AplikaceAplikace
Nastavení

Rozdíly

Zde můžete vidět rozdíly mezi vybranou verzí a aktuální verzí dané stránky.

Odkaz na výstup diff

Obě strany předchozí revizePředchozí verze
Následující verze		Předchozí verze
Poslední revizeObě strany příští revize
cnk:intercorp:verze16 [2023/09/22 15:38] – [Obsah korpusu] alexandrrosencnk:intercorp:verze16 [2023/10/11 16:08] – [Obsah korpusu] alexandrrosen
Řádek 2: Řádek 2:
  
 ^ Název ^^ čeština jádro ^ čeština kolekce ^ cizí jazyky jádro ^ cizí jazyky kolekce ^ ^ Název ^^ čeština jádro ^ čeština kolekce ^ cizí jazyky jádro ^ cizí jazyky kolekce ^
-^ [[pojmy:atributy_pozicni|Pozice]] ^ Počet [[pojmy:token|tokenů]] |  154 512 254 |  363 685 460 |  464 653 938 |  5 840 602 488 | +^ [[pojmy:atributy_pozicni|Pozice]] ^ Počet [[pojmy:token|tokenů]] |  154 512 254 |  363 685 460 |  464 653 933 |  5 840 602 221 | 
-^ ::: ^ Počet [[pojmy:word|slovních tvarů]] |  124 679 582 |  272 862 335 |  385 348 449 |  4 505 550 764 |+^ ::: ^ Počet [[pojmy:word|slovních tvarů]] |  124 679 582 |  272 862 335 |  386 728 679 |  4 505 550 764 |
 ^ [[pojmy:atributy_strukturni|Struktury]] ^ Počet [[seznamy:strukturni_atributy_intercorp|dokumentů]] |  1 812 |  33 |  4 643 |   338 | ^ [[pojmy:atributy_strukturni|Struktury]] ^ Počet [[seznamy:strukturni_atributy_intercorp|dokumentů]] |  1 812 |  33 |  4 643 |   338 |
 ^ ::: ^ Počet textů |  1 812 |  162 612 |  4 643 |  2 662 665 | ^ ::: ^ Počet textů |  1 812 |  162 612 |  4 643 |  2 662 665 |
Řádek 37: Řádek 37:
 Došlo rovněž k rozdělení //Syndicate// a //PressEurop// na jednotlivé ročníky, čímž se zvýšil počet dokumentů v kolekcích.  Došlo rovněž k rozdělení //Syndicate// a //PressEurop// na jednotlivé ročníky, čímž se zvýšil počet dokumentů v kolekcích. 
  
-Každý cizojazyčný text má v korpusu svou českou verzi. Čeština je tedy tzv. pivot, česká verze textu (originál nebo překlad) je zarovnána s jednou nebo více verzemi cizojazyčnými. Celkový rozsah zpřístupněné části korpusu ve verzi 16 z roku 2023 činí v zarovnaných cizojazyčných textech 385 milionů slov v jádru a 4 506 milionů slov v kolekcích. V českých textech je v jádru 125 a v kolekcích 273 milionů slov (viz [[cnk:intercorp:historie|historie verzí]]). Rozložení textů v rámci jádra a v jednotlivých kolekcích je znázorněno na následujících grafech. Čísla v grafech ukazují velikost v milionech slov.+Každý cizojazyčný text má v korpusu svou českou verzi. Čeština je tedy tzv. pivot, česká verze textu (originál nebo překlad) je zarovnána s jednou nebo více verzemi cizojazyčnými. Celkový rozsah zpřístupněné části korpusu ve verzi 16 z roku 2023 činí v zarovnaných cizojazyčných textech 387 milionů slov v jádru a 4 506 milionů slov v kolekcích. V českých textech je v jádru 125 a v kolekcích 273 milionů slov (viz [[cnk:intercorp:historie|historie verzí]]). Rozložení textů v rámci jádra a v jednotlivých kolekcích je znázorněno na následujících grafech. Čísla v grafech ukazují velikost v milionech slov.
  
