cnk:intercorp:historie - Příručka ČNK

Tato stránka je pouze pro čtení. Můžete si pouze prohlédnout zdrojový kód, ale ne ho měnit. Zeptejte se správce, pokud si myslíte, že něco není v pořádku.
===== Historie verzí =====

==== Verze 16ud ====

zveřejněná 17. 9. 2024

== Data: ==
  * obsahuje stejné texty jako verze 16
  * lingvistická anotace
  * stalo se to hlavně díky aktualizaci balíčku Subtitles, který teď obsahuje 4 001 mil. slov
  * v Subtitles a tím pádem i v celém korpusu přibylo i 20 nových jazyků – korpus teď obsahuje celkem 62 jazyků (včetně češtiny)
  * počet slov v cizojazyčných textech je celkem 4 893 mil., z toho 387 mil. jádro a 4 506 mil. kolekce
  * počet slov v českých textech celkem je 398 mil., z toho 125 mil. jádro a 273 mil. kolekce
  * [[cnk:intercorp:verze16|Informace o korpusu]]



==== Verze 16 ====

zveřejněná 12. 10. 2023

== Data: ==
  * jádro korpusu teď obsahuje všechny texty naplánované a schválené na rok 2022 a zpracované do uzávěrky této verze
  * počet slov ve všech jazycích a typech textů se zvětšil asi na trojnásobek, tj. z 1 798 mil. na 5 290 mil.
  * stalo se to hlavně díky aktualizaci balíčku Subtitles, který teď obsahuje 4 001 mil. slov
  * v Subtitles a tím pádem i v celém korpusu přibylo i 20 nových jazyků – korpus teď obsahuje celkem 62 jazyků (včetně češtiny)
  * počet slov v cizojazyčných textech je celkem 4 893 mil., z toho 387 mil. jádro a 4 506 mil. kolekce
  * počet slov v českých textech celkem je 398 mil., z toho 125 mil. jádro a 273 mil. kolekce
  * [[cnk:intercorp:verze16|Informace o korpusu]]



==== Verze 15 ====

zveřejněná 11. 11. 2022

== Data: ==

  * počet slov v cizojazyčných textech celkem 1 588 mil., z toho 362 mil. jádro a 1 226 mil. kolekce
  * počet slov v českých textech celkem 210 mil., z toho 120 mil. jádro a 90 mil. kolekce
  * v balíčku Project Syndicate přibyly texty za roky 2019 až 2021, nově také texty čínské a arabské
  * pro norštinu místo národního taggeru používáme od této verze tagger UDPipe, včetně tokenizace a značek podle standardu Universal Dependencies (tak jako pro běloruštinu a ukrajinštinu) 
  * [[cnk:intercorp:verze15|Informace o korpusu]]
==== Verze 14 ====

zveřejněná 31. 1. 2022

== Data: ==

  * počet slov v cizojazyčných textech celkem 1 572 mil., z toho 349 mil. jádro a 1 223 mil. kolekce
  * počet slov v českých textech celkem 207 mil., z toho 118 mil. jádro a 90 mil. kolekce
  * přibyl nový jazyk: hornolužická srbština (ve zkratce hs)
  * [[cnk:intercorp:verze14|Informace o korpusu]]

==== Verze 13ud ====

zveřejněná 22. 12. 2021

[[https://wiki.korpus.cz/doku.php/cnk:intercorp:verze13ud#hlavni_rozdily_mezi_verzemi_13_a_13ud | Rozdíly mezi verzemi 13 a 13ud]]

==== Verze 13 ====

zveřejněná 1. 11. 2020

== Data: ==

  * počet slov v cizojazyčných textech celkem 1 550 mil., z toho 327 mil. jádro a 1 223 mil. kolekce
  * počet slov v českých textech celkem 203 mil., z toho 113 mil. jádro a 90 mil. kolekce
  * čínština je už zastoupena i v jádru
  * taggerem ReLDI se teď taguje i slovinština
  * [[cnk:intercorp:verze13|Informace o korpusu]]


