{"schemaVersion":1,"source":"PortiLexicon-UD — lexique morphosyntaxique du portugais brésilien","version":"1.0.0","variant":"pt-BR","snapshotDate":"2023-06-12","retrievedAt":"2026-08-24","homepageUrl":"https://portilexicon.icmc.usp.br/","sourceUrl":"https://portilexicon.icmc.usp.br/api/lexicon/download","sourceFile":{"path":"portilexicon-ud.tsv","filename":"portilexicon-ud.tsv","encoding":"UTF-8","lineEndings":"LF","columns":["word","lemma","upos","features"],"rows":1226339,"distinctRows":1226160,"exactDuplicateRows":179,"uniqueForms":862311,"bytes":86892411,"sha256":"2c47c5dc816588b6e7c9c02fc34d03bae5cdf11ee1f87953a577c746d402049b","uposCounts":{"ADJ":124449,"ADP":38,"ADV":4944,"AUX":435,"CCONJ":25,"DET":117,"INTJ":41,"NOUN":75377,"NUM":54,"PRON":180,"SCONJ":14,"VERB":1020665},"featureCounts":{"Abbr=Yes":2398,"Foreign=Yes":135,"Typo=Yes":0},"duplicateFeatureRows":1},"license":{"spdx":"CC-BY-4.0","name":"Creative Commons Attribution 4.0 International","url":"https://creativecommons.org/licenses/by/4.0/","legalCodeUrl":"https://creativecommons.org/licenses/by/4.0/legalcode"},"derivedDataLicense":{"spdx":"CC-BY-4.0","name":"Creative Commons Attribution 4.0 International","url":"https://creativecommons.org/licenses/by/4.0/","legalCodeUrl":"https://creativecommons.org/licenses/by/4.0/legalcode"},"licenseDeclaration":{"pageUrl":"https://portilexicon.icmc.usp.br/","text":"Licensed under CC BY 4.0","observedAt":"2026-08-24"},"licenseTextSource":{"url":"https://creativecommons.org/licenses/by/4.0/legalcode.txt","bytes":18657,"sha256":"9ba9550ad48438d0836ddab3da480b3b69ffa0aac7b7878b5a0039e7ab429411"},"licenseFile":{"fichier":"LICENSE-CC-BY-4.0.txt","octets":18657,"sha256":"9ba9550ad48438d0836ddab3da480b3b69ffa0aac7b7878b5a0039e7ab429411"},"notice":{"fichier":"NOTICE.txt","octets":3399,"sha256":"9644c5cfd486bd510978a144c928ac4da393bf038d2da728e46eeac1bd1d5196"},"creators":["Lucelene Lopes","Magali Duran","Paulo Fernandes","Thiago Pardo"],"institution":"NILC, Instituto de Ciências Matemáticas e de Computação, Universidade de São Paulo","citation":{"text":"Lucelene Lopes, Magali Duran, Paulo Fernandes et Thiago Pardo. 2022. PortiLexicon-UD: a Portuguese Lexical Resource according to Universal Dependencies Model. Proceedings of the Thirteenth Language Resources and Evaluation Conference, pages 6635–6643. European Language Resources Association.","url":"https://aclanthology.org/2022.lrec-1.715/","anthologyId":"2022.lrec-1.715"},"articleLicense":{"spdx":"CC-BY-NC-4.0","scope":"Article scientifique LREC 2022 uniquement ; ne remplace pas la licence CC BY 4.0 déclarée pour le TSV sur le site officiel."},"selection":{"acceptedAnalyses":"Une graphie est conservée lorsqu’au moins une analyse est admissible ; une analyse rejetée ne condamne pas une homographie possédant une autre analyse admissible.","acceptedUpos":["ADJ","ADP","ADV","AUX","CCONJ","DET","INTJ","NOUN","PRON","SCONJ","VERB"],"excludedUpos":["NUM"],"excludedFeatures":["Abbr=Yes","Typo=Yes"],"properNouns":"PortiLexicon-UD exclut les analyses PROPN en amont ; aucun nom propre n’est réintroduit.","foreignWords":"Foreign=Yes n’est pas un motif d’exclusion : les emprunts possédant une analyse lexicale admissible sont conservés.","orthography":"Graphies source déjà minuscules et NFC, composées uniquement de a-z, á, à, â, ã, é, ê, í, ó, ô, õ, ú, ü ou ç.","length":"2 à 30 lettres canoniques ; le snapshot observé va de 2 à 26.","deduplication":"Déduplication exacte des graphies NFC, après agrégation de toutes leurs analyses.","signature":"Mise en minuscules pt-BR ; á/à/â/ã→a, é/ê→e, í→i, ó/ô/õ→o, ú/ü→u et ç→c ; tri déterministe des 26 lettres ASCII.","frequency":"Fréquence neutre 0, non sérialisée dans les groupes compacts.","selectedForms":861580,"selectedSignatures":618452},"partitioning":{"count":8,"partitionedLengths":[8,9,10,11,12,13,14],"maximumShardBytesExclusive":1500000,"prefixCodePoints":4,"hash":"FNV-1a 32 bits sur les octets UTF-8 du préfixe ASCII de la signature","maximumCandidatePartitions":5},"changes":["Lecture séquentielle du TSV UTF-8 et vérification de sa taille, de son nombre de lignes et de son SHA-256 épinglé.","Validation stricte des quatre colonnes, de l’inventaire UPOS, des comptes UPOS et des indicateurs morphologiques audités.","Agrégation par graphie : conservation si au moins une analyse n’est ni NUM, ni Abbr=Yes, ni Typo=Yes.","Restriction aux mots portugais simples déjà minuscules et NFC de 2 à 30 lettres ; exclusion des ponctuations et graphies étrangères à l’alphabet déclaré.","Conservation des emprunts lexicaux signalés Foreign=Yes et exclusion en amont des noms propres par PortiLexicon-UD.","Déduplication exacte et conservation des accents et de la cédille dans les graphies affichées.","Rabattement explicite des diacritiques portugais et de ç vers les 26 lettres ASCII pour la signature anagrammatique.","Indexation par longueur et signature ; longueurs 8 à 14 partitionnées en huit buckets FNV-1a, autres longueurs non vides dans un fichier unique.","Classement Unicode déterministe et fréquence neutre 0 omise du JSON compact.","Aucune expression n’est produite depuis PortiLexicon-UD : le catalogue éditorial sourcé reste séparé."]}