AplikaceAplikace
Nastavení

Rozdíly

Zde můžete vidět rozdíly mezi vybranou verzí a aktuální verzí dané stránky.

Odkaz na výstup diff

Obě strany předchozí revizePředchozí verze
Následující verze
Předchozí verze
cnk:intercorp:verze4 [2015/01/29 12:08] michalavacikovacnk:intercorp:verze4 [2017/07/10 09:18] (aktuální) – [Poděkování] Michal Škrabal
Řádek 82: Řádek 82:
  
 </style> </style>
-<h1>Korpus InterCorp</h1> +</HTML
-  +=====Korpus InterCorp verze 4=====
-<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 české části Českého národního korpusu, další registraci pro paralelní korpus nepotřebujete. +====Přístup textům====
-</p>+
  
-<p>InterCorp má v řadě korpusů budovaných v ÚČNK zvláštní postavení hned v několika ohledech: +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>+  * je přístupný přes rozhraní KonText pomocí speciálního [[kurz:hledani_v_paralelnim_korpusu|dotazovacího formuláře]] 
 +  * specifikem InterCorpu je také jeho inkrementální povaha: zatímco většina ostatních korpusů ČNK jsou neměnné [[pojmy:referencni|referenční]] entityobjem textů i počet jazyků zpřístupněných v korpusu InterCorp se postupně zvyšuje (verze jsou ovšem od roku 2014 zpětně dostupné) 
 +====Obsah korpusu==== 
 +<HTML>
  
-<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> a <a href="http://www.presseurop.eu/" target="_blank">Presseurop</a>. Tyto texty jsou zarovnané jen automaticky, v konkordancích tedy může být více vět, které si navzájem neodpovídají.</p>  <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> a <a href="http://www.presseurop.eu/" target="_blank">Presseurop</a>. Tyto texty jsou zarovnané jen automaticky, v konkordancích tedy může být více vět, které si navzájem neodpovídají.</p> 
Řádek 107: Řádek 100:
 je tedy tzv. pivot, česká verze textu (originál nebo překlad) je je tedy tzv. pivot, česká verze textu (originál nebo překlad) je
 zarovnaná s jednou nebo více verzemi cizojazyčnými. zarovnaná s jednou nebo více verzemi cizojazyčnými.
-Celkový rozsah zpřístupněné části korpusu ve verzi InterCorp č. 4 (historii verzí najdete <a href="http://www.korpus.cz/intercorp/?req=page:releaseNotes&amp;lang=cs">zde</a>) ze září 2011 je 92 290 000 slov v zarovnaných cizojazyčných textech.+Celkový rozsah zpřístupněné části korpusu ve verzi 4 (historii verzí najdete <a href="https://wiki.korpus.cz/doku.php/cnk:intercorp:historie">zde</a>) ze září 2011 je 92 290 000 slov v zarovnaných cizojazyčných textech.
 V tomto celkovém počtu slov jsou již započteny zhruba 2,3 - 3 miliony slov z Project Syndicate (pro tyto jazyky: cs, de, en, es, fr, ru) a okolo 0,8 milionu slov z Presseurop (pro tyto jazyky: cs, de, en, es, fr, it, nl, pl, pt, ro), což je přehledně vidět na následujícím grafu. Pod souhrnným názvem "beletrie" jsou v něm zahrnuty všechny ručně zarovnané texty, které jsou z velké většiny tvořeny právě beletrii. Velikost je udávána v milionech slov.</p> V tomto celkovém počtu slov jsou již započteny zhruba 2,3 - 3 miliony slov z Project Syndicate (pro tyto jazyky: cs, de, en, es, fr, ru) a okolo 0,8 milionu slov z Presseurop (pro tyto jazyky: cs, de, en, es, fr, it, nl, pl, pt, ro), což je přehledně vidět na následujícím grafu. Pod souhrnným názvem "beletrie" jsou v něm zahrnuty všechny ručně zarovnané texty, které jsou z velké většiny tvořeny právě beletrii. Velikost je udávána v milionech slov.</p>
  
