AplikaceAplikace
Nastavení

Toto je starší verze dokumentu!


Korpus InterCorp verze 10

Název čeština jádro čeština kolekce cizí jazyky jádro cizí jazyky kolekce
Pozice Počet tokenů 127 413 531 118 069 703 311 809 130 1 551 411 225
Počet slovních tvarů 102 609 763 89 841 420 258 807 848 1 225 034 182
Struktury Počet dokumentů 1 507 6 3 232 106
Počet div 1 507 111 672 3 232 1 841 341
Počet vět 8 803 067 13 593 172 19 207 592 142 734 479
Další informace referenční ANO
reprezentativní NE (různé textové typy)
rok zveřejnění 2017
cizích jazyků 39
tagovaných jazyků 23
lemmat jazyků 22

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 Martina Vavřína.

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. – ZASINA, A. Korpus InterCorp – angličtina, němčina,1) verze 9 z 9.9.2016. Ústav Českého národního korpusu, FF UK, Praha 2016. 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 10 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 10 ze září 2017 činí 258 milionů slov v zarovnaných cizojazyčných textech v jádru a 1 225 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 Bible Celkem
ar arabština 34 0 0 0 0 0 0 34
be běloruština 3 967 0 0 0 0 0 0 3 967
bg bulharština 6 465 0 0 13 572 9 067 0 0 29 103
ca katalánština 4 645 0 0 0 0 0 736 5 381
da dánština 4 548 0 0 20 313 13 916 14 430 657 53 581
de němčina 33 053 4 457 2 483 20 610 13 089 8 393 724 82 809
el řečtina 0 0 0 23 854 15 404 23 715 0 62 972
en angličtina 24 567 4 604 2 670 22 902 15 576 52 123 730 123 172
es španělština 21 036 5 322 2 859 26 262 16 249 36 650 0 108 377
et estonština 0 0 0 14 896 10 899 10 298 0 36 093
fi finština 4 074 0 0 15 489 10 175 15 098 544 45 380
fr francouzština 15 073 5 391 3 046 26 200 17 179 25 991 764 93 644
he hebrejština 0 0 0 0 0 16 221 0 16 221
hi hindština 409 0 0 0 0 0 0 409
hr chorvatština 20 146 0 0 0 0 19 049 571 39 767
hu maďarština 5 626 0 0 17 853 12 198 21 115 0 56 791
is islandština 0 0 0 0 0 1 585 0 1 585
it italština 10 784 1 141 2 747 23 771 15 494 14 701 684 69 321
ja japonština 0 0 0 0 0 113 0 113
lt litevština 358 0 0 17 316 11 213 558 471 29 916
lv lotyština 2 025 0 0 17 533 11 682 280 0 31 521
mk makedonština 5 939 0 0 0 0 1 877 0 7 816
ms malajština 0 0 0 0 0 3 521 0 3 521
mt maltština 0 0 0 13 953 0 0 0 13 953
nl nizozemština 13 454 711 2 953 23 416 15 558 29 373 717 86 181
no norština 5 305 0 0 0 0 0 722 6 026
pl polština 23 238 0 2 378 19 594 12 811 26 572 583 85 176
pt portugalština 3 473 520 3 000 27 301 16 485 43 392 760 94 930
rn romština 14 0 0 0 0 0 0 14
ro rumunština 3 888 0 2 738 8 092 9 446 34 129 0 58 293
ru ruština 5 978 3 767 0 0 0 6 887 565 17 197
sk slovenština 8 545 0 0 18 400 12 734 5 134 561 45 375
sl slovinština 2 952 0 0 18 485 12 241 17 025 0 50 702
sq albánština 0 0 0 0 0 2 004 0 2 004
sr srbština 10 207 0 0 0 0 20 728 0 30 934
sv švédština 10 269 0 0 19 609 13 840 14 694 638 59 051
tr turečtina 0 0 0 0 0 21 191 0 21 191
uk ukrajinština 8 736 0 0 0 0 246 600 9 583
vi vietnamština 0 0 0 0 0 1 474 0 1 474
celkem 258 808 25 913 24 874 409 403 265 255 488 562 11 027 1 483 842
cs čeština 102 610 4 131 2 315 19 218 12 923 50 688 566 192 451
CELKEM 361 418 30 044 27 189 428 621 278 178 539 250 11 593 1 676 293

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*) anglicky*) OMorFi +HunPOS
francouzština anglicky TreeTagger
chorvatština anglicky ReLDI Tagger
islandština anglicky IceStagger
italština anglicky TreeTagger
katalánština anglicky TreeTagger
lotyština lotyšsky LVTagger
maďarština anglicky RFTagger
němčina anglicky **) německy RFTagger
nizozemština anglicky nizozemsky TreeTagger
norština anglicky a 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.

Rozdíly mezi formátem značek v dokumentaci a v korpusu jsou i u některých jiných jazyků. Před zadáním dotazu na značku si formát značky prosím ověřte. Na stránce s výsledky libovolného dotazu zaškrtněte v menu Zobrazení/Korpusová nastavení… mezi Pozičními atributy volbu tag a v Možnostech zobrazení vyberte pro každý token.

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 / _BIBLE
div.grouprozdělení na: Core / Acquis / Europarl / PressEurop / Subtitles / Syndicate / Bible
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 / religious
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

Poděkování

Děkujeme za možnost využívat následující texty a software:

Texty:

  • za možnost zařadit do korpusu nejnovější (13. opravené) vydání Českého ekumenického překladu Bible z roku 2016 děkujeme České biblické společnosti, zvláště Petru Fryšovi
  • beletristické texty v řadě slovanských i jiných jazyků z korpusu ASPAC – Amsterdam Slavic Parallel Aligned Corpus – zvláštní poděkování patří Adrianu Barentsenovi
  • publicistické texty ve více jazycích z webových stránek Project Syndicate
  • publicistické texty ve více jazycích ze serveru VoxEurop
  • právnické texty v jazycích EU z korpusu JRC-ACQUIS
  • jednání Evropského parlamentu z korpusu EuroParl
  • slovensko-české konkordance ze Slovenského národního korpusu
  • povídky ve více jazycích z projektu Můj rok 1989 z Goethe Institutu
  • za více textů v česko-litevské části korpusu a za práci Jiřího Levého Umění překladu ve více jazycích vděčíme Patricku Cornessovi
  • román George Orwella 1984 ve více jazycích z korpusu Multext-East
  • ukrajinské a polské texty z korpusu PolUkr
  • norské texty z nakladatelství Forlaget Oktober
  • filmové titulky z databáze Open Subtitles

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, katalánštinu, nizozemštinu, portugalštinu (s poděkováním Pablu Gamallovi), ruštinu a španělštinu
  • Morfeusz a TaKIPI pro polštinu
  • HunPOS pro finštinu a další jazyky
  • tagger pro slovenštinu (s poděkováním Radovanu Garabíkovi)
  • tagger pro norštinu
  • totale pro slovinštinu (s poděkováním Tomaži Erjavcovi)
  • RFTagger pro němčinu a maďarštinu
  • OMorFi 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 Pēterisu Paikensovi a Michalu Škrabalovi)

1)
Vložte konkrétní jazyky.