Obsah
Korpus InterCorp verze 5
Přístup k textům
InterCorp má v řadě korpusů budovaných v ÚČNK zvláštní postavení hned v několika ohledech:
- je přístupný přes rozhraní KonText pomocí speciálního dotazovacího formuláře
- 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 (verze jsou ovšem od roku 2014 zpětně dostupné)
Obsah korpusu
Jádrem korpusu InterCorp jsou ručně zarovnané, převážně beletristické texty. Kromě toho korpus obsahuje také nabídku automaticky zpracovaných textů, tzv. kolekce. Aktuálně jsou k dispozici kolekce publistických článků z webových stránek Project Syndicate a Presseurop, a dále balíček právních textů Acquis Communautaire. Tyto texty jsou zarovnané jen automaticky, v konkordancích tedy může být více vět, které si navzájem neodpovídají.
Každý cizojazyčný text 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. Celkový rozsah zpřístupněné části korpusu ve verzi 5 z června 2012 je 91 529 000 slov v zarovnaných cizojazyčných textech v jádru a 451 112 000 slov v zarovnaných cizojazyčných textech v kolekcích, historii verzí najdete zde. Rozložení textů v rámci jádra a v jednotlivých kolekcích je znázorněno na následujících grafech. Velikost je udávána v milionech slov.
Velikost korpusu v tisících slov
| jazyk | Jádro | Syndicate | Presseurop | Acquis | Celkem |
|---|---|---|---|---|---|
| be | 67 | 0 | 0 | 0 | 67 |
| bg | 1 415 | 0 | 0 | 13 816 | 15 231 |
| da | 189 | 0 | 0 | 21 680 | 21 869 |
| de | 12 004 | 2 567 | 752 | 21 723 | 37 048 |
| el | 0 | 0 | 0 | 25 069 | 25 069 |
| en | 5 914 | 2 567 | 799 | 24 207 | 33 489 |
| es | 11 811 | 2 896 | 860 | 27 001 | 42 570 |
| et | 0 | 0 | 0 | 15 962 | 15 962 |
| fi | 2 081 | 0 | 0 | 16 667 | 18 748 |
| fr | 3 217 | 2 969 | 874 | 27 351 | 34 414 |
| hr | 8 103 | 0 | 0 | 0 | 8 103 |
| hu | 1 122 | 0 | 0 | 19 167 | 20 290 |
| it | 3 484 | 80 | 793 | 24 849 | 29 207 |
| lt | 352 | 0 | 0 | 18 432 | 18 785 |
| lv | 1 085 | 0 | 0 | 18 744 | 19 830 |
| mk | 32 | 0 | 0 | 0 | 32 |
| mt | 0 | 0 | 0 | 14 133 | 14 133 |
| nl | 6 486 | 0 | 899 | 24 746 | 32 132 |
| no | 2 301 | 0 | 0 | 0 | 2 301 |
| pl | 8 396 | 0 | 710 | 20 464 | 29 571 |
| pt | 2 127 | 0 | 913 | 28 599 | 31 640 |
| ro | 1 370 | 0 | 819 | 8 199 | 10 389 |
| ru | 1 664 | 2 304 | 0 | 0 | 3 969 |
| sk | 7 257 | 0 | 0 | 19 221 | 26 479 |
| sl | 991 | 0 | 0 | 19 645 | 20 636 |
| sr | 4 295 | 0 | 0 | 0 | 4 295 |
| sv | 5 754 | 0 | 0 | 20 615 | 26 369 |
| Celkem | 91 528 | 13 385 | 7 425 | 430 300 | 542 640 |
| cs | 52 651 | 2 285 | 704 | 20 285 | 75 926 |
*) 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 |
| estonština | ✔ | ✔ | estonsky a anglicky | TreeTagger | |
| francouzština | ✔ | ✔ | anglicky | TreeTagger | |
| italština | ✔ | ✔ | anglicky | TreeTagger | |
| litevština | ✔ | ✔ | česky a anglicky | Vidas Daudaravičius | |
| maďarština | ✔ | anglicky | HunPos | ||
| němčina | ✔ | ✔ | německy | německy | TreeTagger |
| nizozemština | ✔ | TreeTagger | |||
| norština | ✔ | ✔ | anglicky norsky | Oslo Bergen Tagger | |
| polština | ✔ | ✔ | anglicky polsky | anglicky | Morfeusz, TaKIPI |
| portugalština | ✔ | ✔ | španělsky | TreeTagger | |
| ruština | ✔ | ✔ | anglicky | anglicky **) | TreeTagger |
| slovenština | ✔ | ✔ | slovensky | slovensky | Radovan Garabík, Morče |
| slovinština | ✔ | ✔ | anglicky | totale | |
| 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.
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:
- Morče pro češtinu
- TreeTagger pro angličtinu, bulharštinu, estonštinu, francouzštinu, italštinu, němčinu, nizozemštinu, portugalštinu (s poděkováním Pablu Gamallovi), ruštinu a španělštinu
- Morfeusz a TaKIPI pro polštinu
- HunPOS pro maďarštinu
- tagger pro slovenštinu (s poděkováním Radovanu Garabíkovi)
- tagger pro litevštinu
- analyzátor a tagger pro norštinu
- totale pro slovinštinu (s poděkováním Tomaži Erjavcovi)
Korpusový manažer:
Data:
- publicistické texty ve více jazycích z webových stránek Project Syndicate
- slovensko-české konkordance ze Slovenského národního korpusu
- povídky ve více jazycích z projektu Můj rok 1989 z Goethe Institutu
- více textů v česko-litevské části korpusu od Patricka Cornesse
- román George Orwella 1984 ve více jazycích z korpusu Multext-East
- ukrajinské a polské texty z korpusu PolUkr (připravuje se)
- publicistické texty ve více jazycích ze serveru Presseurop
- právnické texty v jazycích EU z korpusu JRC-ACQUIS
- norské texty z nakladatelství Aschehoug & co., Cappelen Forlag a Forlaget Oktober
Poslední aktualizace: 20. července 2012
