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
cnk:intercorp:historie [2026/09/29 23:48] – [Historie verzí] rosencnk:intercorp:historie [2026/10/07 19:59] (aktuální) – [Verze 17ud] rosen
Řádek 3: Řádek 3:
 ===== Verze 17ud ===== ===== Verze 17ud =====
  
-zveřejněná 9. 9. 2026 (pilotní verze)+  * zveřejněná 9. 9. 2026 (pilotní verze) 
 +  * [[https://wiki.korpus.cz/doku.php/cnk:intercorp:verze17ud|Informace o korpusu]]
  
 == Data: == == Data: ==
Řádek 16: Řádek 17:
 == Anotace: == == Anotace: ==
  
-  * tato verze je první, která je dostupná pouze s lingvistickou anotací podle **Universal Dependencies**+  * tato verze je první, která je dostupná pouze s lingvistickou anotací podle **[[https://universaldependencies.org|Universal Dependencies]]**
   * ve slovanských a románských jazycích nově anotujeme i složené slovesné tvary, viz poziční atribut ''cw_feats'' – **content-word features** ([[pojmy:content-word features|cw_feats]])   * ve slovanských a románských jazycích nově anotujeme i složené slovesné tvary, viz poziční atribut ''cw_feats'' – **content-word features** ([[pojmy:content-word features|cw_feats]])
-  * **autory** uvádíme v jádru nově také jménem, které je stejné ve všech jazycích (atribut textu ''rf_author'') +  * **autory** uvádíme v jádru nově také jménem, které je stejné ve všech jazycích (atribut ''text.rf_author'') 
   * poziční atributy využitelné k orientaci v syntaktické struktuře byly rozšířeny o odkazy na **tvar řídícího slova**: ''p_word'' (tvar rodiče) a ''e_word'' (tvar efektivního rodiče)   * poziční atributy využitelné k orientaci v syntaktické struktuře byly rozšířeny o odkazy na **tvar řídícího slova**: ''p_word'' (tvar rodiče) a ''e_word'' (tvar efektivního rodiče)
   * **literatura pro děti a mládež**, která se v předchozích verzích označovala jako ''text.txtype=children's lit.'', se nově označuje jako ''text.audience=jun'', u ostatních textů má tento atribut hodnotu ''gen''; atribut ''text.txtype'' tak může rozlišovat textový typ (''fiction'', ''poetry'', ''drama'', ''non-fiction'')   * **literatura pro děti a mládež**, která se v předchozích verzích označovala jako ''text.txtype=children's lit.'', se nově označuje jako ''text.audience=jun'', u ostatních textů má tento atribut hodnotu ''gen''; atribut ''text.txtype'' tak může rozlišovat textový typ (''fiction'', ''poetry'', ''drama'', ''non-fiction'')
   * k lingvistické anotaci byly použity **novější jazykové modely** nástroje [[https://lindat.mff.cuni.cz/services/udpipe/|UDPipe]] (ud-2.17), jen čínština je kvůli lepším výsledkům anotována nástrojem [[https://trankit.readthedocs.io/|Trankit]] (díky [[https://cz.linkedin.com/in/benjamin-reeves-|Benjaminu Davidu Reevesovi]] a [[https://ufal.mff.cuni.cz/pavel-stranak|Pavlu Straňákovi]])   * k lingvistické anotaci byly použity **novější jazykové modely** nástroje [[https://lindat.mff.cuni.cz/services/udpipe/|UDPipe]] (ud-2.17), jen čínština je kvůli lepším výsledkům anotována nástrojem [[https://trankit.readthedocs.io/|Trankit]] (díky [[https://cz.linkedin.com/in/benjamin-reeves-|Benjaminu Davidu Reevesovi]] a [[https://ufal.mff.cuni.cz/pavel-stranak|Pavlu Straňákovi]])
-  * k přípravě balíčku TED Talks jsme použili nové **nástroje na segmentaci a zarovnání** ([[https://github.com/thompsonb/vecalign|Vecalign]])+  * k přípravě balíčku TED Talks jsme použili nové **nástroje na segmentaci a zarovnání** ([[https://github.com/segment-any-text/wtpsplit|wtpsplit]], [[https://github.com/thompsonb/vecalign|Vecalign]])
  
 == Vyhledávací rozhraní: == == Vyhledávací rozhraní: ==
Řádek 31: Řádek 32:
 == Opravené chyby: == == Opravené chyby: ==
  
-  * **jméno autora** nebylo uvedeno u některých textů v rámci jednoho jazyka jednotně (atribut textu ''author'')+  * **jméno autora** nebylo uvedeno u některých textů v rámci jednoho jazyka jednotně (atribut ''text.author'')
   * v jazycích psaných **cyrilicí** byly znaky graficky identické s latinkou někdy chybně kódovány jako latinka; většinu těchto chyb se nám podařilo odstranit   * v jazycích psaných **cyrilicí** byly znaky graficky identické s latinkou někdy chybně kódovány jako latinka; většinu těchto chyb se nám podařilo odstranit
-  * řada textů nebyla označena jako **literatura pro děti a mládež**; to jsme v souvislosti s přesunem tohoto údaje do nového atributu ''audience'' napravili; počet textů takto označených vzrostl z 5 na 122+  * řada textů nebyla označena jako **literatura pro děti a mládež**; to jsme v souvislosti s přesunem tohoto údaje do nového atributu ''text.audience'' napravili; počet textů takto označených vzrostl z 5 na 122
   * kvůli drobným korekcím ve způsobu sumarizace **syntaktické komplexity a lexikální diverzity** za jednotlivé texty, textové typy a jazyky se souhrnné hodnoty těchto měr mohou v některých případech nepatrně lišit od předchozí verze i beze změny obsahu korpusu     * kvůli drobným korekcím ve způsobu sumarizace **syntaktické komplexity a lexikální diverzity** za jednotlivé texty, textové typy a jazyky se souhrnné hodnoty těchto měr mohou v některých případech nepatrně lišit od předchozí verze i beze změny obsahu korpusu  
  
Řádek 239: Řádek 240:
  
  
----- +===== Verze 5 =====
- +
- +
-==== Verze 5 ====+
  
 zveřejněná 14. 6. 2012 zveřejněná 14. 6. 2012
Řádek 352: Řádek 350:
  
  
-==== Verze 0 ==+===== Verze 0 =====
  
 zveřejněná 19. 11. 2008 zveřejněná 19. 11. 2008

Historie: • historie