AplikaceAplikace
Nastavení

Differences

This shows you the differences between two versions of the page.

Link to this comparison view

Next revision		Previous revision
en:cnk:syn:verze9 [2021/12/06 15:44] – created michalkrenen:cnk:syn:verze9 [2022/06/09 13:35] (current) – jankrivan
Line 1: Line 1:
 ~~NOTOC~~ ~~NOTOC~~
-====== Korpus SYN verze 8 ======+====== SYN version 9 ======
  
 <WRAP right 35%> <WRAP right 35%>
-^ <fs medium>Název</fs> ^^ <fs medium>SYN verze 8</fs> ^ +^ <fs medium>Name</fs> ^^ <fs medium>SYN version 9</fs> ^ 
-^ [[pojmy:atributy_pozicni|Pozice]] ^ Počet [[pojmy:token|pozic (tokenů)]] |  5 391 362 082 |   +^ [[pojmy:atributy_pozicni|Position]] ^ Number of tokens |  5 692 729 712 |   
-^ ::: ^ Počet [[pojmy:token|pozic (tokenů) bez interpunkce ]] |  4 499 370 372 |   +^ ::: ^ Number of tokens without punctuation  |  4 719 008 171 |   
-^ ::: ^ Počet [[pojmy:word|slovních tvarů (wordů)]] |  12 039 781 |   +^ ::: ^ Number of [[en:pojmy:word|word forms]]  |  10 843 867 |   
-^ ::: ^ Počet [[pojmy:lemma|lemmat]] |  8 684 133 | +^ ::: ^ Number of [[en:pojmy:lemma|lemmas]] |  7 375 002 | 
-^ [[pojmy:atributy_strukturni|Struktury]] ^ Počet [[pojmy:doc|dokumentů]] |  116 325 | +^ [[en:pojmy:atributy_strukturni|Structures]] ^ Number of [[en:pojmy:doc|documents]] |  124 247 | 
-^ ::: ^ Počet [[pojmy:atributy_strukturni|textů]] |  17 114 666 | +^ ::: ^ Number of [[en:pojmy:atributy_strukturni|texts]]|  17 687 333 | 
-^ ::: ^ Počet vět |  344 432 276 | +^ ::: ^ Number of sentences |  362 174 692 | 
-^ Další informace ^ [[pojmy:referencni|Referenční]] |  ANO |   +^ Other information ^ [[en:pojmy:referencni|Referential]] |  YES |   
-^ ::: ^ [[pojmy:reprezentativnost|Reprezentativní]] |  NE (převažuje [[seznamy:txtype|publicistika]]) |   +^ ::: ^ [[en:pojmy:reprezentativnost|Representative]] |  NO (predominantly journalism) |   
-^ ::: ^ Rok zveřejnění |  2019 |+^ ::: ^ Publication year |  2021 |
 </WRAP> </WRAP>
  