-[{{:cnk:intercorp:intercorp_wordcounts_v16.png|Skladba korpusu podle jednotlivých jazyků – jádro i kolekce}}] \\+[{{:cnk:intercorp:intercorp_wordcounts_v16.png?1000|Skladba korpusu podle jednotlivých jazyků – jádro i kolekce}}] \\
  
  
-[{{:cnk:intercorp:intercorp_wordcounts2_v16.png|Skladba korpusu podle jednotlivých jazyků – jádro}}] \\+[{{:cnk:intercorp:intercorp_wordcounts2_v16.png?1000|Skladba korpusu podle jednotlivých jazyků – jádro}}] \\
  
  
-[{{:cnk:intercorp:intercorp_wordcounts3_v16.png|Skladba korpusu podle jednotlivých jazyků – kolekce}}] \\+[{{:cnk:intercorp:intercorp_wordcounts3_v16.png?1000|Skladba korpusu podle jednotlivých jazyků – kolekce}}] \\
  
 ====Velikost korpusu v tisících slov==== ====Velikost korpusu v tisících slov====
  
 ^ Zkratka ^ Jazyk ^ Jádro ^ Syndicate ^ Presseurop ^ Acquis ^ Europarl ^ Subtitles ^ Bible ^ Celkem ^ ^ Zkratka ^ Jazyk ^ Jádro ^ Syndicate ^ Presseurop ^ Acquis ^ Europarl ^ Subtitles ^ Bible ^ Celkem ^
-^  ar  ^ arabština |  34 |  384 |  0 |  0 |  0 |  0 |  0 |  418 | +^  af  ^ afrikánština |  0 |  0 |  0 |  0 |  0 |  136 |  0 |  136 | 
-^  be  ^ běloruština |  6 524 |  0 |  0 |  0 |  0 |  0 |  0 |  6 524 | +^  ar  ^ arabština |  34 |  384 |  0 |  0 |  0 |  126 157 |  0 |  126 576 | 
-^  bg  ^ bulharština |  7 068 |  0 |  0 |  13 577 |  9 083 |  0 |  0 |  29 728 | +^  be  ^ běloruština |  7 131 |  0 |  0 |  0 |  0 |  0 |  0 |  7 131 | 
-^  ca  ^ katalánština |  8 920 |  0 |  0 |  0 |  0 |  0 |  736 |  9 656 | +^  bg  ^ bulharština |  7 068 |  0 |  0 |  13 577 |  9 083 |  165 092 |  0 |  194 820 | 
-^  da  ^ dánština |  8 456 |  0 |  0 |  20 313 |  13 916 |  14 429 |  657 |  57 770 | +^  bn  ^ bengálština |  0 |  0 |  0 |  0 |  0 |  1 554 |  0 |  1 554 | 
-^  de  ^ němčina |  39 412 |  5 067 |  2 483 |  20 610 |  13 088 |  8 392 |  724 |  89 776 | +^  br  ^ bretonština |  0 |  0 |  0 |  0 |  0 |  98 |  0 |  98 | 
-^  el  ^ řečtina |  0 |  0 |  0 |  23 853 |  15 404 |  23 709 |  0 |  62 966 | +^  bs  ^ bosenština |  0 |  0 |  0 |  0 |  0 |  58 758 |  0 |  58 758 | 
-^  en  ^ angličtina |  38 706 |  5 273 |  2 670 |  22 902 |  15 576 |  52 106 |  730 |  137 964 | +^  ca  ^ katalánština |  10 112 |  0 |  0 |  0 |  0 |  2 735 |  736 |  13 582 | 
-^  es  ^ španělština |  29 145 |  6 074 |  2 859 |  26 262 |  16 249 |  36 650 |  0 |  117 239 | +^  cs  ^ čeština |  124 680 |  4 717 |  2 312 |  19 214 |  12 917 |  233 139 |  563 |  397 542 | 
-^  et  ^ estonština |  0 |  0 |  0 |  14 896 |  10 899 |  10 298 |  0 |  36 093 | +^  da  ^ dánština |  9 548 |  0 |  0 |  20 313 |  13 916 |  71 825 |  657 |  116 259 | 
-^  fi  ^ finština |  6 674 |  0 |  0 |  15 269 |  10 108 |  15 047 |  543 |  47 641 | +^  de  ^ němčina |  40 679 |  5 067 |  2 483 |  20 610 |  13 089 |  98 566 |  724 |  181 219 | 
-^  fr  ^ francouzština |  21 996 |  5 896 |  3 046 |  26 200 |  17 179 |  25 986 |  764 |  101 067 | +^  el  ^ řečtina |  0 |  0 |  0 |  23 853 |  15 404 |  162 561 |  0 |  201 818 | 
-^  he  ^ hebrejština |  0 |  0 |  0 |  0 |  0 |  16 221 |  0 |  16 221 | +^  en  ^ angličtina |  42 395 |  5 273 |  2 670 |  22 902 |  15 576 |  280 335 |  730 |  369 882 | 
-^  hi  ^ hindština |  409 |  0 |  0 |  0 |  0 |  0 |  0 |  409 | +^  eo  ^ esperanto |  0 |  0 |  0 |  0 |  0 |  226 |  0 |  226 | 
