| Obě strany předchozí revizePředchozí verzeNásledující verze | Předchozí verze |
| cnk:intercorp:verze6 [2015/02/03 11:21] – [Morfosyntaktická anotace] michalavacikova | cnk:intercorp:verze6 [2022/08/29 18:18] (aktuální) – BatchEdit: pojmy>seznamy dokumenty IC cvrcek |
|---|
| | ~~NOTOC~~ |
| | |
| <HTML> | <HTML> |
| <style> | <style> |
| =====Korpus InterCorp verze 6===== | =====Korpus InterCorp verze 6===== |
| |
| ====Popis korpusu==== | <WRAP right> |
| ^ Název ^^ čeština jádro ^ čeština kolekce ^ cizí jazyky jádro ^ cizí jazyky kolekce ^ | ^ Název ^^ čeština jádro ^ čeština kolekce ^ cizí jazyky jádro ^ cizí jazyky kolekce ^ |
| ^ [[pojmy:atributy_pozicni|Pozice]] ^ Počet [[pojmy:token|tokenů]] | 76 861 107 | 46 880 365 | 136 603 406 | 917 860 025| | ^ [[pojmy:atributy_pozicni|Pozice]] ^ Počet [[pojmy:token|tokenů]] | 76 861 107 | 46 880 365 | 167 141 155 | 890 129 077| |
| ^ ::: ^ Počet [[pojmy:word|slovních tvarů]] | 61 962 499 | 37 584 764 | 113 448 156 | 751 407 806 | | ^ ::: ^ Počet [[pojmy:word|slovních tvarů]] | 61 962 499 | 37 584 764 | 138 762 949 | 728 507 959 | |
| ^ [[pojmy:atributy_strukturni|Struktury]] ^ Počet [[pojmy:atributy_strukturni|dokumentů]] | 996 | 4 | 1 583 | 58 | | ^ [[pojmy:atributy_strukturni|Struktury]] ^ Počet [[seznamy:strukturni_atributy_intercorp|dokumentů]] | 996 | 4 | 1 939 | 56 | |
| ^ ::: ^ Počet div | 996 | 96 988 | 1 583 | 1 784 832 | | ^ ::: ^ Počet div | 996 | 96 988 | 1 939 | 1 728 492 | |
| ^ ::: ^ Počet vět | 5 254 361 | 2 392 808 | 8 409 761 | 45 413 698 | | ^ ::: ^ Počet vět | 5 254 361 | 2 392 808 | 10 283 732 | 44 113 753 | |
| ^ Další informace ^ [[pojmy:referencni|referenční]] | ANO ^^^^ | ^ Další informace ^ [[pojmy:referencni|referenční]] | ANO ^^^^ |
| ^ ::: ^ [[pojmy:reprezentativnost|reprezentativní]] | NE ([[seznamy:txtype|různé textové typy]]) ^^^^ | ^ ::: ^ [[pojmy:reprezentativnost|reprezentativní]] | NE ([[seznamy:txtype|různé textové typy]]) ^^^^ |
| ^ ::: ^ rok zveřejnění | 2008 ^^^^ | ^ ::: ^ rok zveřejnění | 2013 ^^^^ |
| ^ ::: ^ cizích jazyků | 31 ^^^^ | ^ ::: ^ cizích jazyků | 31 ^^^^ |
| ^ ::: ^ [[pojmy:tag|tagovaných]] jazyků | 17 ^^^^ | ^ ::: ^ [[pojmy:tag|tagovaných]] jazyků | 17 ^^^^ |
| ^ ::: ^ [[pojmy:lemma|lemmat.]] jazyků | 14 ^^^^ | ^ ::: ^ [[pojmy:lemma|lemmat.]] jazyků | 14 ^^^^ |
| | </WRAP> |
| |
| ====Přístup k textům==== | ====Přístup k textům==== |
| <HTML> | |
| |
| <p>InterCorp verze 6 je přístupný přes běžný webový prohlížeč třemi způsoby: | InterCorp verze 6 je přístupný přes běžný webový prohlížeč třemi způsoby z jednotného vyhledávacího rozhraní [[manualy:kontext:index|KonText]] pomocí speciálního [[kurz:hledani_v_paralelnim_korpusu|dotazovacího formuláře]] pro paralelní korpusy. |
| </p> | |
| |
| <ul> | Texty z korpusu InterCorp lze získat po podpisu licenčního ujednání pro neziskové účely také v podobě dvojjazyčných souborů náhodně seřazených dvojic vět. Zájemci se mohou obrátit na níže uvedenou e-mailovou adresu. |
| <li>Z jednotného vyhledávacího rozhraní Českého národního korpusu <a href="http://kontext.korpus.cz/" target="_blank">KonText</a>. Toto rozhraní nabízí podobné možnosti jako jeho starší podoba NoSketch Engine (viz níže). </li> | |
| |
| <li>Ze starší verze jednotného vyhledávacího rozhraní Českého národního korpusu <a href="http://www.korpus.cz/corpora/" target="_blank">NoSketch Engine</a>. Stručný návod najdete <a href="http://ucnk.ff.cuni.cz/intercorp/?req=page:manual_noske&lang=cs">zde</a>.</li> | Specifikem InterCorpu je jeho inkrementální povaha: zatímco většina ostatních korpusů ČNK jsou neměnné [[pojmy:referencni|referenční]] entity, objem textů a případně i počet jazyků a rozsah anotace se postupně zvětšuje, a to vždy s vydáním nové verze. Starší verze InterCorpu jsou od roku 2014 zpětně dostupné. |
| |
| <li>Z paralelní rozhraní <a href="http://www.korpus.cz/Park" target="_blank">Park</a>. Stručný návod k použití Parku najdete <a href="http://ucnk.ff.cuni.cz/intercorp/?req=page:manual&lang=cs">zde</a>.</li> | |
