cnk:intercorp:verze3 - 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.
<HTML>

<h1>Korpus InterCorp</h1>
 
<p>
Korpus InterCorp je hlavním výstupem stejnojmenného projektu, jehož cílem je vybudovat rozsáhlý paralelní synchronní korpus pokrývající co největší množství jazyků. Na jeho tvorbě se významnou měrou podílejí pedagogové a studenti FF UK v Praze a další spolupracovníci ÚČNK.
</p>

<p>Po registraci na stránce <a href="http://korpus.cz/prohlaseni.php">Prohlášení uživatele korpusů ÚČNK</a>  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.
</p>

<p>InterCorp má v řadě korpusů budovaných v ÚČNK zvláštní postavení hned v několika ohledech:
</p>

<ul><li> je přístupný přes speciální rozhraní <a href="http://www.korpus.cz/Park/" target="_blank">Park</a>, které je naší nadstavbou nad  systémem Manatee Pavla Rychlého; stručný návod k použití Parku najdete <a href="http://www.korpus.cz/intercorp/?req=page:manual&amp;lang=cs">zde</a>; autorem Parku je Michal Štourač</li></ul>

<ul><li><a href="http://www.korpus.cz/corpora/intercorp/" target="_blank">jednojazyčné</a> verze všech paralelních korpusů jsou zpřístupněné pomocí webové verze rozhraní Bonito, takže je možné na korpusy jednotlivých jazyků používat standardní nástroje, jako jsou filtry, třídění, kolokace, frekvenční distribuce, náhodné vzorky atd.; stejně jako se všemi cizojazyčnými korpusy je navíc možné pracovat i s odpovídajícími verzemi češtiny</li></ul>

<ul><li>specifikem InterCorpu je také jeho inkrementální povaha: zatímco většina ostatních korpusů ČNK jsou neměnné referenční entity, objem textů i počet jazyků zpřístupněných v korpusu InterCorp se postupně zvyšuje</li></ul>

<h2>Obsah korpusu</h2>

<p>InterCorp obsahuje převážně manuálně zarovnané beletristické texty v češtině a dalších jazycích a výběr publistických článků z webových stránek <a href="http://www.project-syndicate.org/" target="_blank">Project Syndicate</a>, zatím jde o české, anglické, francouzské, německé, ruské a španělské texty z let 2000 až 2008. Tyto texty jsou zarovnané jen automaticky, v konkordancích tedy může být více vět, které si navzájem neodpovídají.</p> 
    
<p>Každý cizojazyčný textu má v korpusu svou českou verzi. Čeština
je tedy tzv.  pivot, česká verze textu (originál nebo překlad) je
zarovnaná s jednou nebo více verzemi cizojazyčnými.  V níže uvedené
tabulce jsou data popisující rozsah zpřístupněné části korpusu,
Project Syndicate představuje zhruba 1,5 až 2 milióny slov, která jsou
již započtena v celkovém počtu slov pro daný jazyk (stav z února 2011 ve verzi InterCorpu č. 3, historii verzí najdete <a href="http://www.korpus.cz/intercorp/?req=page:releaseNotes&amp;lang=cs">zde</a>).</p>