-^  hr  ^ chorvatština |  23 351 |  0 |  0 |  0 |  0 |  19 048 |  571 |  42 971 | +^  es  ^ španělština |  30 661 |  6 074 |  2 859 |  26 262 |  16 249 |  223 134 |  0 |  305 240 | 
-^  hs  ^ hornolužičtina |  128 |  0 |  0 |  0 |  0 |  0 |  0 |  128 | +^  et  ^ estonština |  79 |  0 |  0 |  14 896 |  10 899 |  54 514 |  0 |  80 388 | 
-^  hu  ^ maďarština |  6 922 |  8 |  0 |  17 852 |  12 198 |  21 115 |  0 |  58 095 | +^  eu  ^ baskičtina |  0 |  0 |  0 |  0 |  0 |  3 022 |  0 |  3 022 | 
-^  is  ^ islandština |  0 |  0 |  0 |  0 |  0 |  1 581 |  0 |  1 581 | +^  fa  ^ perština |  0 |  0 |  0 |  0 |  0 |  33 167 |  0 |  33 167 | 
-^  it  ^ italština |  16 384 |  1 389 |  2 747 |  23 771 |  15 494 |  14 700 |  684 |  75 169 | +^  fi  ^ finština |  6 959 |  0 |  0 |  15 269 |  10 108 |  90 471 |  543 |  123 349 | 
-^  ja  ^ japonština |  3 491 |  2 |  0 |  0 |  0 |  477 |  0 |  3 970 | +^  fr  ^ francouzština |  24 361 |  5 896 |  3 046 |  26 200 |  17 179 |  181 433 |  764 |  258 879 | 
-^  lt  ^ litevština |  502 |  0 |  0 |  17 316 |  11 213 |  558 |  471 |  30 059 | +^  gl  ^ galicijština |  0 |  0 |  0 |  0 |  0 |  623 |  0 |  623 | 
-^  lv  ^ lotyština |  3 437 |  0 |  0 |  17 522 |  11 682 |  280 |  537 |  33 458 | +^  he  ^ hebrejština |  0 |  0 |  0 |  0 |  0 |  130 143 |  0 |  130 143 | 
-^  mk  ^ makedonština |  8 881 |  0 |  0 |  0 |  0 |  1 877 |  0 |  10 758 | +^  hi  ^ hindština |  409 |  0 |  0 |  0 |  0 |  432 |  0 |  841 | 
-^  ms  ^ malajština |  0 |  0 |  0 |  0 |  0 |  3 521 |  0 |  3 521 |+^  hr  ^ chorvatština |  24 529 |  0 |  0 |  0 |  0 |  137 966 |  571 |  163 066 | 
 +^  hs  ^ hornolužická srbština |  466 |  0 |  0 |  0 |  0 |  0 |  0 |  466 | 
 +^  hu  ^ maďarština |  6 921 |  8 |  0 |  17 852 |  12 198 |  141 691 |  0 |  178 670 | 
 +^  hy  ^ arménština |  0 |  0 |  0 |  0 |  0 |  24 |  0 |  24 | 
 +^  id  ^ indonéština |  0 |  0 |  0 |  0 |  0 |  38 343 |  0 |  38 343 | 
 +^  is  ^ islandština |  0 |  0 |  0 |  0 |  0 |  7 375 |  0 |  7 375 | 
 +^  it  ^ italština |  18 086 |  1 389 |  2 747 |  23 771 |  15 494 |  163 622 |  684 |  225 793 | 
 +^  ja  ^ japonština |  3 818 |  2 |  0 |  0 |  0 |  12 485 |  0 |  16 305 | 
 +^  ka  ^ gruzínština |  0 |  0 |  0 |  0 |  0 |  889 |  0 |  889 | 
 +^  kk  ^ kazaština |  0 |  0 |  0 |  0 |  0 |  14 |  0 |  14 | 
 +^  ko  ^ korejština |  0 |  0 |  0 |  0 |  0 |  5 980 |  0 |  5 980 | 
 +^  lt  ^ litevština |  696 |  0 |  0 |  17 316 |  11 213 |  5 269 |  471 |  34 964 | 
 +^  lv  ^ lotyština |  3 636 |  0 |  0 |  17 533 |  11 682 |  2 053 |  537 |  35 441 | 
 +^  mk  ^ makedonština |  8 881 |  0 |  0 |  0 |  0 |  15 595 |  0 |  24 476 | 
 +^  ml  ^ malajámština |  0 |  0 |  0 |  0 |  0 |  1 281 |  0 |  1 281 | 
 +^  ms  ^ malajština |  0 |  0 |  0 |  0 |  0 |  7 939 |  0 |  7 939 |
 ^  mt  ^ maltština |  0 |  0 |  0 |  13 935 |  0 |  0 |  0 |  13 935 | ^  mt  ^ maltština |  0 |  0 |  0 |  13 935 |  0 |  0 |  0 |  13 935 |
-^  nl  ^ nizozemština |  17 769 |  812 |  2 953 |  23 416 |  15 558 |  29 373 |  717 |  90 598 | +^  nl  ^ nizozemština |  18 782 |  812 |  2 953 |  23 416 |  15 558 |  170 979 |  717 |  233 217 | 
