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.
~~NOTOC~~
====== 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 korpusy řady SYN jsou však co se zařazených textů týče **disjunktní**, tj. každý text může být zařazen pouze do jednoho z nich.

<WRAP right 35%>
^ <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 |
</WRAP>

===== 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. 

[{{:cnk:syn2006pub-roky.gif?direct&370|Složení korpusu SYN2006PUB podle let (počet slov v mil.).}}]
[{{:cnk:syn2006pub-tituly.gif?direct&378|Složení korpusu SYN2006PUB podle titulů (počet slov v mil.).}}]

====== Struktura korpusu SYN2006PUB ======

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 [[manualy:kontext:moznosti_zobrazeni|Zobrazení]].

[{{:cnk:struktur_znacky.jpg?300|FIXME Strukturní jednotky korpusu SYN2006PUB.}}]

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

====== Jak citovat SYN2006PUB ======
<WRAP round tip 70%>
Čermák, F. – Doležalová-Spoustová, D. – Hlaváčová, J. – Hnátková, M. – Jelínek, T. – Kocek, J. – Kopřivová, M. – Křen, M. – Novotná, R. – Petkevič, V. – Schmiedtová, V. – Skoumalová, H. – Šulc, M. – Velíšek, Z.: //SYN2006PUB: korpus psané publicistiky//. Ústav Českého národního korpusu FF UK, Praha 2006. Dostupný z WWW: http://www.korpus.cz
</WRAP>


 --- //Michal Křen, Olga Richterová//

====== Související odkazy ======
<WRAP round box 49%>
[[cnk:syn|SYN]] • [[cnk:syn2000|SYN2000]] • [[cnk:syn2005|SYN2005]] • [[cnk:syn2009pub|SYN2009PUB]] • [[cnk:syn2010|SYN2010]] • [[cnk:SYN2013PUB|SYN2013PUB]]
</WRAP>
Historie: • verze6 • verze5 • segmentace • semanticka_preference • hapax • wag • sp • atributy_strukturni • syn2013pub • syn2006pub
Hledat

Navigace

Tisk/export

Nástroje

Jazyky

Licence