-Každý **korpus SYN** obsahuje vždy všechny [[pojmy:synchronni|synchronní]] [[pojmy:psany|psané]] korpusy řady SYN (viz popis celé řady [[cnk:syn|SYN]]) zveřejněné do doby vzniku dané verze. Korpus SYN verze 8 tedy zahrnuje korpusy [[cnk:syn2000|SYN2000]], [[cnk:syn2005|SYN2005]], [[cnk:syn2006pub|SYN2006PUB]], [[cnk:syn2009pub|SYN2009PUB]], [[cnk:syn2010|SYN2010]], [[cnk:syn2013pub|SYN2013PUB]] a [[cnk:syn2015|SYN2015]]; kromě nich je však jeho součástí také publicistika z let 2010–2017, která je již součástí korpusů [[cnk:syn:verze4|SYN verze 4]], [[cnk:syn:verze5|verze 5]], [[cnk:syn:verze6|verze 6]] a [[cnk:syn:verze7|verze 7]] a také **dosud nezveřejněná publicistika z roku 2018** v objemu přes 150 mil. slov.+Every **SYN corpus** contains all the [[en:pojmy:synchronni|synchronic]] [[en:pojmy:psany|written]] corpora of the [[en:cnk:syn|SYN]] series published up until the time of the given version's publication. The corpus SYN version 9 therefore contains the corpora  [[en:cnk:syn2000|SYN2000]], [[en:cnk:syn2005|SYN2005]], [[en:cnk:syn2006pub|SYN2006PUB]], [[en:cnk:syn2009pub|SYN2009PUB]], [[en:cnk:syn2010|SYN2010]],[[en:cnk:syn2013pub|SYN2013PUB]], [[en:cnk:syn2015|SYN2015]] and [[en:cnk:syn2020|SYN2020]]; additionally, it contains a journalistic component predominantly from the years 2010–2019 (already included into [[en:cnk:syn:verze4|SYN version 4]], [[en:cnk:syn:verze5|SYN version 5]], [[en:cnk:syn:verze6|SYN version 6]], [[en:cnk:syn:verze7|SYN version 7]] and [[en:cnk:syn:verze8|SYN version 8]]) and as yet **unpublished journalistic texts from 2019** in yearly volume almost 150 mil. words.
  
-Protože jsou všechny tyto složky navzájem **disjunktní** (tj. neobsahují stejné texty), je celková velikost korpusu SYN verze 8 dána součtem jejich velikostí, který činí 4,5 miliardy textových slov ([[[[pojmy:token|tokenů]] bez interpunkce). Korpus SYN není [[pojmy:reprezentativnost|reprezentativní]]; v jeho složení dominuje publicistika, což je důsledkem převahy rozsáhlých publicistických korpusů [[cnk:syn2006pub|SYN2006PUB]], [[cnk:syn2009pub|SYN2009PUB]], [[cnk:syn2013pub|SYN2013PUB]] a publicistické složky z let 2010–2018.+The SYN corpus is not [[en:pojmy:reprezentativnost|representative]]; the dominant component is journalism, which is the result of the predominance of journalistic corpora [[en:cnk:syn2006pub|SYN2006PUB]], [[en:cnk:syn2009pub|SYN2009PUB]], [[en:cnk:syn2013pub|SYN2013PUB]] and the journalistic component from the years 2010--2019.
  
-Korpus SYN verze 8 je [[pojmy:referencni|referenční]], a zůstane tedy uživatelům neustále dostupný i po zveřejnění novějších verzí (je ovšem třeba upozornit na postupné zastarávání dodané [[pojmy:atributy_strukturni|strukturní]] a [[pojmy:atributy_pozicni|poziční]] anotace, 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 [[pojmy:subkorpus|subkorpus]] odpovídající výše zmíněné dosud nezveřejněné publicistice tak lze ze SYN verze 8 [[manualy:kontext:subkorpus#vytvoreni_noveho_subkorpusu|vytvořit]] zadáním podmínky ''syn=<nowiki>"</nowiki>v8<nowiki>"</nowiki>''.+Continuous annual updates of journalistic texts in the SYN-series corpora also had a side effect: many issues of newspapers and magazines that had previously been included into some of the SYN-series corpora (versions 5 to 8) had to be re-used also in SYN2020. As a consequence of this non-empty intersection of SYN2020 with older SYN-series corpora, SYN version 9 cannot be a disjunctive unification of all its components. However, all the journalistic texts included into both SYN2020 and some other SYN-series corpora are included only once in SYN version 9.
  
-===== Složení korpusu SYN verze 8 =====+The SYN version 9 corpus is [[en:pojmy:referencni|referential]], and will remain accessible to users even after newer versions have been published. It is however necessary to keep in mind that the linguistic information will become outdated, as a natural result of the referential nature of the corpus. Individual versions of the corpus SYN will continue to be published regularly every year with the addition of current journalistic data, and every new addition will be given the attribute value ''<doc syn>'' equal to the version of the SYN corpus in which the given text first appeared; for example a [[en:pojmy:subkorpus|subcorpus]] corresponding to the above mentioned (as yet unpublished) journalistic component can be [[en:manualy:kontext:subkorpus#vytvoreni_noveho_subkorpusu|created]] from the SYN version 9 with the help of the condition ''syn=<nowiki>"</nowiki>v9<nowiki>"</nowiki>''((Texts from the intersection of SYN2020 with older SYN-series corpora are marked as coming from SYN2020 in this attribute.)).
  