 <img src="http://ucnk.ff.cuni.cz/intercorp/img/intercorp_wordcounts_v4.png" alt="Graf složení korpusů jednotlivých jazyků" title="Složení korpusů jednotlivých jazyků"> <img src="http://ucnk.ff.cuni.cz/intercorp/img/intercorp_wordcounts_v4.png" alt="Graf složení korpusů jednotlivých jazyků" title="Složení korpusů jednotlivých jazyků">
- +<br
-<!-- STAZENO +<br> 
- +</HTML
-<table border="1" cellpadding="4" cellspacing="2"+====Velikost korpusu tisících slov==== 
-<tbody> +<HTML>
-<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><br>(včetně Syndicate a Presseurop) </td> <td align="center" bgcolor="#dbcf95" valign="top"> <b>počet textů</b><br>(bez Syndicate a Presseurop)</td> </tr+
-<tr> <td align="left">angličtina</td> <td align="right"> 7 297</td> <td align="right"> 49</td> </tr+
-<tr> <td align="left">bulhar&scaron;tina</td> <td align="right"> 1 135</td> <td align="right"> 15</td> </tr> +
-<tr> <td align="left">d&aacute;n&scaron;tina</td> <td align="right"> 190</td> <td align="right"> 5</td> </tr> +
-<tr> <td align="left">fin&scaron;tina</td> <td align="right"> 1 435</td> <td align="right"> 22</td> </tr> +
-<tr> <td align="left">francouz&scaron;tina</td> <td align="right"> 5 234</td> <td align="right"> 24 </td> </tr> +
-<tr> <td align="left">chorvat&scaron;tina</td> <td align="right"> 6 735</td> <td align="right"> 96</td> </tr> +
-<tr> <td align="left">ital&scaron;tina</td> <td align="right"> 4 028 </td> <td align="right"> 31 </td> </tr> +
-<tr> <td align="left">litev&scaron;tina </td> <td align="right"> 358</td> <td align="right"> 17</td> </tr> +
-<tr> <td align="left">loty&scaron;tina</td> <td align="right"> 1 075</td> <td align="right"> 32</td> </tr> +
-<tr> <td align="left">maďar&scaron;tina</td> <td align="right"> 1 123 </td> <td align="right"> 17 </td> </tr> +
-<tr> <td align="left">němčina </td> <td align="right"> 12 167 </td> <td align="right"> 125 </td> </tr> +
-<tr> <td align="left">nizozem&scaron;tina</td> <td align="right"> 5 203</td> <td align="right"> 62</td> </tr> +
-<tr> <td align="left">nor&scaron;tina</td> <td align="right"> 2 158</td> <td align="right"> 21</td> </tr> +
-<tr> <td align="left">pol&scaron;tina </td> <td align="right"> 6 173</td> <td align="right"> 92</td> </tr> +
-<tr> <td align="left">portugal&scaron;tina</td> <td align="right"> 2 503 </td> <td align="right"> 20 </td> </tr> +
-<tr> <td align="left">rumun&scaron;tina </td> <td align="right"> 1 697</td> <td align="right"> 9</td> </tr> +
-<tr> <td align="left">ru&scaron;tina</td> <td align="right"> 3 619 </td> <td align="right"> 25 </td> </tr> +
-<tr> <td align="left">sloven&scaron;tina</td> <td align="right"> 6 961</td> <td align="right"> 139</td> </tr> +
-<tr> <td align="left">slovin&scaron;tina</td> <td align="right"> 992</td> <td align="right"> 16</td> </tr> +
-<tr> <td align="left">srb&scaron;tina</td> <td align="right"> 2 736</td> <td align="right"> 38</td> </tr> +
-<tr> <td align="left">&scaron;paněl&scaron;tina</td> <td align="right"> 14 237 </td> <td align="right"> 126 </td> </tr> +
-<tr> <td align="left">&scaron;v&eacute;d&scaron;tina</td> <td align="right"> 5 234 </td> <td align="right"> 64 </td> </tr> +
-<tr> <td align="left" bgcolor="#dbcf95"> <b>CELKEM</b> </td> <td align="right" bgcolor="#dbcf95"> <b>92 290</b> </td> <td align="right" bgcolor="#dbcf95"> <b>1 045</b> </td> </tr> +
-<tr> <td align="left">čeština<sup>*)</sup></td> <td align="right"> 46 196</td> <td align="right"> 703</td> </tr> +
-</tbody> +
-</table>  +
- +
-<p>*) U českých textů se počítají slova jen jednou za každý text, i když má více cizojazyčných protějšků.</p> +
- +
--->+
  
