cnk:intercorp:historie

Obsah

Historie verzí

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
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)
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)
Informace o korpusu

Verze 13ud

zveřejněná 22. 12. 2021

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
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)
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
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
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
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
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 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
Informace o korpusu

Vyhledávací rozhraní:

starší rozhraní Park a NoSketch Engine byly nahrazeny rozhraním 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
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
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)
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
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

Paralelní korpus • SYN • SYN2010 • Korpus JEROME