cnk:syn2009pub - 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 SYN2009PUB ======

Korpus SYN2009PUB je podobně jako korpus [[SYN2006PUB]] [[pojmy:synchronni|synchronní]] korpus psané publicistiky. Obsahuje výhradně publicistiku od roku 1995 do roku 2007, celková velikost korpusu je 700 milionů textových slov ([[[[pojmy:token|tokenů]]). Všechny korpusy řady [[SYN]] jsou **disjunktní**, tj. každý text může být zařazen pouze do jednoho z nich.

<WRAP right 35 %>
^ <fs medium>Název</fs> ^^ <fs medium>[[cnk:syn2009pub|SYN2009PUB]]</fs> ^
^ [[pojmy:atributy_pozicni|Pozice]] ^ Počet [[pojmy:token|pozic (tokenů)]] | 844 881 368 |  
^ ::: ^ Počet [[pojmy:token|pozic (tokenů) bez interpunkce ]] | 717 156 997 |  
^ ::: ^ Počet [[pojmy:word|slovních tvarů (wordů)]] | 3 705 028 |   
^ ::: ^ Počet [[pojmy:lemma|lemmat]] | 2 268 070 |
^ [[pojmy:atributy_strukturni|Struktury]] ^ Počet [[pojmy:opus|opusů]] | 11 176 |
^ ::: ^ Počet [[pojmy:atributy_strukturni|dokumentů]] | 3 262 815 |
^ ::: ^ Počet vět | 55 670 721 |
^ Další informace ^ [[pojmy:referencni|Referenční]] | ANO  |  
^ ::: ^ [[pojmy:reprezentativnost|Reprezentativní]] | NE ([[seznamy:txtype|publicistika]]) |  
^ ::: ^ Rok zveřejnění | 2010  |
</WRAP>

===== Změny oproti korpusu SYN2006PUB =====

[[pojmy:lemma|Lemmatizace]] a [[pojmy:tag|morfologické značkování]] korpusu SYN2009PUB jsou oproti starším korpusům opět vylepšené. Toto vylepšení se týká hlavně: 
  * lemmatizace osobních a přivlastňovacích zájmen
  * neurčování gramatických kategorií u zkratek a cizích slov
  * tokenizace (rozdělení korpusu na slova) - tady jde hlavně o zkratky a slova psaná se spojovníkem
  * mírně zjednodušena byla také používaná [[pojmy:tagset|sada morfologických značek]] (změny se týkaly odstranění některých hodnot, které souhrnně označovaly více kategorií)

===== Složení korpusu SYN2009PUB =====

Stejně jako korpus [[SYN2006PUB]] si ani SYN2009PUB v žádném ohledu nečiní nárok na reprezentativnost. Ačkoli do něj byly zařazeny **desítky nezávislých regionálních novin** a dalších titulů (také jako jistá protiváha k Deníkům Bohemia a Deníkům Moravia), jejich celkový podíl na korpusu je velice malý. Z přiložených grafů je zřejmé, že složení korpusu není vyvážené  ani podle roku vydání, ani podle titulů. Korpus SYN2009PUB tedy ocení především uživatelé, kteří potřebují pracovat s velkými objemy dat.

[{{:cnk:syn2009pub-roky.gif?direct&320|Složení korpusu SYN2009PUB podle let (počet slov v mil.).}}]
[{{:cnk:syn2009pub-tituly.gif?direct&400|Složení korpusu SYN2009PUB podle titulů (počet slov v mil.).}}]

===== Struktura korpusu SYN2009PUB =====

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 SYN2009PUB.}}]

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

====== Jak citovat SYN2009PUB ======

<WRAP round tip 75%>
Křen, M. – Bartoň, T. – Hnátková, M. – Jelínek, T. – Petkevič, V. – Procházka, P. – Skoumalová, H.: //SYN2009PUB: korpus psané publicistiky//. Ústav Českého národního korpusu FF UK, Praha 2010. Dostupný z WWW: http://www.korpus.cz

Křen, M. (2009): [[http://ucrel.lancs.ac.uk/publications/cl2009/269_FullPaper.doc|The SYN Concept: Towards One-Billion Corpus of Czech]]. In Mahlberg, M. – González-Díaz, V. – Smith, C. (eds), Proceedings of the Corpus Linguistics Conference. Liverpool. 
</WRAP>


 --- //Michal Křen, Olga Richterová//
====== Související odkazy ======
<WRAP round box 49%>
[[cnk:syn|SYN]] • [[cnk:syn2000|SYN2000]] • [[cnk:syn2005|SYN2005]] • [[cnk:syn2006pub|SYN2006PUB]] •  [[cnk:syn2010|SYN2010]] • [[cnk:SYN2013PUB|SYN2013PUB]]
</WRAP>
Historie: • filtr • oral • verze13 • registrova_klasifikace • moznosti_zobrazeni • strukturni_atributy_syn • syn2020 • koditex • gen1 • czesl-man