Nastavení

Toto je starší verze dokumentu!


Korpus InterCorp verze 6

Název čeština jádro čeština kolekce cizí jazyky jádro cizí jazyky kolekce
Pozice Počet tokenů 76 861 107 46 880 365 167 141 155 890 129 077
Počet slovních tvarů 61 962 499 37 584 764 138 762 949 728 507 959
Struktury Počet dokumentů 996 4 1 939 56
Počet div 996 96 988 1 939 1 728 492
Počet vět 5 254 361 2 392 808 10 283 732 44 113 753
Další informace referenční ANO
reprezentativní NE (různé textové typy)
rok zveřejnění 2013
cizích jazyků 31
tagovaných jazyků 17
lemmat. jazyků 14

Přístup k textům

InterCorp verze 6 je přístupný přes běžný webový prohlížeč třemi způsoby z jednotného vyhledávacího rozhraní KonText pomocí speciálního dotazovacího formuláře pro paralelní korpusy.

Texty z korpusu InterCorp lze získat po podpisu licenčního ujednání pro neziskové účely také v podobě dvojjazyčných souborů náhodně seřazených dvojic vět. Zájemci se mohou obrátit na níže uvedenou e-mailovou adresu.

Specifikem InterCorpu je jeho inkrementální povaha: zatímco většina ostatních korpusů ČNK jsou neměnné referenční entity, objem textů a případně i počet jazyků a rozsah anotace se postupně zvětšuje, a to vždy s vydáním nové verze. Starší verze InterCorpu jsou od roku 2014 zpětně dostupné.

Odkazy

Budeme rádi, když k výsledkům práce, při níž využijete korpus InterCorp, připojíte odkaz na stránky projektu www.korpus.cz/intercorp a k odborným publikacím odkaz na článek ČERMÁK, F. – ROSEN, A. (2012). The case of InterCorp, a multilingual parallel corpus. International Journal of Corpus Linguistics. Vol. 13, no. 3, p. 411–427 (bibtex, elektronické vydání na serveru ingentaConnect, verze před tiskem).

Seznam další literatury najdete zde. Vítáme všechny další odkazy na práce s využitím korpusu InterCorp. Prosíme o jejich zaslání na níže uvedenou e-mailovou adresu.

Obsah korpusu

Jádrem korpusu InterCorp jsou ručně zarovnané, převážně beletristické texty. Kromě toho korpus obsahuje také nabídku automaticky zpracovaných textů, tzv. kolekce. Aktuálně jsou k dispozici publistické články a zpravodajství z webových stránek Project Syndicate a Presseurop, právní texty Evropské Unie z korpusu Acquis Communautaire a zápisy jednání Evropského Parlamentu z let 2007–2011 z korpusu Europarl. Tyto texty jsou zarovnané jen automaticky, v konkordancích tedy může být více vět, které si navzájem neodpovídají. Některé texty z korpusů Acquis Communautaire a Europarl byly částečně opraveny nebo vytříděny, takže se mohou ve srovnání s původním zdrojem lišit podobou i rozsahem. Jen automatické zarovnání bez ruční kontroly mají ve verzi 6 dočasně i některé texty z jádra, a to část textů převzatých z korpusu ASPAC – Amsterdam Slavic Parallel Aligned Corpus. Zarovnání těchto textů bude opraveno v další verzi.

Každý cizojazyčný text má v korpusu svou českou verzi. Čeština je tedy tzv. pivot, česká verze textu (originál nebo překlad) je zarovnaná s jednou nebo více verzemi cizojazyčnými. Celkový rozsah zpřístupněné části korpusu ve verzi 6 z dubna 2013 je 138 779 000 slov v zarovnaných cizojazyčných textech v jádru a 728 508 000 slov v zarovnaných cizojazyčných textech v kolekcích; historii verzí najdete zde. Rozložení textů v rámci jádra a v jednotlivých kolekcích je znázorněno na následujících grafech. Velikost je uvedena v milionech slov.


Graf složení korpusů jednotlivých jazyků – Jádro

Graf složení korpusů jednotlivých jazyků – Kolekce


Velikost korpusu v tisících slov

Zkratka Jazyk Jádro Syndicate Presseurop Acquis Europarl Celkem
ararabština29 0 0 0 0 29
beběloruština1 308 0 0 0 0 1 308
bgbulharština3 979 0 0 13 816 9 083 26 879
cakatalánština1 758 0 0 0 0 1 758
dadánština190 0 0 21 680 13 916 35 785
deněmčina17 256 3 050 1 715 21 724 13 089 56 835
elřečtina210 0 0 25 070 15 404 40 683
enangličtina10 019 3 083 1 863 24 208 15 580 54 753
esšpanělština14 552 3 479 1 948 27 001 15 885 62 865
etestonština0 0 0 15 963 10 900 26 862
fifinština2 131 0 0 16 667 10 241 29 040
frfrancouzština3 816 3 535 2 054 27 352 17 178 53 936
hihindština155 0 0 0 0 155
hrchorvatština12 625 0 0 0 0 12 625
humaďarština2 511 0 0 19 168 12 307 33 985
ititalština4 081 247 1 893 24 850 15 489 46 560
ltlitevština358 0 0 18 433 11 020 29 811
lvlotyština1 337 0 0 18 745 11 689 31 770
mkmakedonština2 664 0 0 0 0 2 664
mtmaltština0 0 0 14 133 0 14 133
nlnizozemština9 426 0 2 082 24 746 15 563 51 817
nonorština2 301 0 0 0 0 2 301
plpolština12 710 0 1 660 20 464 12 805 47 640
ptportugalština2 318 0 2 103 28 599 16 481 49 502
rorumunština2 433 0 1 917 8 200 9 446 21 995
ruruština4 937 2 651 0 0 0 7 588
skslovenština8 152 0 0 19 222 12 734 40 108
slslovinština1 855 0 0 19 646 12 241 33 741
srsrbština6 972 0 0 0 0 6 972
svšvédština7 205 0 0 20 615 13 874 41 694
ukukrajinština1 493 0 0 0 0 1 493
celkem138 779 16 044 17 237 430 300 264 926 867 287
csčeština61 962 2 741 1 639 20 285 12 920 99 547

