| Obě strany předchozí revizePředchozí verze | |
| cnk:intercorp [2026/09/21 18:41] – [Přístup k textům] rosen | cnk:intercorp [2026/09/21 18:42] (aktuální) – [Popis InterCorpu] rosen |
|---|
| ===== Popis InterCorpu ===== | ===== Popis InterCorpu ===== |
| Korpus InterCorp lze od verze 6 považovat za [[pojmy:referencni|referenční]], protože všechny původní verze budou zůstávat stále dostupné v podobě, ve které byly původně zveřejněny. Objem textů i počet jazyků a rozsah [[pojmy:anotace|anotace]], ([[pojmy:lemma|lemmatizace]] a [[pojmy:tag|tagování]]) se postupně zvětšuje, a to vždy s vydáním nové verze a zařazením nových nástrojů. | Korpus InterCorp lze od verze 6 považovat za [[pojmy:referencni|referenční]], protože všechny původní verze budou zůstávat stále dostupné v podobě, ve které byly původně zveřejněny. Objem textů i počet jazyků a rozsah [[pojmy:anotace|anotace]], ([[pojmy:lemma|lemmatizace]] a [[pojmy:tag|tagování]]) se postupně zvětšuje, a to vždy s vydáním nové verze a zařazením nových nástrojů. |
| | |
| | |
| | |
| | Korpus se skládá ze dvou částí, a to //jádra (core)// a //kolekce (collection)//. **Jádrem** korpusu InterCorp jsou převážně beletristické texty s ručními korekturami [[pojmy:alignment|zarovnání]]. **Kolekce** jsou texty získané ve více jazycích, zpracované a zarovnané automaticky. V konkordancích tedy může být více vět, které si navzájem neodpovídají. Kolekce také neobsahují všechny texty z původního zdroje, např. neobsahují texty, které nemají český protějšek. Některé texty z korpusů Acquis Communautaire a Europarl byly také částečně opraveny nebo vytříděny, takže se mohou ve srovnání s původním zdrojem lišit podobou i rozsahem. Podobně byla zredukována i databáze Open Subtitles, kde jsme navíc u každého titulu převzali z více verzí překladu jen jednu. Na druhé straně byly doplněny některé metainformace, které v původním zdroji chyběly, ale daly se zjistit z kontextu nebo jiných zdrojů. |
| | |
| | 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. |
| |
| Podrobnější údaje o jednotlivých verzích korpusu InterCorp najdete v přehledu: | Podrobnější údaje o jednotlivých verzích korpusu InterCorp najdete v přehledu: |
| ^ InterCorp verze 1| 2009 | 34,5| 20 | 10 / 7 | [[cnk:intercorp:historie#verze 1|verze 1]] | | ^ InterCorp verze 1| 2009 | 34,5| 20 | 10 / 7 | [[cnk:intercorp:historie#verze 1|verze 1]] | |
| ^ InterCorp verze 0| 2008 | 25,0 | 19 | 0 / 0 | [[cnk:intercorp:historie#verze 0|verze 0]] | | ^ InterCorp verze 0| 2008 | 25,0 | 19 | 0 / 0 | [[cnk:intercorp:historie#verze 0|verze 0]] | |
| |
| |
| Korpus se skládá ze dvou částí, a to //jádra (core)// a //kolekce (collection)//. **Jádrem** korpusu InterCorp jsou převážně beletristické texty s ručními korekturami [[pojmy:alignment|zarovnání]]. **Kolekce** jsou texty získané ve více jazycích, zpracované a zarovnané automaticky. V konkordancích tedy může být více vět, které si navzájem neodpovídají. Kolekce také neobsahují všechny texty z původního zdroje, např. neobsahují texty, které nemají český protějšek. Některé texty z korpusů Acquis Communautaire a Europarl byly také částečně opraveny nebo vytříděny, takže se mohou ve srovnání s původním zdrojem lišit podobou i rozsahem. Podobně byla zredukována i databáze Open Subtitles, kde jsme navíc u každého titulu převzali z více verzí překladu jen jednu. Na druhé straně byly doplněny některé metainformace, které v původním zdroji chyběly, ale daly se zjistit z kontextu nebo jiných zdrojů. | |
| |
| 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. | |
| |
| |
| =====Přístup k textům===== | =====Přístup k textům===== |