 <p>Následující tabulka ukazuje přehled velikostí jednotlivých paralelních korpusů různých jazyků. V řádku jsou uvedeny počty slov příslušného jazyka (v tisících), platné pro průnik s jazykem uvedeným ve sloupci. Např. virtuální bulharsko-chorvatský korpus (1. řádek - "bg") obsahuje celkem 187 tisíc slov v bulharštině (1. řádek - "bg", 9. sloupec – "hr") a 189 tisíc slov v chorvatštině (9. řádek – "hr", 1. sloupec – "bg"). Druhý, zvýrazněný sloupec ukazuje množství slov zarovnaných vůči češtině, a tedy i celkovou velikost jednojazyčného korpusu jazyka uvedeného na příslušném řádku.</p> <p>Následující tabulka ukazuje přehled velikostí jednotlivých paralelních korpusů různých jazyků. V řádku jsou uvedeny počty slov příslušného jazyka (v tisících), platné pro průnik s jazykem uvedeným ve sloupci. Např. virtuální bulharsko-chorvatský korpus (1. řádek - "bg") obsahuje celkem 187 tisíc slov v bulharštině (1. řádek - "bg", 9. sloupec – "hr") a 189 tisíc slov v chorvatštině (9. řádek – "hr", 1. sloupec – "bg"). Druhý, zvýrazněný sloupec ukazuje množství slov zarovnaných vůči češtině, a tedy i celkovou velikost jednojazyčného korpusu jazyka uvedeného na příslušném řádku.</p>
  
-<!-- 
- 
-<p>Následující tabulka ukazuje přehled velikostí vzájemných průniků jednotlivých paralelních korpusů různých jazyků. Objem dat je uveden v tisících slov. Druhý, zvýrazněný sloupec ukazuje množství slov zarovnaných vůči češtině, a tedy i celkovou velikost korpusu daného jazyka. Čísla v každém řádku uvádějí, kolik tisíc slov z korpusu daného jazyka je součástí textů společných s korpusem jazyka uvedenému v záhlaví každého sloupce. Např. bulharský korpus (první řádka - "bg") obsahuje 187 tisíc slov v textech současně dostupných také v chorvatštině (9. sloupec - "hr"), a chorvatský korpus (9. řádka - "hr") obsahuje 189 tisíc slov v textech současně dostupných v bulharštině (první sloupec - "bg"). Virtuální bulharsko-chorvatský paralelní korpus tedy obsahuje 187 tisíc bulharských a 189 tisíc chorvatských slov.</p> 
- 
---> 
  
 <table class="velikosti"> <table class="velikosti">
Řádek 183: Řádek 140:
 </tbody></table> </tbody></table>
  
-<!-- 
-<p>Následující graf ukazuje složení jednotlivých jazykových verzí podle zdrojů. Velikost je udávána v milionech slov. Pod souhrnným názvem "beletrie" jsou zahrnuty všechny ručně zarovnané texty, které jsou z velké většiny tvořeny právě beletrii.</p> 
  
-<img src="img/intercorp_wordcounts.png" alt="Graf složení korpusů jednotlivých jazyků" title="Složení korpusů jednotlivých jazyků"/> +</HTML
---> +====Morfosyntaktická anotace==== 
- +<HTML>
-<!-- +
-<table class="std"> +
-<tbody> +
-<tr> <td> <b>jazyk</b> </td> <td> <b>počet&nbsp;slov (v&nbsp;tis&iacute;c&iacute;ch)</b> </td> <td> <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>  +
---> +
- +
-<a name="Tagging"></a>+
  
-<br><h2 class="section">Morfosyntaktická anotace</h2> 
  
 <p>Texty v těchto jazycích jsou opatřeny morfologickou anotací.</p> <p>Texty v těchto jazycích jsou opatřeny morfologickou anotací.</p>
Řádek 233: Řádek 177:
 <td align="center" nowrap="nowrap">✔</td> <td align="center" nowrap="nowrap">✔</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://wiki.korpus.cz/doku.php/seznamy:tagy">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/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> <td align="center" nowrap="nowrap"><a href="http://ufal.mff.cuni.cz/morce/">Morče</a></td>
Řádek 337: Řádek 281:
  