Pozn.: U českých textů se počítají slova jen jednou za každý text, i když má více cizojazyčných protějšků.

Morfosyntaktická anotace

Texty v těchto jazycích jsou opatřeny morfologickou anotací.

Jazyk Značky Lemmata Stručný popis Podrobný popis Nástroj
angličtina anglicky anglicky + dodatky TreeTagger
bulharština     anglicky TreeTagger
čeština česky anglicky *) anglicky Morče
estonština estonsky a anglicky   TreeTagger
francouzština anglicky   TreeTagger
italština anglicky   TreeTagger
litevština česky a anglicky anglicky Autor: Vidas Daudaravičius
maďarština     anglicky HunPos
němčina   německy TreeTagger
nizozemština     nizozemsky TreeTagger
norština anglicky norsky   Oslo Bergen Tagger
polština anglicky polsky anglicky Morfeusz, TaKIPI
portugalština španělsky   TreeTagger
ruština anglicky anglicky **) TreeTagger
slovenština slovensky slovensky Radovan Garabík, Morče
slovinština   anglicky totale
španělština anglicky   TreeTagger

*) Formulaci dotazu, který obsahuje české morfologické značky, usnadní klikátko.

**) Značky v korpusu někdy neodpovídají značkám uvedeným v podrobném popisu. V korpusu se zanedbávají některé morfologické kategorie, např. zájmena jsou vždy označkována jen jako "P-". Všechny značky, tak jak se užívají v korpusu, jsou uvedeny ve stručném popisu.

Jak používat značky při hledání v korpusu se dozvíte v návodu k Parku.

Strukturní atributy

StrukturaAtributPopisMožné hodnoty
docdoc.idunikátní identifikátor dokumentutext
doc.langjazyk textuar / be / bg / ca / cs / da / de / el / en / es / et / fi / fr / hi / hr / hu / it / lt / lv / mk / mt / nl / no / pl / pt / ro / ru / sk / sl / sr / sv / uk
doc.versionverze textučíslo
doc.wordcountvelikost dokumentu ve slovechčíslo
divdiv.ididentifikace textupříjmení_autora-zkrácený_název_textu / _ACQUIS / _EUROPARL / _PRESSEUROP / _SYNDICATE
div.grouprozdělení na:jádro / kolekce
div.wordcountpočet slov textučíslo
div.authorautor textupříjmení, jméno
div.titleúplný název textutext
div.publishervydavateltext
div.pubplacemísto vydánítext
div.pubyearrok vydáníletopočet
div.txtypetyp textudrama / literatura faktu / poezie / právní texty / próza / publicistika - komentáře / publicistika - zprávy / různé / zápis debaty
div.originalje text originálem?ANO / NE
div.srclangjazyk originálubg / bt / ca / cs / ct / cz / da / de / dk / eb / el / en / es / et / eu / fi / fr / ga / hi / hr / hu / ie / it / lt / lv / mt / ni / nl / no / pl / po / pt / ro / ru / se / sk / sl / sr / sv / uk / un
div.translatorpřekladatel textupříjmení, jméno
div.transsexpohlaví překladateleF / M
div.authsexpohlaví autora:F / M
pp.idunikátní identifikátor odstavcetext
ss.idunikátní identifikátor větytext

Poděkování

Děkujeme za možnost využívat následující texty a software:

Texty:

Předzpracování

  • editor paralelních textů InterText (autor Pavel Vondřička)
  • zarovnávač Hunalign
  • větný segmentátor pro češtinu (autor Pavel Květoň)
  • větný segmentátor pro norštinu (autoři Jarle Ebeling a Pavel Vondřička)
  • větný segmentátor Punkt pro všechny ostatní jazyky ze sady Natural Language Toolkit

Značkovače / lematizátory:

  • Morče pro češtinu
  • TreeTagger pro angličtinu, bulharštinu, estonštinu, francouzštinu, italštinu, němčinu, nizozemštinu, portugalštinu (s poděkováním Pablu Gamallovi), ruštinu a španělštinu
  • Morfeusz a TaKIPI pro polštinu
  • HunPOS pro maďarštinu
  • tagger pro slovenštinu (s poděkováním Radovanu Garabíkovi)
  • tagger pro litevštinu, s poděkováním Vidasovi Daudaravičiusovi a Haně Skoumalové
  • tagger pro norštinu
  • totale pro slovinštinu (s poděkováním Tomaži Erjavcovi)

Související odkazy