Все результаты интеллектуальной деятельности, используемые в НКРЯ и размещаемые в сети Интернет по адресу https://www.ruscorpora.ru/, доступны исключительно для некоммерческого использования в научно-исследовательских и учебных целях (в соответствии со статьей 1274 ГК РФ). Они не предназначены ни для чтения/просмотра, ни для копирования, ни для иных видов использования: их можно использовать в режиме поиска как источники примеров (цитат), иллюстрирующих то или иное языковое явление. При цитировании примеров, полученных с помощью НКРЯ, необходимо ссылаться на НКРЯ как источник примеров, а также, в случае, если пример носит бесспорно авторский характер, указывать имена авторов текста и его название.

Для получения офлайновой версии корпуса, а также диахронических датасетов НКРЯ, нужно подписать соответствующее лицензионное соглашение и выслать заявку с заполненным отсканированным лицензионным соглашением по адресу np-rnc@yandex.ru. Пожалуйста, укажите в заявке цели использования данных.

Корпус со снятой омонимией содержит тексты на современном русском языке (после 1950 года, большинство текстов относится к концу XX — началу XXI в.) объёмом 1 млн словоформ. Каждая словоформа снабжена проверенным вручную морфологическим анализом, включая указание лексемы (леммы, начальной формы) и набора грамматических характеристик. В ряде случаев даются альтернативные интерпретации словоформ. Корпус сбалансирован — примерно равным объёмом представлены художественные, научные, публицистические тексты, расшифровки устной речи и материалы Интернета (блоги).

База данных «СинТагРус» – это корпус русских текстов, снабженных несколькими типами разметки. В состав БД входят художественные произведения, научно-популярные статьи и новостные сообщения. Тексты хранятся в виде файлов формата XML. Структура каждого файла определяется иерархически упорядоченным набором XML-элементов. В состав БД входит около 1300 текстов (почти 1,5 млн слов, свыше 100 тыс. фраз). Морфологическая разметка содержит начальную форму слова и его грамматические характеристики. Главной является синтаксическая разметка фразы, представленная древовидной структурой, узлами которой являются слова, а дугами – именованные синтаксические отношения. Лексико-функциональная разметка характеризует словосочетания, описываемые в терминах лексических функций модели «Смысл-Текст». В корпусе около 40 тыс. таких словосочетаний, представленных примерно в 28% всех фраз. Лексико-семантическая разметка идентифицирует многозначность: размечены значения у всех вхождений 3000 многозначных слов. Все тексты содержат метаинформацию (автор, заглавие, источник, и т.д.) в соответствии с форматом метаразметки, принятым в основном корпусе НКРЯ.

Диахронические наборы данных охватывают три периода (1700—1916, 1918—1991 и 1992—2016 годы) и соответствуют приблизительно трём историческим периодам развития общества и русского языка Нового времени («досоветскому», «советскому» — включая, разумеется, и тексты эмиграции, — и «постсоветскому»).
Каждый из этих периодов представлен большим текстовым файлом в кодировке UTF-8, где в произвольном порядке находятся предложения исходных текстов. Такое нарушение целостности текстов связано с требованиями защиты авторских прав. Тексты не снабжены морфологической либо метатекстовой разметкой.

Мультиязычный датасет включает весь многоязычный подкорпус Параллельного корпуса НКРЯ по состоянию на осень 2021 года. Датасет содержит 12 художественных произведений и их переводы (каждому оригинальному произведению соответствует от 10 до 25 переводов на разные языки). В число документов входят произведения классики мировой литературы и современные бестселлеры, например, «Мастер и Маргарита», «Маленький принц» или «Код да Винчи». Датасет представляет собой единый файл формата json в кодировке UTF-8, содержащий кортежи предложений – выровненные абзацы на разных языках, собранные из оригинального текста и его переводов. С целью соблюдения авторских прав порядок кортежей абзацев был нарушен и рандомизирован. Датасет очищен от внутренней лингвистической разметки и метаразметки. Обозначения языков приведены в кодах ISO 639-1. Отличительной особенностью датасета является то, что он состоит из художественных текстов (нарративов, включающих диалоги), в то время как большинство других многоязычных датасетов содержит документы новостного, официально-делового стиля или субтитры.