Nastavení

Korpus InterCorp verze 9

Název čeština jádro čeština kolekce cizí jazyky jádro cizí jazyky kolekce
Pozice Počet tokenů 120 443 181 117 981 673 278 445 878 1 556 840 965
Počet slovních tvarů 96 956 714 89 645 545 231 501 606 1 228 896 294
Struktury Počet dokumentů 1430 5 2 934 89
Počet div 1 430 111 263 2 934 1 849 184
Počet vět 8 308 814 13 588 082 17 210 601 143 478 514
Další informace referenční ANO
reprezentativní NE (různé textové typy)
rok zveřejnění 2016
cizích jazyků 39
tagovaných jazyků 23
lemmat. jazyků 20

Přístup k textům

Po registraci na stránce Prohlášení uživatele korpusů ÚČNK lze korpus prohledávat přes webové rozhraní. Registrace platí pro všechny veřejně přístupné korpusy ÚČNK. Máte-li uživatelské jméno a heslo k české části Českého národního korpusu, další registraci pro paralelní korpus nepotřebujete.

InterCorp je přístupný přes běžný webový prohlížeč 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.

Obvykle jednou ročně vychází nová verze InterCorpu. V každé nové verzi roste objem textů, případně i počet jazyků a rozsah anotace. Předchozí verze jsou přitom stále dostupné; od verze 6 dál přitom budou všechny původní zůstávat stále dostupné.

Jak citovat

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 tento 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 v Repozitáři bibliografických informací založených na ČNK. Každý odkaz na práci využívající InterCorp je vítán, viz podrobnosti.

Při citaci konkrétní části InterCorpu uveďte jako citaci údaj, který je zobrazen v popisu korpusu v rozhraní KonText, např.:

Rosen, A. – Vavřín, M.: Korpus InterCorp – angličtina, němčina1), verze 7 z 19.12.2014. Ústav Českého národního korpusu, FF UK, Praha 2014. Dostupné z WWW: http://www.korpus.cz

Obsah korpusu

Jádrem korpusu InterCorp jsou ručně zarovnané, převážně beletristické texty. Kromě toho korpus obsahuje také nabídku automaticky zpracovaných textů, tzv. kolekce. Ve verzi 9 jsou k dispozici tyto kolekce:

Tyto texty jsou zarovnány jen automaticky, v konkordancích tedy může být více vět, které si navzájem neodpovídají. Kolekce také neobsahují všechny texty z původního zdroje, např. ty, které nemají český protějšek. Některé texty z korpusů Acquis Communautaire a Europarl byly rovněž částečně opraveny nebo vytříděny, takže se mohou ve srovnání s původním zdrojem lišit podobou i rozsahem. Podobně byla zredukována i databáze OpenSubtitles, kde jsme navíc u každého titulu převzali z více verzí překladu jen jednu. Zato byly doplněny některé metainformace, které v původním zdroji chyběly, ale daly se zjistit z kontextu nebo jiných zdrojů.

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 9 z července 2016 činí 231 milionů slov v zarovnaných cizojazyčných textech v jádru a 1 228 milionů slov v zarovnaných cizojazyčných textech v kolekcích (viz historie verzí). Rozložení textů v rámci jádra a v jednotlivých kolekcích je znázorněno na následujících grafech. Čísla v grafech ukazují velikost v milionech slov.