<table border="1" cellpadding="4" cellspacing="2">
<tbody>
<tr> <td align="center" bgcolor="#dbcf95" valign="top"> <b>jazyk</b> </td> <td align="center" bgcolor="#dbcf95" valign="top"> <b>počet&nbsp;slov<br>(v&nbsp;tisících)</b> </td> <td align="center" bgcolor="#dbcf95" valign="top"> <b>počet textů</b> </td> </tr>
<tr> <td align="left">angličtina</td> <td align="right"> 5 695</td> <td align="right"> Syndicate + 49 </td> </tr>
<tr> <td align="left">bulharština</td> <td align="right"> 1 135</td> <td align="right"> 15</td> </tr>
<tr> <td align="left">dánština</td> <td align="right"> 190</td> <td align="right"> 5</td> </tr>
<tr> <td align="left">finština</td> <td align="right"> 1 247</td> <td align="right"> 19</td> </tr>
<tr> <td align="left">francouzština</td> <td align="right"> 3&nbsp;141</td> <td align="right"> Syndicate+ 21 </td> </tr>
<tr> <td align="left">chorvatština</td> <td align="right"> 6 735</td> <td align="right"> 96</td> </tr>
<tr> <td align="left">italština</td> <td align="right"> 2 817 </td> <td align="right"> 28 </td> </tr>
<tr> <td align="left">litevština </td> <td align="right"> 353</td> <td align="right"> 17</td> </tr>
<tr> <td align="left">lotyština</td> <td align="right"> 1 085</td> <td align="right"> 33</td> </tr>
<tr> <td align="left">maďarština</td> <td align="right"> 1 123 </td> <td align="right"> 17 </td> </tr>
<tr> <td align="left">němčina </td> <td align="right"> 8 846 </td> <td align="right"> Syndicate + 100 </td> </tr>
<tr> <td align="left">nizozemština</td> <td align="right"> 3 914</td> <td align="right"> 58</td> </tr>
<tr> <td align="left">norština</td> <td align="right"> 2 158</td> <td align="right"> 21</td> </tr>
<tr> <td align="left">polština </td> <td align="right"> 4 716</td> <td align="right"> 80</td> </tr>
<tr> <td align="left">portugalština</td> <td align="right"> 1 312 </td> <td align="right"> 18 </td> </tr>
<tr><td align="left">rumunština </td> <td align="right"> 671</td> <td align="right"> 5</td> </tr>
<tr> <td align="left">ruština</td> <td align="right"> 2 951 </td> <td align="right"> Syndicate + 25 </td> </tr>
<tr> <td align="left">slovenština</td> <td align="right"> 6 899</td> <td align="right"> 138</td> </tr>
<tr> <td align="left">slovinština</td> <td align="right"> 992</td> <td align="right"> 16</td> </tr>
<tr> <td align="left">srbština</td> <td align="right"> 1 724</td> <td align="right"> 27</td> </tr>
<tr> <td align="left">španělština</td> <td align="right"> 10 905 </td> <td align="right"> Syndicate + 108 </td> </tr>
<tr> <td align="left">švédština</td> <td align="right"> 3 673 </td> <td align="right"> 47 </td> </tr>
<tr> <td align="left" bgcolor="#dbcf95"> <b>CELKEM</b> </td> <td align="right" bgcolor="#dbcf95"> <b>72 280</b> </td> <td align="right" bgcolor="#dbcf95"> <b>943</b> </td> </tr>
<tr> <td align="left">čeština<sup>*)</sup></td> <td align="right"> 41 340</td> <td align="right"> Syndicate + 652</td> </tr>
</tbody>
</table> 

<p>*) U českých textů se počítají slova jen jednou za každý text, i když má více cizojazyčných protějšků.</p>

<!--
<table border="1" cellpadding="4" cellspacing="2">
<tbody>
<tr> <td align="center" bgcolor="#dbcf95" valign="top"> <b>jazyk</b> </td> <td align="center" bgcolor="#dbcf95" valign="top"> <b>počet&nbsp;slov (v&nbsp;tis&iacute;c&iacute;ch)</b> </td> <td align="center" bgcolor="#dbcf95" valign="top"> <b>počet textů</b> </td> </tr>
<tr> <td align="left">čeština</td> <td align="center"> 41 340</td> <td align="center"> Syndicate + 652</td> </tr>
</tbody>
</table> 
-->