==== Verze 12 ====

zveřejněná 12. 12. 2019

== Data: ==

  * počet slov v cizojazyčných textech celkem 1 534 mil., z toho 311 mil. jádro a 1 223 mil. kolekce
  * počet slov v českých textech celkem 200 mil., z toho 111 mil. jádro a 90 mil. kolekce
  * kolekce Project Syndicate a PressEurop/VoxEurop byly rozšířeny o přírůstky za roky 2017–2018
  * nový jazyk: čínština (pouze v kolekcích)
  * [[cnk:intercorp:verze12|Informace o korpusu]]

==== Verze 11 ====

zveřejněná 19. 10. 2018

== Data: ==

  * počet slov v cizojazyčných textech celkem 1 508 mil., z toho 283 mil. jádro a 1 225 mil. kolekce
  * počet slov v českých textech celkem 196 mil., z toho 107 mil. jádro a 89 mil. kolekce
  * japonština má nyní zastoupení i v jádru
  * nově označkované a lemmatizované jazyky: běloruština, japonština, ukrajinština
  * [[cnk:intercorp:verze11|Informace o korpusu]]

==== Verze 10 ====

zveřejněná 1. 12. 2017

== Data: ==

  * počet slov v cizojazyčných textech celkem 1 483 mil., z toho 258 mil. jádro a 1 225 mil. kolekce
  * počet slov v českých textech celkem 192 mil., z toho 102 mil. jádro a 89 mil. kolekce
  * nová kolekce: překlady Bible – Nového i Starého zákona, v 18 jazycích (včetně češtiny)
  * aktualizace textů ze zdroje //Project Syndicate// (přibyly texty za poslední dva roky)
  * spolehlivější lingvistická anotace u řady jazyků (tagger zpracovává čistý text bez formátovacích a jiných značek)
  * odstranění textů v jiném než deklarovaném jazyce z kolekce //Acquis//
  * katalánština je nově anotována značkami i lemmaty
  * bulharština a nizozemština je nově anotována kromě značek i lemmaty
  * maďarština je nově anotována nástrojem RFTagger (dříve HunPOS)
  * pro technické potíže s taggerem není litevština anotována značkami a lemmaty; litevština není anotována značkami a lemmaty už od verze 7, omlouváme se za chybný údaj v předchozích verzích 
  * [[cnk:intercorp:verze10|Informace o korpusu]]
 
== Vyhledávací rozhraní: ==

  * lze vybírat a označovat konkordance
  * subkorpus pro daný jazyk lze vytvořit z částí zarovnaných s určenými jazyky
  * //treq// (databáze ekvivalentů) nabízí nyní jako druhý jazyk kromě češtiny i angličtinu, vyhledávání víceslovných výrazů a zadávání dotazu pomocí regulárních výrazů 
==== Verze 9 ====

zveřejněná 9. 9. 2016

== Data: ==

  * počet slov v cizojazyčných textech celkem 1460 mil., z toho 232 mil. jádro a 1229 mil. kolekce
  * počet slov v českých textech celkem 187 mil., z toho 97 mil. jádro a 90 mil. kolekce
  * nový jazyk: romština
  * nově označkované a lemmatizované jazyky: chorvatština, srbština, lotyština
  * srbské texty zapsané cyrilicí konvertovány do latinky
  * díky novému způsobu plánování textů lepší reprezentativnost napříč jazyky
  * jména autorů a překladatelů sjednocena v rámci jednoho jazyka 
  * [[cnk:intercorp:verze9|Informace o korpusu]]

== Vyhledávací rozhraní: ==

  * řada drobných vylepšení a odstraněných chyb 
  * popis značkovací sady pro daný jazyk je přístupný z KonTextu