  
 +</HTML>
  
-<h2>Upozornění</h2> +====Poděkování==== 
-  <p> +<HTML>
-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="http://ucnk.ff.cuni.cz/intercorp/img/adresy/mava_a.gif"></p>+
  
 +<p>Děkujeme za možnost využívat následující software a data:</p>
  
 +</HTML>
 +===Předzpracování===
 +<HTML>
  
-<h2>Poděkování</h2> 
-<p>Děkujeme za možnost využívat následující software a data:</p> 
-<h3>Předzpracování</h3> 
  <ul>  <ul>
  <li>větný segmentátor pro češtinu (autor Pavel Květoň)</li>  <li>větný segmentátor pro češtinu (autor Pavel Květoň)</li>
Řádek 355: Řádek 298:
  <li>zarovnávač <a href="http://mokk.bme.hu/resources/hunalign" target="_blank">Hunalign</a></li>  <li>zarovnávač <a href="http://mokk.bme.hu/resources/hunalign" target="_blank">Hunalign</a></li>
  </ul>  </ul>
-<h3>Značkovače / lematizátory:</h3>+</HTML> 
 +===Značkovače / lematizátory:=== 
 +<HTML> 
  <ul>  <ul>
  <li><a href="http://ufal.mff.cuni.cz/morce/" target="_blank">Morče</a> pro češtinu</li>  <li><a href="http://ufal.mff.cuni.cz/morce/" target="_blank">Morče</a> pro češtinu</li>
Řádek 365: Řádek 311:
  <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>  <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>  </ul>
-<h3>Korpusový manažer:</h3>+</HTML> 
 +===Korpusový manažer:=== 
 +<HTML> 
  <ul>  <ul>
  <li><a href="http://www.textforge.cz/products" target="_blank">Manatee</a></li>  <li><a href="http://www.textforge.cz/products" target="_blank">Manatee</a></li>
  </ul>  </ul>
-<h3>Data:</h3>+</HTML> 
 +===Data:=== 
 +<HTML> 
  <ul>  <ul>
- <li>publicistické texty ve více jazycích z webových stránek <a href="http://www.project-syndicate.org/" target="_blank">Project Syndicate</a></li>+ <li>publicistické texty ve více jazycích z webových stránek <a href="http://www.project-syndicate.org/" target="_blank">Project Syndicate</a> <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="http://www.project-syndicate.org/default/images/ps_logo-small.png"></a></li>
  <li>slovensko-české konkordance ze <a href="http://korpus.juls.savba.sk/" target="_blank">Slovenského národního korpusu</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>povídky ve více jazycích z projektu <i>Můj rok 1989</i> 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><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>román George Orwella <i>1984</i> ve více jazycích z korpusu <a href="http://nl.ijs.si/ME/" target="_blank">Multext-East</a></li> 
Řádek 379: Řádek 331:
  <li>texty ve více jazycích z korpusu <a href="http://www-korpus.uni-r.de/ParaSol/" target="_blank">ParaSol</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">Presseurop</a></li>  <li>publicistické texty ve více jazycích ze serveru <a href="http://www.presseurop.eu" target="_blank">Presseurop</a></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>právnické texty v jazycích EU z korpusu <a href="https://ec.europa.eu/jrc/en/language-technologies/jrc-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>  <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>  </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>5. října 2011</i></p> <p>Poslední aktualizace: <i>5. října 2011</i></p>
  
 </HTML> </HTML>
 +
 +==== Související odkazy ====
 +
 +<WRAP round box 50%>
 +[[cnk:intercorp|InterCorp]] • [[cnk:intercorp:verze7|Verze 7]] • [[cnk:intercorp:verze6|Verze 6]] • [[cnk:intercorp:verze5|Verze 5]] • [[cnk:intercorp:verze3|Verze 3]] • [[cnk:intercorp:historie|Historie verzí]]
 +</WRAP>