cnk:syn2006pub - Příručka ČNK

Tato stránka je pouze pro čtení. Můžete si pouze prohlédnout zdrojový kód, ale ne ho měnit. Zeptejte se správce, pokud si myslíte, že něco není v pořádku.

====== Korpus SYN2006PUB ======

Korpus SYN2006PUB je [[pojmy:synchronni|synchronní]] korpus psané publicistiky o rozsahu 300 milionů textových slov ([[[[pojmy:token|tokenů]]). Obsahuje výhradně publicistiku od listopadu 1989 do konce roku 2004, tedy z období, jež pokrývají též korpusy [[SYN2000]] a [[SYN2005]]. Všechny tři korpusy jsou však co se zařazených textů týče **disjunktní**, tj. každý text může být zařazen pouze do jednoho z nich. Celkem tedy korpusy SYN2000, SYN2005 a SYN2006PUB obsahují 500 milionů textových slov, korpusy celé řady [[SYN]] pak obsahují 1,3 miliardy slov.


^ <fs medium>Název</fs> ^^ <fs medium>[[cnk:syn2006pub|SYN2006PUB]]</fs> ^
^ [[pojmy:atributy_pozicni|Pozice]] ^ Počet [[pojmy:token|pozic (tokenů)]] | 361 224 456 |  
^ ::: ^ Počet [[pojmy:token|pozic (tokenů) bez interpunkce ]] | 305 785 705 |  
^ ::: ^ Počet [[pojmy:word|slovních tvarů (wordů)]] | 2 554 069 |   
^ ::: ^ Počet [[pojmy:lemma|lemmat]] | 1 381 900 |
^ [[pojmy:atributy_strukturni|Struktury]] ^ Počet [[pojmy:opus|opusů]] | 8 922 |
^ ::: ^ Počet [[pojmy:atributy_strukturni|dokumentů]] | 1 218 300 |
^ ::: ^ Počet vět | 22 339 344 |
^ Další informace ^ [[pojmy:referencni|Referenční]] | ANO  |  
^ ::: ^ [[pojmy:reprezentativnost|Reprezentativní]] | NE ([[seznamy:txtype|publicistika]]) |  
^ ::: ^ Rok zveřejnění | 2006 |

===== Změny oproti korpusu SYN2005 =====

[[pojmy:lemma|Lemmatizace]] a [[pojmy:tag|morfologické značkování]] korpusu SYN2006PUB jsou oproti korpusu SYN2005 opět vylepšené, i když rozdíl již není tak výrazný jako mezi korpusy SYN2000 a SYN2005. Vlastní systém [[pojmy:tagset|morfologických značek]], tokenizace (rozdělení korpusu na slova) i [[pojmy:segmentace|segmentace]] (rozdělení na věty) zůstávají stejné jako v případě korpusu SYN2005.

===== Složení korpusu SYN2006PUB =====

Je třeba zdůraznit, že korpus SYN2006PUB si v žádném ohledu nečiní nárok na reprezentativnost. Z grafů je zřejmé, že je nevyvážené jak složení korpusu podle roku vydání, tak podle titulů. Korpus SYN2006PUB tedy ocení především uživatelé, kteří potřebují pracovat s velkými objemy dat.


**[[Grafy]]**

====== Struktura korpusu ======

Mezi [[pojmy:atributy_strukturni|strukturní jednotky]] používané v tomto korpusu patří ''<opus>'', ''<doc>'' a ''<s>'', tedy text, dokument a věta - a pak každá jednotlivá [[pojmy:atributy_strukturni#pozice_jako_strukturni_jednotka|pozice]].
Zobrazit si je můžete v položce menu [[cnk:rozhranixx#menu...|Možnosti zobrazení]]

{{:cnk:struktur_znacky.jpg?300|}}

K těmto strukturním jednotkám náležejí [[pojmy:atributy_strukturni#strukturni_atributy_atributy_strukturnich_jednotek|následující atributy]], na obrázku patrné pod nadpisem Reference.

====== Jak citovat SYN2009PUB ======
[[Michal Křen]]




 --- //Michal Křen, Olga Richterová//


====== Související odkazy ======
[[SYN2000]], [[SYN2005]], [[cnk:syn2010|SYN2010]], [[SYN2009PUB]], [[SYN]]

Historie: • syn2025 • uvod • syn2006pub • veda • alpha • net • ulozit • problemy_tokenizace • verze5 • verze6

Hledat

Navigace

Tisk/export

Nástroje

Jazyky

Licence