-^ <fs medium>Referenční korpusy psaného jazyka (synchronní a obecné) v pořadí podle doby vzniku</fs> ^^^^^^ +===== Composition of the corpus SYN version 9 =====
-^ korpus ^ velikost (počet slov) ^ [[pojmy:lemma|lemmatizace]] ^ [[pojmy:tag|morfologické značky]] ^ rok zveřejnění ^ charakteristika korpusu ^ +
-^ [[cnk:syn2015|SYN2015]] |  100 mil.  |  ✓  |  ✓  |  2015  | reprezentativní korpus, převažují texty z let 2010–2014| +
-^ [[cnk:syn2013PUB|SYN2013PUB]] |  935 mil.  |  ✓  |  ✓  |  2013  | korpus publicistických textů z let 2005–2009 | +
-^ [[cnk:syn2010|SYN2010]] |  100 mil.  |  ✓  |  ✓  |  2010  | reprezentativní korpus, převažují texty z let 2005–2009| +
-^ [[cnk:syn2009PUB|SYN2009PUB]] |  700 mil.  |  ✓  |  ✓  |  2010  | korpus publicistických textů z let 1995–2007 | +
-^ [[cnk:syn2006PUB|SYN2006PUB]] |  300 mil.  |  ✓  |  ✓  |  2006  | korpus publicistických textů z let 1989–2004| +
-^ [[cnk:syn2005|SYN2005]] |  100 mil.  |  ✓  |  ✓  |  2005  | reprezentativní korpus, převažují texty z let 2000–2004| +
-^ [[cnk:syn2000|SYN2000]] |  100 mil.  |  ✓  |  ✓  |  2000  | reprezentativní korpus, převažují texty z let 1990–1999|+
  
-==== Publicistika v SYN verze 8 ====+^ <fs medium>Referential written language corpora (synchronic and general) ordered by date of creation</fs> ^^^^^^ 
 +^ corpus ^ size (words) ^ [[en:pojmy:lemma|lemmatization]] ^ [[en:pojmy:tag|morphological tags]] ^ publication year ^ corpus description ^ 
 +^ [[en:cnk:syn2015|SYN2020]] |  100M  |  ✓  |  ✓  |  2020  | representative corpus, mainly texts from the years 2015–2019 | 
 +^ [[en:cnk:syn2015|SYN2015]] |  100M  |  ✓  |  ✓  |  2015  | representative corpus, mainly texts from the years 2010–2014 | 
 +^ [[en:cnk:syn2013PUB|SYN2013PUB]] |  935M  |  ✓  |  ✓  |  2013  | corpus of journalistic texts from the years 2005–2009 | 
 +^ [[en:cnk:syn2010|SYN2010]] |  100M  |  ✓  |  ✓  |  2010  | representative corpus, mainly texts from the years 2005–2009| 
 +^ [[en:cnk:syn2009PUB|SYN2009PUB]] |  700M  |  ✓  |  ✓  |  2010  | corpus of journalistic texts from the years 1995–2007 | 
 +^ [[en:cnk:syn2006PUB|SYN2006PUB]] |  300M  |  ✓  |  ✓  |  2006  | corpus of journalistic texts from the years 1989–2004 | 
 +^ [[en:cnk:syn2005|SYN2005]] |  100M  |  ✓  |  ✓  |  2005  | representative corpus, mainly texts from the years  2000–2004 | 
 +^ [[en:cnk:syn2000|SYN2000]] |  100M  |  ✓  |  ✓  |  2000  | representative corpus, mainly texts from the years 1990–1999 |
  