<br><h2 class="section">Morfosyntaktická anotace</h2>

<p>Texty v těchto jazycích jsou opatřeny morfologickou anotací.</p>

<table border="1" cellpadding="4" cellspacing="2">
<tbody>
<tr>
<td align="left" bgcolor="#dbcf95" nowrap="nowrap"> <b>jazyk</b></td>
<td align="center" bgcolor="#dbcf95" nowrap="nowrap"><b>značky</b></td>
<td align="center" bgcolor="#dbcf95" nowrap="nowrap"><b>lemmata</b></td>
<td align="center" bgcolor="#dbcf95" nowrap="nowrap"><b>stručný popis</b></td>
<td align="center" bgcolor="#dbcf95" nowrap="nowrap"><b>podrobný popis</b></td>
<td align="center" bgcolor="#dbcf95" nowrap="nowrap"><b>nástroj</b></td>
</tr>
<tr>
<td align="left" nowrap="nowrap"> angličtina</td>
<td align="center" nowrap="nowrap">✔</td>
<td align="center" nowrap="nowrap">✔</td>
<td align="center" nowrap="nowrap"><a href="http://www.ims.uni-stuttgart.de/projekte/CorpusWorkbench/CQP-HTMLDemo/PennTreebankTS.html">anglicky</a></td>
<td align="center" nowrap="nowrap"><a href="http://utkl.ff.cuni.cz/%7Erosen/public/Penn-Treebank-Tagset.pdf">anglicky</a> <a href="http://utkl.ff.cuni.cz/%7Erosen/public/PennTagAdd.html">+ dodatky</a></td>
<td align="center" nowrap="nowrap"><a href="http://www.ims.uni-stuttgart.de/projekte/corplex/TreeTagger/">TreeTagger</a></td>
</tr>
<tr>
<td align="left" nowrap="nowrap"> bulharština</td><td align="center" nowrap="nowrap">✔</td>
<td align="center" nowrap="nowrap">&nbsp;</td>
<td align="center" nowrap="nowrap">&nbsp;</td>
<td align="center" nowrap="nowrap"><a href="http://www.bultreebank.org/TechRep/BTB-TR03.pdf">anglicky</a></td>
<td align="center" nowrap="nowrap"><a href="http://www.ims.uni-stuttgart.de/projekte/corplex/TreeTagger/">TreeTagger</a></td>
</tr>
<tr>
<td align="left" nowrap="nowrap"> čeština</td>
<td align="center" nowrap="nowrap">✔</td>
<td align="center" nowrap="nowrap">✔</td>
<td align="center" nowrap="nowrap"><a href="http://korpus.cz/bonito/znacky.php">česky</a> <a href="http://ufal.mff.cuni.cz/pdt/Morphology_and_Tagging/Doc/hmptagqr.html">anglicky</a> *)</td>
<td align="center" nowrap="nowrap"><a href="http://ufal.mff.cuni.cz/pdt/Morphology_and_Tagging/Doc/docc0pos.ps">anglicky</a></td>
<td align="center" nowrap="nowrap"><a href="http://ufal.mff.cuni.cz/morce/">Morče</a></td>
</tr>
<tr>
<td align="left" nowrap="nowrap"> francouzština</td>
<td align="center" nowrap="nowrap">✔</td>
<td align="center" nowrap="nowrap">✔</td>
<td align="center" nowrap="nowrap"><a href="http://www.ims.uni-stuttgart.de/%7Eschmid/french-tagset.html">anglicky</a></td>
<td align="center" nowrap="nowrap">&nbsp;</td>
<td align="center" nowrap="nowrap"><a href="http://www.ims.uni-stuttgart.de/projekte/corplex/TreeTagger/">TreeTagger</a></td>
</tr>
<tr>
<td align="left" nowrap="nowrap"> italština</td>
<td align="center" nowrap="nowrap">✔</td>
<td align="center" nowrap="nowrap">✔</td>
<td align="center" nowrap="nowrap"><a href="http://www.ims.uni-stuttgart.de/ftp/pub/corpora/italian-tagset.txt">anglicky</a></td>
<td align="center" nowrap="nowrap">&nbsp;</td>
<td align="center" nowrap="nowrap"><a href="http://www.ims.uni-stuttgart.de/projekte/corplex/TreeTagger/">TreeTagger</a></td>
</tr>
<tr>
<td align="left" nowrap="nowrap">litevština</td>
<td align="center" nowrap="nowrap">✔</td>
<td align="center" nowrap="nowrap">✔</td>
<td align="center" nowrap="nowrap"><a href="http://utkl.ff.cuni.cz/~skoumal/CZ-LT-CORP/tags.html">česky a anglicky</a></td>
<td align="center" nowrap="nowrap">&nbsp;</td>
<td align="center" nowrap="nowrap"><a href="http://donelaitis.vdu.lt/~vidas/">Vidas Daudaravičius</a></td>
</tr>
<tr>
<td align="left" nowrap="nowrap"> maďarština</td>
