AplikaceAplikace
Nastavení

Toto je starší verze dokumentu!


Korpus InterCorp verze 3

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.

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 má v řadě korpusů budovaných v ÚČNK zvláštní postavení hned v několika ohledech:

  • je přístupný přes speciální rozhraní Park, které je naší nadstavbou nad systémem Manatee Pavla Rychlého; stručný návod k použití Parku najdete zde; autorem Parku je Michal Štourač
  • jednojazyčné 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
  • 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

Obsah korpusu

InterCorp obsahuje převážně manuálně zarovnané beletristické texty v češtině a dalších jazycích a výběr publistických článků z webových stránek Project Syndicate, 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.

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 zde).

Velikost korpusu v tisících slov

jazyk počet slov
(v tisících)
počet textů
angličtina 5 695 Syndicate + 49
bulharština 1 135 15
dánština 190 5
finština 1 247 19
francouzština 3 141 Syndicate+ 21
chorvatština 6 735 96
italština 2 817 28
litevština 353 17
lotyština 1 085 33
maďarština 1 123 17
němčina 8 846 Syndicate + 100
nizozemština 3 914 58
norština 2 158 21
polština 4 716 80
portugalština 1 312 18
rumunština 671 5
ruština 2 951 Syndicate + 25
slovenština 6 899 138
slovinština 992 16
srbština 1 724 27
španělština 10 905 Syndicate + 108
švédština 3 673 47
CELKEM 72 280 943
čeština*) 41 340 Syndicate + 652

*) 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 anglicky *) anglicky Morče
francouzština anglicky   TreeTagger
italština anglicky   TreeTagger
litevština česky a anglicky   Vidas Daudaravičius
maďarština     anglicky HunPos
němčina německy německy TreeTagger
nizozemština       TreeTagger
norština     analyzátor, tagger
polština anglicky polsky anglicky Morfeusz, TaKIPI
ruština anglicky anglicky **) TreeTagger
slovenština slovensky slovensky Radovan Garabík, Morče
španělština anglicky   TreeTagger

*) Formulaci dotazu, který obsahuje české morfologické značky, usnadní klikátko.

**) 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.

Jak používat značky při hledání v korpusu se dozvíte v návodu k Parku.

Upozornění

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

Poděkování

Děkujeme za možnost využívat následující software a data:

Předzpracování

  • 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
  • zarovnávač Hunalign

Značkovače / lematizátory:

Korpusový manažer:

Data:

Poslední aktualizace: 24. února 2011