Obsah

Korpus InterCorp verze 5

Přístup k textům

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

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.

Graf složení korpusů jednotlivých jazyků - Jádro

Graf složení korpusů jednotlivých jazyků - Kolekce

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
de12 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
es11 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
Celkem91 528 13 385 7 425 430 300 542 640
cs52 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:

Korpusový manažer:

Data:

Poslední aktualizace: 20. července 2012

Související odkazy

InterCorp • Verze 7 • Verze 6 • Verze 4 • Verze 3 • Historie verzí