Korpus SYN2009PUB je podobně jako korpus SYN2006PUB synchronní korpus psané publicistiky. Obsahuje výhradně publicistiku od roku 1995 do roku 2007, celková velikost korpusu je 700 milionů textových slov (tokenů). I nadále platí, že všechny korpusy řady SYN jsou disjunktní, tj. každý text může být zařazen pouze do jednoho z nich. Celkem tedy korpusy řady SYN obsahují 1 300 milionů textových slov (tokenů).

Lemmatizace a 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 sada morfologických značek (změny se týkaly odstranění některých hodnot, které souhrnně označovaly více kategorií)

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.

Grafy

Mezi strukturní jednotky používané v tomto korpusu patří <opus>, <doc> a <s>, tedy text, dokument a věta - a pak každá jednotlivá pozice. Zobrazit si je můžete v položce menu Možnosti zobrazení

K těmto strukturním jednotkám náležejí následující atributy, na obrázku patrné pod nadpisem Reference.

Michal Křen

— Michal Křen, Olga Richterová

SYN2000, SYN2005, SYN2010, SYN2006PUB, SYN