50
Size of downloaded dataset files:
2.37 MB
Size of the auto-converted Parquet files:
697 kB
Number of rows:
12,000
Models trained or fine-tuned on seanghay/khPOS