==== Verze 8 ====

zveřejněná 4. 6. 2015

== Data: ==

  * počet slov v cizojazyčných textech celkem 1423 mil., z toho 194 mil. jádro a 1229 mil. kolekce
  * počet slov v českých textech celkem 174 mil., z toho 84 mil. jádro a 89 mil. kolekce
  * kolekce Project Syndicate a PressEurop/VoxEurop byly rozšířeny o přírůstky za roky 2013–2014
  * byla opravena a doplněna metadata u stovek textů z jádra
  * [[cnk:intercorp:verze8|Informace o korpusu]]

== Vyhledávací rozhraní: ==

  * rozhraní Park už není přístupné, pro hledání v InterCorpu lze použít jen KonText
  * rozhraní KonText se průběžně zdokonaluje, např. lze označovat vybrané konkordance pro další zpracování
  * nová aplikace [[http://treq.korpus.cz|Treq]] umožňuje zjistit překlady jednotlivých slov (lemmat nebo forem) spolu s jejich frekvencí na základě paralelních česko-cizojazyčných textů z korpusu InterCorp
==== Verze 7 ====

zveřejněná 19. 12. 2014

== Data: ==

  * počet slov v cizojazyčných textech celkem 1390 mil., z toho 173 mil. jádro a 1217 mil. kolekce
  * počet slov v českých textech celkem 165 mil., z toho 77 mil. jádro a 85 mil. kolekce
  * počet cizích jazyků: 38 – přibyla albánština, hebrejština, islandština, japonština, malajština, turečtina a vietnamština
  * přibyl další balík textů: filmové titulky z databáze Open Subtitles
  * české texty jsou nově označkovány stejně jako jiné české texty v ČNK, tedy včetně slovesného vidu na 16. pozici značky a bez nespecifických kódů, např.Y nebo Z na 3. pozici
  * nově jsou morfologicky označkovány a lemmatizovány finské, islandské a švédské texty
  * německé texty jsou nově označkovány jiným nástrojem, spolehlivěji a podrobněji, včetně všech morfologických kategorií, sada značek však zůstává stejná
  * bylo opraveno zarovnání textů z korpusu ASPAC
  * u balíků Syndicate, Presseurop a Europarl byly podle možnosti doplněny některé metainformace, např. jazyk originálu a autor
  * [[cnk:intercorp:verze7|Informace o korpusu]]

== Vyhledávací rozhraní: ==

  * starší rozhraní Park a NoSketch Engine byly nahrazeny rozhraním [[manualy:kontext:index|KonText]]
  * v rozhraní KonText je možné hledat v předchozí verzi korpusu
  * v rozhraní KonText je nyní při výběru textů nebo při vytváření nového subkorpusu možné sledovat rozsah vyběru podle titulů; po zadání podmínek výběru stačí kliknout na tlačítko "zúžit výběr" a seznam vybraných titulů se objeví ve sloupci "div.title"
  * v rozhraní KonText je implicitně nastavena funkce promíchání konkordančních řádků; pokud nechcete při každém dotazu čekat na vypsání výsledků až po nalezení všech konkordancí, můžete si tuto funkci vypnout v menu Zobrazení – Obecné volby zobrazení 


----


==== Verze 6 ====

zveřejněná 8. 4. 2013

== Data: ==

  * počet slov v cizojazyčných textech: 138 779 000 – jádro, 728 508 000 - kolekce
  * počet cizích jazyků: 31 – přibyla arabština, katalánština, hindština a ukrajinština
  * přibyly beletristické texty z korpusu ASPAC – Amsterdam Slavic Parallel Aligned Corpus – zvláštní poděkování patří prof. Adrianu Barentsenovi
  * přibyl další balík textů z korpusu EuroParl (jednání Evropského Parlamentu)
  * balíky Syndicate a Presseurop byly doplněny o texty za poslední dva roky
  * [[cnk:intercorp:verze6|Informace o korpusu]]

== Vyhledávací rozhraní: ==

  * kromě hledání přes rozhraní Park je teď možné hledat i přes rozhraní NoSketch Engine
  * Park: možnost hledat v předchozí verzi korpusu