<td align="center" nowrap="nowrap">✔</td>
<td align="center" nowrap="nowrap">&nbsp;</td>
<td align="center" nowrap="nowrap">&nbsp;</td>
<td align="center" nowrap="nowrap"><a href="http://utkl.ff.cuni.cz/%7Erosen/public/kr_for_ldc.pdf">anglicky</a></td>
<td align="center" nowrap="nowrap"><a href="http://code.google.com/p/hunpos/">HunPos</a></td>
</tr>
<tr>
<td align="left" nowrap="nowrap"> němčina</td>
<td align="center" nowrap="nowrap">✔</td>
<td align="center" nowrap="nowrap">✔</td>
<td align="center" nowrap="nowrap"><a href="http://www.ims.uni-stuttgart.de/projekte/corplex/TagSets/stts-table.html">německy</a></td>
<td align="center" nowrap="nowrap"><a href="http://utkl.ff.cuni.cz/%7Erosen/public/stts_guide.pdf">německy</a></td>
<td align="center" nowrap="nowrap"><a href="http://www.ims.uni-stuttgart.de/projekte/corplex/TreeTagger/">TreeTagger</a></td>
</tr>
<tr>
<td align="left" nowrap="nowrap"> nizozemština</td>
<td align="center" nowrap="nowrap">✔</td>
<td align="center" nowrap="nowrap">&nbsp;</td>
<td align="center" nowrap="nowrap">&nbsp;</td>
<td align="center" nowrap="nowrap">&nbsp;</td>
<td align="center" nowrap="nowrap"><a href="http://www.ims.uni-stuttgart.de/projekte/corplex/TreeTagger/">TreeTagger</a></td>
</tr>
<tr>
<td align="left" nowrap="nowrap"> norština</td>
<td align="center" nowrap="nowrap">✔</td>
<td align="center" nowrap="nowrap">✔</td>
<td align="center" nowrap="nowrap">&nbsp;</td>
<td align="center" nowrap="nowrap">&nbsp;</td>
<td align="center" nowrap="nowrap"><a href="http://maximos.aksis.uib.no/Aksis-wiki/Oslo-Bergen_Tagger">analyzátor</a>, <a href="http://omilia.uio.no/obt/">tagger</a></td>
</tr>
<tr>
<td align="left" nowrap="nowrap"> polština</td>
<td align="center" nowrap="nowrap">✔</td>
<td align="center" nowrap="nowrap">✔</td>
<td align="center" nowrap="nowrap"><a href="http://korpus.pl/en/cheatsheet/node2.html">anglicky</a> <a href="http://korpus.pl/pl/cheatsheet/node2.html">polsky</a></td>
<td align="center" nowrap="nowrap"><a href="http://nlp.ipipan.waw.pl/%7Eadamp/Papers/2003-eacl-ws12/">anglicky</a></td>
<td align="center" nowrap="nowrap"><a href="http://sgjp.pl/morfeusz/">Morfeusz</a>, <a href="http://nlp.pwr.wroc.pl/takipi/">TaKIPI</a></td>
</tr>
<tr>
<td align="left" nowrap="nowrap"> ruština</td>
<td align="center" nowrap="nowrap">✔</td>
<td align="center" nowrap="nowrap">✔</td>
<td align="center" nowrap="nowrap"><a href="http://corpus.leeds.ac.uk/mocky/ru-table.tab">anglicky</a></td>
<td align="center" nowrap="nowrap"><a href="http://nl.ijs.si/ME/V4/msd/html/msd-ru.html">anglicky</a> **)</td>
<td align="center" nowrap="nowrap"><a href="http://www.ims.uni-stuttgart.de/projekte/corplex/TreeTagger/">TreeTagger</a></td>
</tr>
<tr>
<td align="left" nowrap="nowrap"> slovenština</td>
<td align="center" nowrap="nowrap">✔</td>
<td align="center" nowrap="nowrap">✔</td>
<td align="center" nowrap="nowrap"><a href="http://korpus.sk/morpho.html/">slovensky</a></td>
<td align="center" nowrap="nowrap"><a href="http://korpus.sk/files/tagset-www.pdf ">slovensky</a></td>
<td align="center" nowrap="nowrap"><a href="http://conference.ui.sav.sk/wikt2010/papers/01_garabik_f.pdf">Radovan Garabík, Morče</a></td>
</tr>
<tr>
<td align="left" nowrap="nowrap"> španělština</td>
<td align="center" nowrap="nowrap">✔</td>
<td align="center" nowrap="nowrap">✔</td>
<td align="center" nowrap="nowrap"><a href="http://www.ims.uni-stuttgart.de/ftp/pub/corpora/spanish-tagset.txt">anglicky</a></td>
<td align="center" nowrap="nowrap">&nbsp;</td>
<td align="center" nowrap="nowrap"><a href="http://www.ims.uni-stuttgart.de/projekte/corplex/TreeTagger/">TreeTagger</a></td>
</tr>
</tbody>
</table>
<br>

