AplikaceAplikace
Nastavení

This is an old revision of the document!


Korpus SYN verze 4

Název SYN verze 4
Pozice Počet pozic (tokenů) 4 349 023 692
Počet pozic (tokenů) bez interpunkce 3 626 417 275
Počet slovních tvarů (wordů) 10 506 034
Počet lemmat 7 427 573
Struktury Počet dokumentů 87 653
Počet textů 14 097 711
Počet vět 275 182 453
Další informace Referenční ANO
Reprezentativní NE (převažuje publicistika)
Rok zveřejnění 2016

Každý korpus SYN obsahuje vždy všechny synchronní psané korpusy řady SYN zveřejněné do doby vzniku dané verze. Korpus SYN verze 4 tedy zahrnuje korpusy SYN2000, SYN2005, SYN2006PUB, SYN2009PUB, SYN2010, SYN2013PUB a SYN2015; kromě nich je však jeho součástí také dosud nezveřejněná publicistika převážně z let 2010–2014 v ročních objemech přesahujících 200 mil. slov.

Protože jsou všechny tyto složky navzájem disjunktní (tj. neobsahují stejné texty), je celková velikost korpusu SYN verze 4 dána součtem jejich velikostí, který činí 3,626 miliardy textových slov (tokenů bez interpunkce). Korpus SYN není reprezentativní; v jeho složení dominuje publicistika, což je důsledkem převahy rozsáhlých publicistických korpusů SYN2006PUB, SYN2009PUB, SYN2013PUB a publicistické složky z let 2010–2014.

Korpus SYN verze 4 je referenční, a zůstane tedy uživatelům neustále dostupný i po zveřejnění novějších verzí (je ovšem třeba upozornit na postupné zastarávání dodané lingvistické informace, které z referenčnosti zákonitě vyplývá). Jednotlivé verze korpusu SYN budou nadále zveřejňovány pravidelně každý rok s přírůstkem v podobě aktuálních publicistických dat, přičemž tento přírůstek bude označen hodnotou atributu <doc syn> rovnou verzi korpusu SYN, v níž se daný text objevil poprvé; například subkorpus odpovídající výše zmíněné dosud nezveřejněné publicistice tak lze ze SYN verze 4 vytvořit zadáním podmínky syn="v4".

Composition of the corpus SYN version 4

Referential written language corpora (synchronic and general) ordered by date of creation
corpus size (words) lemmatization morphological tags publication year corpus description
SYN2015 100 mil. YES YES 2015 representative corpus, mainly texts from the years 2010–2014
SYN2013PUB 935 mil. YES YES 2013 corpus of journalistic texts from the years 2005-2009
SYN2010 100 mil. YES YES 2010 representative corpus, mainly texts from the years 2005–2009
SYN2009PUB 700 mil. YES YES 2010 corpus of journalistic texts from the years 1995–2007
SYN2006PUB 300 mil. YES YES 2006 corpus of journalistic texts from the years 1989–2004
SYN2005 100 mil. YES YES 2005 representative corpus, mainly texts from the years 2000–2004
SYN2000 100 mil. YES YES 2000 representative corpus, mainly texts from the years 1990–1999

Journalism in SYN version 4

Složení publicistické části korpusu SYN verze 4 pokrývá produkci hlavních celostátních deníků (Mladá fronta DNES, Lidové noviny, Právo, Hospodářské noviny, Blesk, Sport), regionálních deníků (především Deníky Bohemia a Moravia z produkce nakladatelství Vltava Labe Media) a nespecializovaných časopisů (Reflex, Respekt, Týden) v letech 1998–2014; celkový počet publicistických titulů je 176. Následující grafy ukazují složení korpusu SYN podle hlavních textových typů v jednotlivých letech a nabízejí bližší pohled na složení publicistické části.

Composition of the corpus SYN version 4
Composition of the journalistic part of the corpus SYN version 4

Structure and annotation of the corpus SYN version 4

Korpus SYN verze 4 se od svého předchůdce, korpusu SYN verze 3, výrazně liší ve strukturaci a anotaci textů, které odpovídají korpusu SYN2015. Změny se projevují jak převzetím hierarchie strukturních značek SYN2015 (např. původní <opus> byl nahrazen <doc>, nově byl zaveden odstavec <p> atd.) a jejich atributů (např. původní <opus název> byl nahrazen <doc title>), tak i klasifikace textů SYN2015, která byla zpětně aplikována na všechny texty obsažené v korpusu SYN verze 4. Jedním z důsledků tohoto rozhodnutí bylo také vyřazení textů (především internetových periodik), které nesplňují zúžené pojetí psanosti.

Tato shoda struktury a anotace s korpusem SYN2015 má pouze dvě výjimky:

How to cite SYN version 4

Křen, M. – Cvrček, V. – Čapka, T. – Čermáková, A. – Hnátková, M. – Chlumská, L. – Jelínek, T. – Kováříková, D. – Petkevič, V. – Procházka, P. – Skoumalová, H. – Škrabal, M. – Truneček, P. – Vondřička, P. – Zasina, A.: Corpus SYN, verison 4 z 16. 9. 2016. Ústav Českého národního korpusu FF UK, Praha 2016. Available online: http://www.korpus.cz

Hnátková, M. – Křen, M. – Procházka, P. – Skoumalová, H. (2014): The SYN-series corpora of written Czech. In Proceedings of the Ninth International Conference on Language Resources and Evaluation (LREC'14), 160–164. Reykjavík: ELRA. ISBN 978-2-9517408-8-4.

Michal Křen, Olga Richterová

Related links