AplikaceAplikace
Nastavení

Toto je starší verze dokumentu!

Korpus InterCorp

Korpus InterCorp je hlavním výstupem stejnojmenného projektu, jehož cílem je vybudovat rozsáhlý paralelní synchronní korpus, pokrývající co největší počet 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

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 InterCorp č. 5 (historii verzí najdete zde) 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. 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.

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: 20. července 2012

Historie: • verze5