Skladba korpusu podle jednotlivých jazyků – jádro i kolekce
Skladba korpusu podle jednotlivých jazyků – jádro
Skladba korpusu podle jednotlivých jazyků – kolekce

Velikost korpusu v tisících slov

Zkratka Jazyk Jádro Syndicate Presseurop Acquis Europarl Subtitles Celkem
ar arabština 34 0 0 0 0 0 34
be běloruština 3 025 0 0 0 0 0 3 025
bg bulharština 6 007 0 0 13 816 9 083 0 28 907
ca katalánština 4 632 0 0 0 0 0 4 632
da dánština 3 556 0 0 21 679 13 915 14 429 53 581
de němčina 31 168 3 725 2 482 21 723 13 089 8 366 80 556
el řečtina 0 0 0 25 069 15 403 23 714 64 187
en angličtina 21 208 3 818 2 670 24 207 15 580 52 101 119 586
es španělština 19 310 4 324 2 816 27 001 15 885 36 378 105 716
et estonština 0 0 0 15 962 10 899 10 296 37 158
fi finština 3 645 0 0 16 455 10 175 15 097 45 373
fr francouzština 12 406 4 393 2 928 27 351 17 178 25 961 90 219
he hebrejština 0 0 0 0 0 16 221 16 221
hi hindština 408 0 0 0 0 0 408
hr chorvatština 19 980 0 0 0 0 19 042 39 023
hu maďarština 5 818 0 0 19 176 12 306 21 239 58 541
is islandština 0 0 0 0 0 1 584 1 584
it italština 8 694 651 2 707 24 849 15 489 14 653 67 046
ja japonština 0 0 0 0 0 113 113
lt litevština 358 0 0 18 392 11 212 557 30 521
lv lotyština 1 336 0 0 18 709 11 682 279 32 007
mk makedonština 4 663 0 0 0 0 1 877 6 540
ms malajština 0 0 0 0 0 3 520 3 520
mt maltština 0 0 0 14 133 0 0 14 133
nl nizozemština 11 444 314 2 955 24 746 15 563 29 362 84 386
no norština 4 965 0 0 0 0 0 4 965
pl polština 21 433 0 2 378 20 627 12 811 26 572 83 822
pt portugalština 2 605 369 2 999 28 602 16 484 43 391 94 454
rn romština 5 0 0 0 0 0 5
ro rumunština 3 432 0 2 737 8 199 9 446 34 128 57 944
ru ruština 4 788 3 174 0 0 0 6 885 14 848
sk slovenština 8 066 0 0 19 222 12 734 5 134 45 158
sl slovinština 2 057 0 0 19 645 12 240 17 024 50 968
sq albánština 0 0 0 0 0 2 003 2 003
sr srbština 9 886 0 0 0 0 20 720 30 607
sv švédština 8 959 0 0 20 585 13 840 14 693 58 079
tr turečtina 0 0 0 0 0 21 190 21 190
uk ukrajinština 7 597 0 0 0 0 246 7 843
vi vietnamština 0 0 0 0 0 1 473 1 473
celkem 231 501 20 769 24 676 430 160 265 022 488 266 1 460 397
cs čeština 96 956 3 416 2 315 20 303 12 922 50 688 186 602
CELKEM 328 458 24 186 26 991 450 463 277 945 538 954 1 647 000

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 a anglicky anglicky Morče
estonština estonsky a anglicky TreeTagger
finština anglicky *) OMorFi+HunPOS
francouzština anglicky TreeTagger
chorvatština anglicky ReLDI Tagger
islandština anglicky IceStagger
italština anglicky TreeTagger
litevština česky a anglicky anglicky Autor: Vidas Daudaravičius
lotyština lotyšsky LVTagger
maďarština anglicky HunPos
němčina anglicky **) německy RFTagger
nizozemština nizozemsky TreeTagger
norština anglicky norsky VISL
polština anglicky a polsky anglicky Morfeusz, TaKIPI
portugalština španělsky TreeTagger
ruština anglicky anglicky ***) TreeTagger
slovenština slovensky slovensky Radovan Garabík, Morče
slovinština anglicky a slovinsky anglicky ToTaLe
srbština anglicky ReLDI Tagger
španělština anglicky TreeTagger
švédština švédsky a anglicky Stagger

*) Morfologické značky jsou v korpusu uvedeny v kondenzované podobě, např. V:Sg:Nom:Act:PrfPrc:Pos odpovídá zápisu s atributy [POS=V] [NUM=SG] [CASE=NOM] [VOICE=ACT] [PCP=PRFPRC] [CMP=POS]. Podobně Pron:Pers:Sg:Ade:Up odpovídá zápisu [POS=PRON] [SUBCAT:PERS] [NUM:SG] [CASE=ADE] [CASECHANGE=UP].