----


==== Verze 5 ====

zveřejněná 14. 6. 2012

== Data: ==

  * oddělení textů z jádra od textů v kolekcích
  * počet slov v cizojazyčných textech: 91 529 000 - jádro, 451 112 000 - kolekce
  * počet cizojazyčných textů: 1 287 + Syndicate, Presseurop a Acquis
  * počet cizích jazyků: 27
  * z toho označkovaných / lemmatizovaných: 17 / 14
  * přibyl další balík textů z Acquis Communautaire
  * [[cnk:intercorp:verze5|Informace o korpusu]]

== Park: ==

  * možnost filtrovat texty na základě bibliografických informací
  * oddělení textů z jádra od textů v kolekcích
  * přidána možnost vytvořit náhodný vzorek z konkordance
  * vylepšená podpora jazyků v rozhraní Park


----


==== Verze 4 ====

zveřejněná 19. 9. 2011

== Data: ==

  * počet slov v cizojazyčných textech: 92 290 000 (včetně Syndicate a Presseurop)
  * počet cizojazyčných textů: 1 045 + Syndicate a Presseurop
  * počet cizích jazyků: 22
  * z toho označkovaných / lemmatizovaných: 13 / 10
  * přibyly automaticky zarovnané texty ze serveru Presseurop
  * přibyl další balík textů z projektu Syndicate
  * doplnění dalších strukturních atributů (origyear, srclang, txtype)
  * [[cnk:intercorp:verze4|Informace o korpusu]]

== Park: ==
beze změny


----


==== Verze 3.1 ====

zveřejněná 18. 5. 2011

== Data: ==

beze změny

== Park: ==

  * víceúrovňový filtr výsledků dotazu
  * vylepšení podpory cookies
  * další exportní formát 

==== Verze 3 ====

zveřejněná 21. 2. 2011

== Data: ==

  * počet slov v cizojazyčných textech: 72 280 000 (včetně Syndicate)
  * počet cizojazyčných textů: 943 + Syndicate
  * počet cizích jazyků: 22
  * z toho označkovaných / lemmatizovaných: 13 / 10
  * přechod na stand-off alignment 
  * [[cnk:intercorp:verze3|Informace o korpusu]]

== Park: ==

  * jednoúrovňový filtr výsledků dotazu
  * zobrazení vybrané stránky výsledku
  * přechod na stand-off alignment 


----


==== Verze 2 ==

zveřejněná 16. 10. 2009

== Data: ==

  * počet slov v cizojazyčných textech: 49 293 000 (včetně Syndicate)
  * počet cizojazyčných textů: 572 + Syndicate
  * počet cizích jazyků: 21
  * z toho označkovaných / lemmatizovaných: 10 / 7
  * přibyly automaticky zarovnané texty z projektu Syndicate 

== Přístup ke korpusu: ==

  * zpřístupnění jednojazyčných verzí korpusu mimo Park 

----


==== Verze 1 ==

zveřejněná 29. 4. 2009

== Data: ==

  * počet slov v cizojazyčných textech: 34 464 000
  * počet cizojazyčných textů: 505
  * počet cizích jazyků: 20
  * z toho označkovaných / lemmatizovaných: 10 / 7
  * lemmatizace a morfologické značkování některých jazyků 

== Park: ==

  * zobrazování velikosti subkorpusů 

----


==== Verze 0 ==

zveřejněná 19. 11. 2008

== Data: ==

  * počet slov v cizojazyčných textech: 25 mil.
  * počet cizích jazyků: 19
  * z toho označkovaných / lemmatizovaných: 0 / 0 

== Park: ==

  * první stabilní verze


===== Související odkazy =====
<WRAP round box 50%>
[[pojmy:paralelni|Paralelní korpus]] • [[cnk:syn|SYN]] • [[cnk:SYN2010|SYN2010]] • [[cnk:jerome|Korpus JEROME]]
</WRAP>
Historie: • verze5 • verze6 • lemmatizace • syd • nahodne_vzorky • czesl-plain • verze11 • strukturni_atributy_syn • zaciname • syn2005