| |
| </ul> | |
| |
| <p>Všechna tři rozhraní využívají korpusový manažer <a href="http://www.textforge.cz/products">Manatee</a> a zpřístupňují stejné texty. Rozhraní Park umožňuje hledat také v předchozí verzi korpusu.</p> | |
| |
| <p>Texty z korpusu InterCorp lze získat po podpisu licenčního ujednání pro neziskové účely také v podobě dvojjazyčných souborů náhodně seřazených dvojic vět. Zájemci se mohou obrátit na níže uvedenou e-mailovou adresu.</p> | |
| |
| <p>Specifikem InterCorpu je jeho inkrementální povaha: zatímco většina ostatních korpusů ČNK jsou neměnné referenční entity, objem textů a případně i počet jazyků a rozsah anotace se postupně zvětšuje, a to vždy s vydáním nové verze.</p> | |
| |
| </HTML> | |
| ====Odkazy==== | ====Odkazy==== |
| <HTML> | <HTML> |
| |
| |
| <p><b>Jádrem</b> korpusu InterCorp jsou ručně zarovnané, převážně beletristické texty. Kromě toho korpus obsahuje také nabídku automaticky zpracovaných textů, tzv. <b>kolekce</b>. Aktuálně jsou k dispozici publistické články a zpravodajství 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>, právní texty Evropské Unie z korpusu <a href="http://langtech.jrc.it/JRC-Acquis.html" target="_blank">Acquis Communautaire</a> a zápisy jednání Evropského Parlamentu z let 2007–2011 z korpusu <a href="http://www.statmt.org/europarl/" target="_blank">Europarl</a>. Tyto texty jsou zarovnané jen automaticky, v konkordancích tedy může být více vět, které si navzájem neodpovídají. Některé texty z korpusů Acquis Communautaire a Europarl byly částečně opraveny nebo vytříděny, takže se mohou ve srovnání s původním zdrojem lišit podobou i rozsahem. Jen automatické zarovnání bez ruční kontroly mají ve verzi 6 dočasně i některé texty z jádra, a to část textů převzatých z korpusu <a href="http://www.uva.nl/over-de-uva/organisatie/medewerkers/content/b/a/a.a.barentsen/a.a.barentsen.html#tab_3" target="_blank">ASPAC – Amsterdam Slavic Parallel Aligned Corpus</a>. Zarovnání těchto textů bude opraveno v další verzi. </p> | <p><b>Jádrem</b> korpusu InterCorp jsou ručně zarovnané, převážně beletristické texty. Kromě toho korpus obsahuje také nabídku automaticky zpracovaných textů, tzv. <b>kolekce</b>. Aktuálně jsou k dispozici publistické články a zpravodajství 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>, právní texty Evropské Unie z korpusu <a href="https://ec.europa.eu/jrc/en/language-technologies/jrc-acquis" target="_blank">Acquis Communautaire</a> a zápisy jednání Evropského Parlamentu z let 2007–2011 z korpusu <a href="http://www.statmt.org/europarl/" target="_blank">Europarl</a>. Tyto texty jsou zarovnané jen automaticky, v konkordancích tedy může být více vět, které si navzájem neodpovídají. Některé texty z korpusů Acquis Communautaire a Europarl byly částečně opraveny nebo vytříděny, takže se mohou ve srovnání s původním zdrojem lišit podobou i rozsahem. Jen automatické zarovnání bez ruční kontroly mají ve verzi 6 dočasně i některé texty z jádra, a to část textů převzatých z korpusu <a href="http://www.uva.nl/over-de-uva/organisatie/medewerkers/content/b/a/a.a.barentsen/a.a.barentsen.html#tab_3" target="_blank">ASPAC – Amsterdam Slavic Parallel Aligned Corpus</a>. Zarovnání těchto textů bude opraveno v další verzi. </p> |
| |
| <p>Každý cizojazyčný text má v korpusu svou českou verzi. Čeština je | <p>Každý cizojazyčný text má v korpusu svou českou verzi. Čeština je |
| <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" target="_blank">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" target="_blank">anglicky</a> *)</td> |
| <td align="center" nowrap="nowrap"><a href="http://ufal.mff.cuni.cz/pdt/Morphology_and_Tagging/Doc/docc0pos.pdf">anglicky</a></td> | <td align="center" nowrap="nowrap"><a href="http://ufal.mff.cuni.cz/pdt/Morphology_and_Tagging/Doc/docc0pos.pdf">anglicky</a></td> |
