Grouping tokens in a balanced linguistic corpus based on semantic criteria

Abstract

The aim of the study is to develop a procedure for grouping tokens from a balanced linguistic corpus based on their lexical meaning. The scientific novelty lies in the first-time fully automated testing – using the “Balanced Linguistic Corpus Generator and Corpus Manager” software package – of a technology for identifying the meanings of lexical units; this establishes principles for constructing semantic series by leveraging managed artificial intelligence tools within a corpus-based framework. As a result, software code was written and integrated into the corpus manager, enabling the automatic generation of over 1,700 relevant noun groups (ranging from 2 to 174 units), over 650 adjective groups (from 2 to 79 units), and over 460 verb groups (from 2 to 12 units) from a German-language news corpus comprising about 4.18 million tokens.

Research materials

1. Доброва В. Путин поручил создать национальный план внедрения ИИ // РБК. 2026. 11 апреля. https://www.rbc.ru/technology_and_media/10/04/2026/69d950709a794768374a7d51?ysclid=mv41fgtghx47482475
2. НКРЯ – Национальный корпус русского языка. https://ruscorpora.ru/
3. Focus-online. Aktuelle Nachrichten. https://www.focus.de/

References

1. Арабов М. К., Седых В. В. Сравнительный анализ методов моделирования семантических представлений слов в условиях ограниченных языковых ресурсов: случай таджикского языка // Научно-технический вестник Поволжья. 2025. № 6.
2. Бондарчук Г. Г., Грачев Г. В. Функционирование английских наименований питания в современном общественно-политическом дискурсе // Вестник Московского государственного лингвистического университета. Гуманитарные науки. 2024. № 13 (894).
3. Вершинин В. Е. Разработка рекуррентно-сверточной нейросетевой модели для оценки эмоциональной окраски текста // Известия Института инженерной физики. 2022. № 3 (65).
4. Ермолова К. А. Глагольная (предикативная) сочетаемость существительного «театр» как вершины лексико-семантического поля «театр» // Филологический вестник. 2026. Т. 5. № 4. https://doi.org/10.66621/2949-4656-2026-5-4-114-121
5. Каменский М. В., Бредихин С. Н. Алгоритмические процедуры идентификации рекламных текстов в дискурсивном пространстве средств массовой информации // Вестник Волгоградского государственного университета. Серия 2: Языкознание. 2025. Т. 24. № 1. https://doi.org/10.15688/jvolsu2.2025.1.6
6. Кожахметова А. С., Казкенова А. К. Мультиязычная база данных «Эмоции в метафорическом представлении»: принципы создания и возможности использования // Вопросы лексикографии. 2025. № 38. https://doi.org/10.17223/22274200/38/4
7. Колосов А. М., Майсурадзе А. И. Улучшение качества векторных представлений слов за счёт использования нескольких источников представлений // Интеллектуальные системы. Теория и приложения. 2026. Т. 30. № 1.
8. Кузина М. А. Семантическая разметка как инструмент анализа манипулятивных тактик в немецкоязычном идеологическом дискурсе // Когнитивные исследования языка. 2026. № 1 (66).
9. Михеев А. А., Ярыгина Е. С. Концепция моделирования семантической разметки корпусов текстов на базе событийной онтологии // Русский лингвистический бюллетень. 2024. № 1 (49). https://doi.org/10.18454/RULB.2024.49.37
10. Нимаева С. С. Темпоральные и модальные значения в семантике слова «вдруг» // Вестник Бурятского государственного университета. Филология. 2026. № 2. https://doi.org/10.18101/2686-7095-2026-2-26-35
11. Писарик О. И. Репрезентация сферы «культура и искусство» в корпусе современных средств массовой информации ФРГ // Вестник Московского государственного лингвистического университета. Гуманитарные науки. 2024. № 11 (892).
12. Рахилина Е. В., Плунгян В. А. О цифровой лексикографии // Труды института русского языка им. В. В. Виноградова. 2025. № 1. https://doi.org/10.31912/pvrli-2025.1.32
13. Степанова Д. В. Лексема “Security” («Безопасность») в новостном дискурсе: от частотности к смыслам (корпусное исследование) // Актуальные проблемы филологии и педагогической лингвистики. 2026а. № 2. https://doi.org/10.29025/2079-6021-2026-2-218-229
14. Степанова Д. В. Особенности употребления лексемы «терпимость» в СМИ ФРГ и США (корпусное исследование) // Изоморфные и алломорфные признаки языковых систем: сборник научных статей. Ставрополь: Параграф, 2026b. Вып. 8.
15. Степанова Д. В. Презентация существительных семантического ряда «традиционные энергоносители» в современных СМИ ФРГ (на материале текстов газеты «Франкфуртер Альгемайне Цайтунг») // Филологические науки в XXI веке: актуальность, многополярность, перспективы развития: сборник научных трудов. Краснодар: Кубанский государственный университет, 2024а.
16. Степанова Д. В. Разработка метода генерации лингвистического корпуса инструментами обработки естественного языка ход и результаты международного проекта // Язык-Семиотика-Культура: сборник научных статей по итогам международной научной конференции: в 2 ч. (г. Минск, 20-21 ноября 2023 г.). Мн.: Минский государственный лингвистический университет, 2024b.
17. Чжао М. Динамика семантического поля «чистота» в условиях цифровизации: диахронический анализ на данных НКРЯ // Современный ученый. 2025. № 11.
18. Шуйская Ю. В. Семантический сдвиг в значении слова «благотворительный» и его производного: институциональный фактор // Litera. 2026. № 4. https://doi.org/10.25136/2409-8698.2026.4.79124
19. Seisebayev A. Zh., Suleimenova E. D. Corpus-Based Study of English Oxymorons: Typology, Semantics, and Contextual Verification // Journal of Siberian Federal University. Humanities and Social Sciences. 2026. Vol. 19. No. 5.

Author information

About this article

Publication history

• Received: September 8, 2026.
• Published: October 20, 2026.

Keywords

• корпусная лингвистика
• сбалансированный лингвистический корпус
• семантические признаки
• векторное представление слов
• новостной текст
• corpus linguistics
• balanced linguistic corpus
• semantic features
• word embedding
• news text

Copyright

© 2026 The Author(s)
© 2026 Gramota Publishing, LLC

User license

Creative Commons Attribution 4.0 International (CC BY 4.0)