<p>*) Formulaci dotazu, který obsahuje české morfologické značky, usnadní <a href="http://utkl.ff.cuni.cz/~skoumal/morfo/?lang=cs">klikátko</a>. </p>

<p>**) 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.</p>

<p>Jak používat značky při hledání v korpusu se dozvíte v <a href="http://www.korpus.cz/intercorp/?req=page:manual&amp;lang=cs">návodu</a> k Parku.</p> 




<h2>Upozornění</h2>
  <p>
Vyhledávací rozhraní Park se stále vyvíjí, je proto možné, že při hledání v korpusu narazíte na problémy nebo budete postrádat některé funkce, které znáte z vyhledávače v českém (jednojazykovém) korpusu. Popis problémů, připomínky a podněty k dalšímu vývoji rozhraní uvítáme na adrese 
</p>
<p><img src="img/adresy/mava_a.gif"></p>



<h2>Poděkování</h2>
<p>Děkujeme za možnost využívat následující software a data:</p>
<h3>Předzpracování</h3>
	<ul>
		<li>větný segmentátor pro češtinu (autor Pavel Květoň)</li>
		<li>větný segmentátor pro norštinu (autoři Jarle Ebeling a Pavel Vondřička)</li>
		<li>větný segmentátor Punkt pro všechny ostatní jazyky ze sady <a href="http://www.nltk.org/" target="_blank">Natural Language Toolkit</a> </li>
		<li>zarovnávač <a href="http://mokk.bme.hu/resources/hunalign" target="_blank">Hunalign</a></li>
	</ul>
<h3>Značkovače / lematizátory:</h3>
	<ul>
		<li><a href="http://ufal.mff.cuni.cz/morce/" target="_blank">Morče</a> pro češtinu</li>
		<li><a href="http://www.ims.uni-stuttgart.de/projekte/corplex/TreeTagger/" target="_blank">TreeTagger</a> pro angličtinu, bulharštinu, francouzštinu, italštinu, němčinu, nizozemštinu, ruštinu a španělštinu</li>
		<li><a href="http://sgjp.pl/morfeusz/" target="_blank">Morfeusz</a> a <a href="http://nlp.pwr.wroc.pl/takipi/" target="_blank">TaKIPI</a> pro polštinu</li>
		<li><a href="http://code.google.com/p/hunpos/" target="_blank">HunPOS</a> pro maďarštinu</li>
		<li><a href="http://conference.ui.sav.sk/wikt2010/papers/01_garabik_f.pdf" target="_blank">tagger pro slovenštinu</a> </li>
		<li><a href="http://donelaitis.vdu.lt/~vidas/" target="_blank">tagger pro litevštinu</a> </li>
		<li><a href="http://maximos.aksis.uib.no/Aksis-wiki/Oslo-Bergen_Tagger" target="_blank">analyzátor</a> a <a href="http://omilia.uio.no/obt/" target="_blank">tagger</a> pro norštinu</li>
	</ul>
<h3>Korpusový manažer:</h3>
	<ul>
		<li><a href="http://www.textforge.cz/products" target="_blank">Manatee</a></li>
	</ul>
<h3>Data:</h3>
	<ul>
		<li>publicistické texty ve více jazycích z webových stránek <a href="http://www.project-syndicate.org/" target="_blank">Project Syndicate</a></li>
		<li>slovensko-české konkordance ze <a href="http://korpus.juls.savba.sk/" target="_blank">Slovenského národního korpusu</a> </li>
		<li>povídky ve více jazycích z projektu <a href="http://www.goethe.de/ins/cz/prj/m89/csindex.htm" target="_blank">Můj rok 1989</a> z <a href="http://www.goethe.de/ins/cz/pra/" target="_blank">Goethe Institutu</a> 
		</li><li>více textů v česko-litevské části korpusu od Patricka Cornesse</li>
		<li>román George Orwella <i>1984</i> ve více jazycích z korpusu <a href="http://nl.ijs.si/ME/" target="_blank">Multext-East</a></li> 
		<li> ukrajinské a polské texty z korpusu <a href="http://www.domeczek.pl/~polukr/">PolUkr</a> (připravuje se)</li>
		<li>texty ve více jazycích z korpusu <a href="http://www-korpus.uni-r.de/ParaSol/" target="_blank">ParaSol</a> (připravuje se)</li> 
		<li>publicistické texty ve více jazycích ze serveru <a href="http://www.presseurop.eu" target="_blank">PressEurope</a> (připravuje se)</li>
		<li>právnické texty v jazycích EU z korpusu <a href="http://wt.jrc.it/lt/Acquis/" target="_blank">JRC-ACQUIS</a> (připravuje se)</li>
		<li>norské texty z nakladatelství <a href="http://www.aschehoug.no/" target="_blank">Aschehoug &amp; co.</a>, <a href="http://www.cappelendamm.no/" target="_blank">Cappelen Forlag</a> a <a href="http://www.oktober.no/" target="_blank">Forlaget Oktober</a></li>
	</ul>

<a id="logo" href="http://www.project-syndicate.org/"><img class="nodeco" alt="The highest quality commentaries and analysis from distinguished voices across the world." title="The highest quality commentaries and analysis from distinguished voices across the world." src="img/ProjectSyndycateLogo.jpg"></a>

<p>Poslední aktualizace: <i>24. února 2011</i></p>

</HTML>
Historie: • czesl-plain • verze8 • jerome • lemmatizace • net • eparent • aranea • klasifikace_textu_syn2015 • verze6 • verze14
Hledat

Navigace

Tisk/export

Nástroje

Jazyky

Licence