| <td align="center" nowrap="nowrap"><a href="http://ufal.mff.cuni.cz/morce/" target="_blank">Morče</a></td> | <td align="center" nowrap="nowrap"><a href="http://ufal.mff.cuni.cz/morce/" target="_blank">Morče</a></td> |
| |
| </HTML> | </HTML> |
| ====Dotazy, připomínky a podněty==== | ====Strukturní atributy==== |
| <HTML> | |
| |
| <p> | ^Struktura^Atribut^Popis^Možné hodnoty^ |
| ... k obsahu korpusu a podobě vyhledávacích rozhraní uvítáme na adrese | |doc|doc.id|unikátní identifikátor dokumentu|text| |
| </p> | | |doc.lang|jazyk textu|ar / be / bg / ca / cs / da / de / el / en / es / et / fi / fr / hi / hr / hu / it / lt / lv / mk / mt / nl / no / pl / pt / ro / ru / sk / sl / sr / sv / uk| |
| <p><img src="http://ucnk.ff.cuni.cz/intercorp/img/adresy/mava_a.gif"></p> | | |doc.version|verze textu|číslo| |
| | | |doc.wordcount|velikost dokumentu ve slovech|číslo| |
| | |div|div.id|identifikace textu|příjmení_autora-zkrácený_název_textu / _ACQUIS / _EUROPARL / _PRESSEUROP / _SYNDICATE| |
| | | |div.group|rozdělení na:|jádro / kolekce| |
| | | |div.wordcount|počet slov textu|číslo| |
| | | |div.author|autor textu|příjmení, jméno| |
| | | |div.title|úplný název textu|text| |
| | | |div.publisher|vydavatel|text| |
| | | |div.pubplace|místo vydání|text| |
| | | |div.pubyear|rok vydání|letopočet| |
| | | |div.txtype|typ textu|drama / literatura faktu / poezie / právní texty / próza / publicistika - komentáře / publicistika - zprávy / různé / zápis debaty| |
| | | |div.original|je text originálem?|ANO / NE| |
| | | |div.srclang|jazyk originálu|bg / bt / ca / cs / ct / cz / da / de / dk / eb / el / en / es / et / eu / fi / fr / ga / hi / hr / hu / ie / it / lt / lv / mt / ni / nl / no / pl / po / pt / ro / ru / se / sk / sl / sr / sv / uk / un| |
| | | |div.translator|překladatel textu|příjmení, jméno| |
| | | |div.transsex|pohlaví překladatele|F / M| |
| | | |div.authsex|pohlaví autora:|F / M| |
| | |p|p.id|unikátní identifikátor odstavce|text| |
| | |s|s.id|unikátní identifikátor věty|text| |
| |
| |
| </HTML> | |
| ====Poděkování==== | ====Poděkování==== |
| <HTML> | <HTML> |
| <ul> | <ul> |
| <li>beletristické texty v řadě slovanských i jiných jazyků z korpusu <a href="http://www.uva.nl/over-de-uva/organisatie/medewerkers/content/b/a/a.a.barentsen/a.a.barentsen.html#tab_3" target="_blank">ASPAC – Amsterdam Slavic Parallel Aligned Corpus</a> – zvláštní poděkování patří Adrianu Barentsenovi</li> | <li>beletristické texty v řadě slovanských i jiných jazyků z korpusu <a href="http://www.uva.nl/over-de-uva/organisatie/medewerkers/content/b/a/a.a.barentsen/a.a.barentsen.html#tab_3" target="_blank">ASPAC – Amsterdam Slavic Parallel Aligned Corpus</a> – zvláštní poděkování patří Adrianu Barentsenovi</li> |
| <li>publicistické texty ve více jazycích z webových stránek <a href="http://www.project-syndicate.org/" target="_blank">Project Syndicate</a> <br> <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></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>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></li> | <li>právnické texty v jazycích EU z korpusu <a href="http://wt.jrc.it/lt/Acquis/" target="_blank">JRC-ACQUIS</a></li> |
| |
| </HTML> | </HTML> |
| ===Korpusový manažer a rozhraní:=== | |
| <HTML> | |
| |
| <ul> | ==== Související odkazy ==== |
| <li><a href="http://www.textforge.cz/products" target="_blank">Manatee</a></li> | |
| <li><a href="http://nlp.fi.muni.cz/trac/noske" target="_blank">NoSketch Engine</a></li> | |
| <li><a href="http://www.korpus.cz/intercorp/?lang=cs" target="_blank">Park</a></li> | |
| </ul> | |
| |
| | <WRAP round box 50%> |
| <p>Poslední aktualizace: <i>2. února 2014</i></p> | [[cnk:intercorp|InterCorp]] • [[cnk:intercorp:verze7|Verze 7]] • [[cnk:intercorp:verze5|Verze 5]] • [[cnk:intercorp:verze4|Verze 4]] • [[cnk:intercorp:verze3|Verze 3]] • [[cnk:intercorp:historie|Historie verzí]] |
| </HTML> | </WRAP> |
