cnk:syn2013pub - 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 SYN2013PUB ======

Korpus SYN2013PUB je podobně jako korpusy [[SYN2006PUB]] a [[SYN2009PUB]] [[pojmy:synchronni|synchronní]] korpus psané publicistiky. Obsahuje výhradně publicistiku z let 2005 až 2009 ve 44 různých titulech, celková velikost korpusu je 935 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:syn2013pub|SYN2013PUB]]</fs> ^
^ [[pojmy:atributy_pozicni|Pozice]] ^ Počet [[pojmy:token|pozic (tokenů)]] | 1 120 014 835 |  
^ ::: ^ Počet [[pojmy:token|pozic (tokenů) bez interpunkce ]] | 934 781 949 |  
^ ::: ^ Počet [[pojmy:word|slovních tvarů (wordů)]] | 4 200 464 |   
^ ::: ^ Počet [[pojmy:lemma|lemmat]] | 2 549 185 |
^ [[pojmy:atributy_strukturni|Struktury]] ^ Počet [[pojmy:opus|opusů]] | 21 469 |
^ ::: ^ Počet [[pojmy:atributy_strukturni|dokumentů]] | 4 172 882 |
^ ::: ^ Počet vět | 76 681 361 |
^ Další informace ^ [[pojmy:referencni|Referenční]] | ANO  |  
^ ::: ^ [[pojmy:reprezentativnost|Reprezentativní]] | NE ([[seznamy:txtype|publicistika]]) |  
^ ::: ^ Rok zveřejnění | 2013  |
</WRAP>

===== Změny oproti korpusu SYN2009PUB =====

[[pojmy:lemma|Lemmatizace]] a [[pojmy:tag|morfologické značkování]] korpusu SYN2013PUB jsou oproti starším korpusům opět vylepšené. Kromě toho došlo k dalšímu zjednodušení používané sady morfologických značek v případech, kdy byla informace uváděná ve značce nadbytečná, v kontextu velice obtížně rozpoznatelná, a v důsledku toho nespolehlivá. Konkrétně se změny týkaly:
  * odstranění čísla u reflexivních zájmen
  * odstranění rodu posesora u zájmen //jeho//, //jejich//
  * odstranění osoby a čísla u tvaru //by//

===== Složení korpusu SYN2013PUB =====

Stejně jako ostatní publicistické korpusy řady [[SYN]] si ani SYN2013PUB v žádném ohledu nečiní nárok na reprezentativnost. Hlavním důvodem jeho vzniku byla kromě zveřejnění dalšího velkého balíku dat především potřeba doplnit a vyrovnat složení publicistiky v korpusu SYN tak, aby ve verzi 3, tj. po zařazení korpusu SYN2013PUB, obsahoval kompletní ročníky 2000–2009 významných publicistických titulů vydávaných v ČR. Na doplnění nabídky synchronních psaných korpusů o novější data se již pracuje.

**[[Grafy]]**

Historie: • zipf • frekvence • containing • syn2006pub • jerome • syn2015 • korpusy • syn2015 • frekvence • corpus_based

Hledat

Navigace

Tisk/export

Nástroje

Jazyky

Licence