-^  no  ^ norština |  7 851 |  0 |  0 |  0 |  0 |  0 |  724 |  8 575 | +^  no  ^ norština |  8 221 |  0 |  0 |  0 |  0 |  39 807 |  724 |  48 752 | 
-^  pl  ^ polština |  28 112 |  0 |  2 380 |  19 604 |  12 817 |  26 576 |  583 |  90 072 | +^  pl  ^ polština |  28 597 |  0 |  2 380 |  19 604 |  12 817 |  169 498 |  583 |  233 480 | 
-^  pt  ^ portugalština |  6 943 |  739 |  2 782 |  24 598 |  15 193 |  41 468 |  706 |  92 429 |+^  pt  ^ portugalština |  7 285 |  739 |  2 782 |  24 598 |  15 193 |  229 515 |  706 |  280 818 |
 ^  rn  ^ romština |  14 |  0 |  0 |  0 |  0 |  0 |  0 |  14 | ^  rn  ^ romština |  14 |  0 |  0 |  0 |  0 |  0 |  0 |  14 |
-^  ro  ^ rumunština |  4 219 |  0 |  2 738 |  8 092 |  9 446 |  34 128 |  0 |  58 622 | +^  ro  ^ rumunština |  4 219 |  0 |  2 738 |  8 092 |  9 446 |  212 396 |  0 |  236 890 | 
-^  ru  ^ ruština |  10 549 |  4 302 |  0 |  0 |  0 |  6 887 |  565 |  22 303 | +^  ru  ^ ruština |  12 387 |  4 302 |  0 |  0 |  0 |  104 609 |  565 |  121 864 | 
-^  sk  ^ slovenština |  8 596 |  0 |  0 |  18 399 |  12 727 |  5 133 |  561 |  45 416 | +^  si  ^ sinhálština |  0 |  0 |  0 |  0 |  0 |  2 346 |  0 |  2 346 | 
-^  sl  ^ slovinština |  4 354 |  0 |  0 |  18 515 |  12 241 |  17 035 |  0 |  52 144 | +^  sk  ^ slovenština |  8 586 |  0 |  0 |  18 399 |  12 727 |  34 581 |  561 |  74 854 | 
-^  sq  ^ albánština |  0 |  0 |  0 |  0 |  0 |  2 003 |  0 |  2 003 | +^  sl  ^ slovinština |  4 636 |  0 |  0 |  18 515 |  12 241 |  83 000 |  0 |  118 392 | 
-^  sr  ^ srbština |  12 356 |  0 |  0 |  0 |  0 |  20 727 |  0 |  33 082 | +^  sq  ^ albánština |  0 |  0 |  0 |  0 |  0 |  9 351 |  0 |  9 351 | 
-^  sv  ^ švédština |  17 877 |  0 |  0 |  19 542 |  13 784 |  14 666 |  638 |  66 507 | +^  sr  ^ srbština |  12 706 |  0 |  0 |  0 |  0 |  152 636 |  0 |  165 342 | 
-^  tr  ^ turečtina |  0 |  0 |  0 |  0 |  0 |  21 190 |  0 |  21 190 | +^  sv  ^ švédština |  19 740 |  0 |  0 |  19 542 |  13 784 |  81 548 |  638 |  135 252 | 
-^  uk  ^ ukrajinština |  12 712 |  0 |  0 |  0 |  0 |  244 |  596 |  13 551 | +^  ta  ^ tamilština |  0 |  0 |  0 |  0 |  0 |  104 |  0 |  104 | 
-^  vi  ^ vietnamština |  0 |  0 |  0 |  0 |  0 |  1 474 |  0 |  1 474 | +^  te  ^ telugština |  0 |  0 |  0 |  0 |  0 |  96 |  0 |  96 | 
-^  zh  ^ čínština |  202 |  604 |  0 |  0 |  0 |  2 247 |  0 |  3 054 | +^  th  ^ thajština |  0 |  0 |  0 |  0 |  0 |  5 660 |  0 |  5 660 | 
-^  **celkem**  ^  |  361 991 |  30 552 |  24 658 |  406 445 |  263 854 |  489 143 |  11 507 |  1 588 151 | +^  tl  ^ tagalština |  0 |  0 |  0 |  0 |  0 |  38 |  0 |  38 | 
-^  cs  ^ čeština |  119 933 |  4 712 |  2 310 |  19 085 |  12 908 |  50 604 |  562 |  210 114 | +^  tr  ^ turečtina |  0 |  0 |  0 |  0 |  0 |  149 892 |  0 |  149 892 | 
-^  **CELKEM**  ^  |  481 925 |  35 264 |  26 968 |  425 530 |  276 763 |  539 747 |  12 069 |  1 798 266 |+^  uk  ^ ukrajinština |  14 849 |  0 |  0 |  0 |  0 |  2 938 |  596 |  18 382 | 
 +^  ur  ^ urdština |  0 |  0 |  0 |  0 |  0 |  158 |  0 |  158 | 
 +^  vi  ^ vietnamština |  0 |  0 |  0 |  0 |  0 |  22 298 |  0 |  22 298 | 
 +^  zh  ^ čínština |  238 |  838 |  0 |  0 |  0 |  71 331 |  0 |  72 407 | 
 +^  **CELKEM**  ^   |  511 408 |  35 503 |  26 971 |  425 670 |  276 772 |  4 001 428 |  12 069 |  5 289 821 |
  