**) Uvnitř jedné morfologické značky používáme jako oddělovač jednotlivých kategorií dvojtečku místo tečky, tedy např. ADJA:Pos:Nom:Sg:Fem.

***) 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.

U textů se značkami, případně lemmaty, mohou přímočaře formulované dotazy na spřežková slova zůstat bez odpovědi. To se týká například anglických tvarů can't nebo I'm, které tagger rozdělí na dvě slova (ca+n't a I+'m) s odpovídajícími lemmaty a značkami. Podobně je tomu i s polskými tvary typu byłam nebo gdybyś (rozděleno na była+m a gdyby+ś). Je třeba počítat i s chybným rozdělením: gdzie+ś za Wisłą. Dotaz na celou spřežku je nutné zadat jako Fráze a části spřežky oddělit mezerou. Lemmatem a značkou jsou opatřeny jen části spřežky.

Morfologické značky obsahující znaky, které mají v regulárních výrazech zvláštní význam, např. $ v anglické značce wp$, je třeba v dotazech zadávat za zpětné lomítko, tedy např. takto: tag="wp\$"

Strukturní atributy

StrukturaAtributPopisMožné hodnoty
docdoc.idunikátní identifikátor dokumentutext
doc.langjazyk textuar / be / bg / ca / cs / da / de / el / en / es / et / fi / fr / he / hi / hr / hu / is / it / ja / lt / lv / mk / ms / mt / nb / nl / no / pl / pt / rn / ro / ru / sk / sl / sq / sr / sv / sy / tr / uk / vi / zh
doc.versionverze textučíslo
doc.wordcountvelikost dokumentu ve slovechčíslo
divdiv.ididentifikace textupříjmení_autora-zkrácený_název_textu / _ACQUIS / _EUROPARL / _PRESSEUROP / _SUBTITLES / _SYNDICATE
div.grouprozdělení na:Core / Acquis / Europarl / PressEurop / Subtitles / Syndicate
div.wordcountpočet slov textučíslo
div.authorautor textupříjmení, jméno
div.titleúplný název textutext
div.publishervydavateltext
div.pubplacemísto vydánítext
div.pubyearrok vydáníletopočet
div.txtypetyp textudiscussions - transcripts / drama / fiction / journalism - commentaries / journalism - news / legal texts / nonfiction / other / poetry / subtitles
div.originalje text originálem?Yes / No
div.srclangjazyk origináluar / as / az / be / bg / bl / bn / bo / bs / bt / ca / cr / cs / ct / cz / da / de / dk / eb / el / en / es / et / eu / fa / fi / fr / ga / gr / he / hi / hr / hu / hy / id / ie / is / it / ja / ka / ko / ku / lt / lv / mk / mn / ms / mt / my / ni / nl / no / pl / po / ps / rn / pt / rm / rn / ro / ru / se / sk / sl / sq / sr / sv / ta / th / ti / tl / tr / tu / uk / un / ur / vi / zh
div.translatorpřekladatel textupříjmení, jméno
div.transsexpohlaví překladateleF / M
div.authsexpohlaví autora:F / M
pp.idunikátní identifikátor odstavcetext
ss.idunikátní identifikátor větytext

Počet textů v jádru korpusu podle jazyka textu a jazyka originálu

Jazyk originálu
↓ Jazyk textu ar be bg ca cs da de en es fi fr hi hr hu it lt lv mk nl no pl rn pt ro ru sk sl sr sv uk celkem jiné
ar 1 1 1 3
be 3 8 4 13 1 1 1 3 2 1 1 1 39
bg 19 9 1 27 4 2 1 1 2 2 68
ca 1 16 3 12 5 1 2 3 1 1 45 1
cs 1 3 19 1 267 9 134 242 127 24 95 2 26 1 20 1 7 1 30 7 49 21 39 56 3 8 58 6 1257
da 6 9 12 27
de 85 126 65 10 1 4 1 7 1 1 6 3 3 2 3 1 3 5 327
en 25 4 125 3 1 2 1 1 6 5 4 177 1
es 1 25 8 29 126 1 6 7 1 4 2 3 213 1
fi 11 1 1 12 2 25 1 1 1 2 57 1
fr 36 1 10 83 2 1 2 2 137
hi 2 1 1 2 1 7
hr 1 71 15 52 11 2 4 26 6 7 1 3 4 1 1 8 213 2
hu 16 5 23 9 1 3 14 71
it 4 4 21 9 1 3 19 3 1 3 68 1
lt 8 2 2 1 1 2 1 17
lv 22 2 1 1 7 2 1 36
mk 15 1 16 1 1 1 2 1 3 2 2 4 49
nl 24 3 33 7 3 3 30 2 2 3 3 6 119
no 11 5 21 4 1 3 6 2 1 54
pl 36 8 97 10 2 8 2 1 1 3 1 46 4 6 1 5 231 1
rn 1
pt 6 8 15 29
ro 7 5 12 3 1 1 1 1 1 1 33 3
ru 9 1 22 2 1 1 22 1 3 62 1
sk 55 2 5 1 1 2 56 122 18
sl 7 1 2 1 2 2 15
sr 11 7 33 9 3 7 2 4 3 10 1 5 2 97 3
sv 11 4 23 7 2 1 1 50 99 1
uk 6 1 31 3 5 2 5 3 5 6 67
celkem 2 6 39 3 810 19 349 950 335 57 241 4 56 2 89 5 18 3 84 22 128 72 119 118 6 26 164 12
  • Tabulka uvádí počty textů v jádru korpusu InterCorp (zatím ve verzi 8).
  • Pro každý jazyk, který má v jádru nějaké texty, jsou v příslušném řádku uvedeny počty textů, zvlášť podle jazyka originálu, uvedeného v záhlaví příslušného sloupce. Takže např. v arabštině jádro obsahuje jeden arabský, jeden český a jeden německý originální text. Celkem jsou tedy v jádru 3 texty v arabštině (viz předposlední sloupec).
  • Ve sloupcích lze zjistit, kolik originálních textů v jazyku uvedeném v záhlaví je přeloženo do ostatních jazyků. Kódy těchto jazyků jsou v prvním sloupci. Poslední sloupec udává počet originálních textů v jiných jazycích, které jádro InterCorpu neobsahuje.
  • V diagonále tabulky je počet originálních textů v příslušném jazyce. Např. v maďarštině a rumunštině nemáme žádný originální text, v rumunštině ani v překladu.

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 / lemmatizátory:

  • MorfFlex, Morče a LanGr pro češtinu
  • TreeTagger pro angličtinu, bulharštinu, estonštinu, francouzštinu, italštinu, nizozemštinu, portugalštinu (s poděkováním Pablu Gamallovi), ruštinu a španělštinu
  • Morfeusz a TaKIPI pro polštinu
  • HunPOS pro maďarštinu a další jazyky
  • 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)
  • RFTagger pro němčinu
  • OMorFi+HunPOS pro finštinu (s poděkováním Filipu Ginterovi)
  • Stagger a IceStagger pro švédštinu a islandštinu (s poděkováním Robertu Östlingovi)
  • RelDI tagger pro chorvatštinu a srbštinu (s poděkováním Nikolovi Ljubešićovi)
  • LVTagger pro lotyštinu (s poděkováním Peterisu Rocksovi a Michalu Škrabalovi)

Související odkazy

1) Vložte konkrétní jazyky.