Korpus mit deutschen Sätzen

Hallo,
ich bin auf der Suche nach einem geeigneten Korpus für deutsche Sätze, um Statistik zu machen. Die Sätze können gerne unabhängig voneinander sein. Ich untersuche jeden Satz einzelnd. Ich meine mal gehört zu haben, dass es einen Korpus gibt, der einfach 100 Millionen deutsche Sätze enthält. So ein Korpus wäre ideal, auch vom Umfang.

Zurzeit versuche ich die Deutsche Wikipedia dafür zu nehmen. Habe aber das Problem, dass dort viele Formeln drin sind und sehr oft Aufzählungen vorkommen. Mit denen kann ich nichts anfangen und das raussortieren von diesen Dingen ist dort schwierig. 

Viele Grüße,
Simon

Hallo Simon,

meine -- sehr allgemeinen -- Empfehlungen wären:
- das deutsche Referenzkorpus
- die deutschen Korpora in der Leipziger Korpussammlung
- das deutsche Unterkorpus von CommonCrawl oder Oscar  (da solltest du dir zuerst anschauen, wie von den beiden Projekten jeweils die CommonCrawl-Bereinigung lief)
- die Korpora in der Sammlung des DWDS

Ansonsten gibt es hier noch Links zu weiteren Korpora.

Ob die für deine statistische Analyse grundlegend brauchbar sind, hängt teilweise davon ab, ob du sie runterladen möchtest oder ob die online verfügbaren Korpus-Query-Tools genügen.
Ganz wichtig bei der Korpuswahl ist aber auch, dass du dir überlegst, was für Sprache du erforschen möchtest (aus welchen Jahrzehnten/Jahrhunderten? aus welchen Regionen/Ländern? geschrieben oder gesprochen + transkribiert? Zeitungstexte, Bücher, Posts aus sozialen Medien? und so weiter und so fort) und das Korpus oder die Korpora dann entsprechend auswählst. Inwieweit die Korpora schon in Sätze aufgeteilt sind oder ob du Sentence-Splitting selbst noch als Schritt einbauen müsstest, sollte jeweils in der Korpusdokumentation stehen.

Gutes Gelingen!

Danke. Habe den Leipziger Korpus genommen.