 Pozn.: U českých textů se počítají slova jen jednou za každý text, i když má více cizojazyčných protějšků. Pozn.: U českých textů se počítají slova jen jednou za každý text, i když má více cizojazyčných protějšků.
 +
 +====Počet textů v jádru korpusu====
 +
 +^ Zkratka ^ Jazyk ^ Počet textů ^ z toho originály ^
 +^  ar  ^ arabština |  3 |  1 |
 +^  be  ^ běloruština |  108 |  14 |
 +^  bg  ^ bulharština |  87 |  19 |
 +^  ca  ^ katalánština |  92 |  1 |
 +^  cs  ^ čeština |  1 812 |  368 |
 +^  da  ^ dánština |  93 |  9 |
 +^  de  ^ němčina |  471 |  163 |
 +^  en  ^ angličtina |  422 |  271 |
 +^  es  ^ španělština |  355 |  142 |
 +^  et  ^ estonština |  1 |  0 |
 +^  fi  ^ finština |  112 |  36 |
 +^  fr  ^ francouzština |  277 |  126 |
 +^  hi  ^ hindština |  7 |  2 |
 +^  hr  ^ chorvatština |  324 |  37 |
 +^  hs  ^ hornolužická srbština |  13 |  5 |
 +^  hu  ^ maďarština |  89 |  1 |
 +^  it  ^ italština |  171 |  26 |
 +^  ja  ^ japonština |  35 |  15 |
 +^  lt  ^ litevština |  23 |  4 |
 +^  lv  ^ lotyština |  73 |  15 |
 +^  mk  ^ makedonština |  108 |  4 |
 +^  nl  ^ nizozemština |  215 |  52 |
 +^  no  ^ norština |  102 |  23 |
 +^  pl  ^ polština |  348 |  54 |
 +^  pt  ^ portugalština |  87 |  24 |
 +^  rn  ^ romština |  2 |  2 |
 +^  ro  ^ rumunština |  45 |  5 |
 +^  ru  ^ ruština |  160 |  37 |
 +^  sk  ^ slovenština |  165 |  62 |
 +^  sl  ^ slovinština |  73 |  25 |
 +^  sr  ^ srbština |  148 |  13 |
 +^  sv  ^ švédština |  232 |  101 |
 +^  uk  ^ ukrajinština |  199 |  8 |
 +^  zh  ^ čínština |  3 |  3 |
 +^  **CELKEM**  ^   |  6 455 |  1 668 |
  
 ==== Morfosyntaktická anotace ==== ==== Morfosyntaktická anotace ====

Historie: