Skrýt
Nastavení

Rozdíly

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

Odkaz na výstup diff

Obě strany předchozí revize Předchozí verze
Následující verze
Předchozí verze
cnk:syn:verze5 [2017/04/26 13:57]
Michal Křen [Publicistika v SYN verze 5]
cnk:syn:verze5 [2017/04/26 16:34] (aktuální)
Michal Křen [Složení korpusu SYN verze 5]
Řádek 5: Řádek 5:
 ^ <fs medium>​Název</​fs>​ ^^ <fs medium>​SYN verze 5</​fs>​ ^ ^ <fs medium>​Název</​fs>​ ^^ <fs medium>​SYN verze 5</​fs>​ ^
 ^ [[pojmy:​atributy_pozicni|Pozice]] ^ Počet [[pojmy:​token|pozic (tokenů)]] |  4 599 643 984 |  ​ ^ [[pojmy:​atributy_pozicni|Pozice]] ^ Počet [[pojmy:​token|pozic (tokenů)]] |  4 599 643 984 |  ​
-^ ::: ^ Počet [[pojmy:​token|pozic (tokenů) bez interpunkce ]] |  3 626 417 275 FIXME |  ​+^ ::: ^ Počet [[pojmy:​token|pozic (tokenů) bez interpunkce ]] |  3 836 208 873 |  ​
 ^ ::: ^ Počet [[pojmy:​word|slovních tvarů (wordů)]] |  10 925 890 |  ​ ^ ::: ^ Počet [[pojmy:​word|slovních tvarů (wordů)]] |  10 925 890 |  ​
 ^ ::: ^ Počet [[pojmy:​lemma|lemmat]] |  7 770 263 | ^ ::: ^ Počet [[pojmy:​lemma|lemmat]] |  7 770 263 |
Řádek 18: Řádek 18:
 Každý **korpus SYN** obsahuje vždy všechny [[pojmy:​synchronni|synchronní]] [[pojmy:​psany|psané]] korpusy řady SYN (viz popis celé řady [[cnk:​syn|SYN]]) zveřejněné do doby vzniku dané verze. Korpus SYN verze 5 tedy zahrnuje korpusy [[cnk:​syn2000|SYN2000]],​ [[cnk:​syn2005|SYN2005]],​ [[cnk:​syn2006pub|SYN2006PUB]],​ [[cnk:​syn2009pub|SYN2009PUB]],​ [[cnk:​syn2010|SYN2010]],​ [[cnk:​syn2013pub|SYN2013PUB]] a [[cnk:​syn2015|SYN2015]];​ kromě nich je však jeho součástí také publicistika z let 2010–2014,​ která je již součástí korpusu [[cnk:​syn:​verze4|SYN verze 4]], a také **dosud nezveřejněná publicistika z roku 2015** v objemu přesahujícím 200 mil. slov. Každý **korpus SYN** obsahuje vždy všechny [[pojmy:​synchronni|synchronní]] [[pojmy:​psany|psané]] korpusy řady SYN (viz popis celé řady [[cnk:​syn|SYN]]) zveřejněné do doby vzniku dané verze. Korpus SYN verze 5 tedy zahrnuje korpusy [[cnk:​syn2000|SYN2000]],​ [[cnk:​syn2005|SYN2005]],​ [[cnk:​syn2006pub|SYN2006PUB]],​ [[cnk:​syn2009pub|SYN2009PUB]],​ [[cnk:​syn2010|SYN2010]],​ [[cnk:​syn2013pub|SYN2013PUB]] a [[cnk:​syn2015|SYN2015]];​ kromě nich je však jeho součástí také publicistika z let 2010–2014,​ která je již součástí korpusu [[cnk:​syn:​verze4|SYN verze 4]], a také **dosud nezveřejněná publicistika z roku 2015** v objemu přesahujícím 200 mil. slov.
  
-Protože jsou všechny tyto složky navzájem **disjunktní** (tj. neobsahují stejné texty), je celková velikost korpusu SYN verze 5 dána součtem jejich velikostí, který činí ​FIXME 3,626 miliardy textových slov ([[[[pojmy:​token|tokenů]] bez interpunkce). Korpus SYN není [[pojmy:​reprezentativnost|reprezentativní]];​ v jeho složení dominuje publicistika,​ což je důsledkem převahy rozsáhlých publicistických korpusů [[cnk:​syn2006pub|SYN2006PUB]],​ [[cnk:​syn2009pub|SYN2009PUB]],​ [[cnk:​syn2013pub|SYN2013PUB]] a publicistické složky z let 2010–2015.+Protože jsou všechny tyto složky navzájem **disjunktní** (tj. neobsahují stejné texty), je celková velikost korpusu SYN verze 5 dána součtem jejich velikostí, který činí 3,836 miliardy textových slov ([[[[pojmy:​token|tokenů]] bez interpunkce). Korpus SYN není [[pojmy:​reprezentativnost|reprezentativní]];​ v jeho složení dominuje publicistika,​ což je důsledkem převahy rozsáhlých publicistických korpusů [[cnk:​syn2006pub|SYN2006PUB]],​ [[cnk:​syn2009pub|SYN2009PUB]],​ [[cnk:​syn2013pub|SYN2013PUB]] a publicistické složky z let 2010–2015.
  
 Korpus SYN verze 5 je [[pojmy:​referencni|referenční]],​ a zůstane tedy uživatelům neustále dostupný i po zveřejnění novějších verzí (je ovšem třeba upozornit na postupné zastarávání dodané [[pojmy:​atributy_strukturni|strukturní]] a [[pojmy:​atributy_pozicni|poziční]] anotace, které z referenčnosti zákonitě vyplývá). Jednotlivé verze korpusu SYN budou nadále zveřejňovány pravidelně každý rok s přírůstkem v podobě aktuálních publicistických dat, přičemž tento přírůstek bude označen hodnotou atributu ''<​doc syn>''​ rovnou verzi korpusu SYN, v níž se daný text objevil poprvé; například [[pojmy:​subkorpus|subkorpus]] odpovídající výše zmíněné dosud nezveřejněné publicistice tak lze ze SYN verze 5 [[manualy:​kontext:​subkorpus#​vytvoreni_noveho_subkorpusu|vytvořit]] zadáním podmínky ''​syn=<​nowiki>"</​nowiki>​v5<​nowiki>"</​nowiki>''​. Korpus SYN verze 5 je [[pojmy:​referencni|referenční]],​ a zůstane tedy uživatelům neustále dostupný i po zveřejnění novějších verzí (je ovšem třeba upozornit na postupné zastarávání dodané [[pojmy:​atributy_strukturni|strukturní]] a [[pojmy:​atributy_pozicni|poziční]] anotace, které z referenčnosti zákonitě vyplývá). Jednotlivé verze korpusu SYN budou nadále zveřejňovány pravidelně každý rok s přírůstkem v podobě aktuálních publicistických dat, přičemž tento přírůstek bude označen hodnotou atributu ''<​doc syn>''​ rovnou verzi korpusu SYN, v níž se daný text objevil poprvé; například [[pojmy:​subkorpus|subkorpus]] odpovídající výše zmíněné dosud nezveřejněné publicistice tak lze ze SYN verze 5 [[manualy:​kontext:​subkorpus#​vytvoreni_noveho_subkorpusu|vytvořit]] zadáním podmínky ''​syn=<​nowiki>"</​nowiki>​v5<​nowiki>"</​nowiki>''​.
Řádek 26: Řádek 26:
 ^ <fs medium>​Referenční korpusy psaného jazyka (synchronní a obecné) v pořadí podle doby vzniku</​fs>​ ^^^^^^ ^ <fs medium>​Referenční korpusy psaného jazyka (synchronní a obecné) v pořadí podle doby vzniku</​fs>​ ^^^^^^
 ^ korpus ^ velikost (počet slov) ^ [[pojmy:​lemma|lemmatizace]] ^ [[pojmy:​tag|morfologické značky]] ^ rok zveřejnění ^ charakteristika korpusu ^ ^ korpus ^ velikost (počet slov) ^ [[pojmy:​lemma|lemmatizace]] ^ [[pojmy:​tag|morfologické značky]] ^ rok zveřejnění ^ charakteristika korpusu ^
-^ ??? FIXME | FIXME 100 mil. |  ✓  |  ✓  |  2017  | korpus publicistických textů z roku 2015| +^ [[cnk:​syn2015|SYN2015]] |  100 mil.  |  ✓  |  ✓  |  2015  | reprezentativní korpus, převažují texty z let 2010–2014| 
-^ [[cnk:​syn2015|SYN2015]] | 100 mil. |  ✓  |  ✓  |  2015  | reprezentativní korpus, převažují texty z let 2010–2014| +^ [[cnk:​syn2013PUB|SYN2013PUB]] |  935 mil.  |  ✓  |  ✓  |  2013  | korpus publicistických textů z let 2005–2009 | 
-^ [[cnk:​syn2013PUB|SYN2013PUB]] | 935 mil. |  ✓  |  ✓  |  2013  | korpus publicistických textů z let 2005–2009 | +^ [[cnk:​syn2010|SYN2010]] |  100 mil.  |  ✓  |  ✓  |  2010  | reprezentativní korpus, převažují texty z let 2005–2009| 
-^ [[cnk:​syn2010|SYN2010]] | 100 mil. |  ✓  |  ✓  |  2010  | reprezentativní korpus, převažují texty z let 2005–2009| +^ [[cnk:​syn2009PUB|SYN2009PUB]] |  700 mil.  |  ✓  |  ✓  |  2010  | korpus publicistických textů z let 1995–2007 | 
-^ [[cnk:​syn2009PUB|SYN2009PUB]] | 700 mil. |  ✓  |  ✓  |  2010  | korpus publicistických textů z let 1995–2007 | +^ [[cnk:​syn2006PUB|SYN2006PUB]] |  300 mil.  |  ✓  |  ✓  |  2006  | korpus publicistických textů z let 1989–2004| 
-^ [[cnk:​syn2006PUB|SYN2006PUB]] | 300 mil. |  ✓  |  ✓  |  2006  | korpus publicistických textů z let 1989–2004| +^ [[cnk:​syn2005|SYN2005]] |  100 mil.  |  ✓  |  ✓  |  2005  | reprezentativní korpus, převažují texty z let 2000–2004| 
-^ [[cnk:​syn2005|SYN2005]] | 100 mil. |  ✓  |  ✓  |  2005  | reprezentativní korpus, převažují texty z let 2000–2004| +^ [[cnk:​syn2000|SYN2000]] |  100 mil.  |  ✓  |  ✓  |  2000  | reprezentativní korpus, převažují texty z let 1990–1999|
-^ [[cnk:​syn2000|SYN2000]] | 100 mil. |  ✓  |  ✓  |  2000  | reprezentativní korpus, převažují texty z let 1990–1999|+
  
 ==== Publicistika v SYN verze 5 ==== ==== Publicistika v SYN verze 5 ====