-Složení publicistické části korpusu SYN verze 8 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--2018; celkový počet publicistických titulů se blíží 200. Následující grafy ukazují složení korpusu SYN podle [[pojmy:txtype_group|hlavních textových typů]] v jednotlivých letech a nabízejí bližší pohled na složení publicistické části. +==== Journalism in SYN version 9 ====
  
-[{{:cnk:syn:slozeni_syn_v8.png?400|Složení korpusu SYN verze 8}}]+The composition of the journalistic part of the corpus SYN version 9 covers the production of most of the national daily newspapers  (//Mladá fronta DNES, Lidové noviny, Právo, Hospodářské noviny, Blesk, Sport//), regional daily newspapers (chiefly //Deníky Bohemia// and //Moravia// published by Vltava Labe Media) and non-specialized magazines (//Reflex, Respekt, Týden//) from the years 1998--2019; the total number of journalistic titles is almost 200. The following graphs show the composition of the SYN corpus based on the [[en:pojmy:txtype_group|main text types]] over the years and offer a closer look at the composition of the journalistic section. 
  
-[{{:cnk:syn:slozeni_syn_v8_pub.png?400|Složení publicistické části korpusu SYN verze 8}}]+[{{:cnk:syn:slozeni_syn_v9.png?400|Composition of the corpus SYN version 9}}]
  
-====== Struktura a anotace korpusu SYN verze 8 ======+[{{:cnk:syn:slozeni_syn_v9_pub.png?400|Composition of the journalistic part of the corpus SYN version 9}}]
  
-Korpus SYN verze 8 je co do [[pojmy:atributy_strukturni|strukturace]] a [[pojmy:anotace|anotace]] textů shodný se svými předchůdci: [[cnk:syn:verze7|verzí 7]], [[cnk:syn:verze6|verzí 6]], [[cnk:syn:verze5|verzí 5]] a [[cnk:syn:verze4|verzí 4]]. Opírá se tudíž o [[cnk:syn2015#struktura_korpusu_a_strukturni_znacky|hierarchii strukturních značek]] a jejich atributů a o [[cnk:klasifikace_textu_syn2015|klasifikaci textů]] podle [[cnk:syn2015|korpusu SYN2015]], až na dvě výjimky: +====== Structure and annotation of SYN version 9 ======
  
-  * přidání atributu ''<doc syn>'' pro [[cnk:syn#referencni_korpusy_jako_subkorpusy_v_syn|vytváření subkorpusů odpovídajících původním referenčním korpusům]]; +Generally speaking, structure and annotation of SYN version 9 are based on that of the SYN2020 corpus. In particular, hierarchy of structural tags for SYN version 9 has been taken over from SYN2020, as well as the [[en:cnk:syn2020#annotation_of_syn2020changes_compared_to_other_corpora_of_the_syn_series|lemmatization and morphological tagging]]. Please note that **SYN version 9 differs in this from its predecessor, [[en:cnk:syn:verze8|SYN version 8]]**.
-  * nahrazení [[pojmy:syntakticka_analyza|syntaktické anotace]] v korpusu SYN2015 pilotní verzí **[[seznamy:frazemy|anotace frazémové]]**.+
  
-====== Jak citovat SYN verze 8 ======+This correspondence of structure and annotation between SYN version 9 and [[en:cnk:syn2020|SYN2020]] only has the following exceptions: 
 + 
 +  * introducing the additional attribute ''<doc syn>'' for the [[en:cnk:syn#reference_corpora_as_subcorpora_in_syn|creation of subcorpora corresponding to the original reference corpora]]; 
 +  * replacing [[en:pojmy:syntakticka_analyza|syntactic annotation]] in the SYN2020 corpus with a pilot version of **[[en:seznamy:frazemy|phraseme annotation]]**. 
 + 
 +====== How to cite SYN version 9 ======
  
 <WRAP round tip 70%> <WRAP round tip 70%>
-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.: //Korpus SYN, verze 8 z 12. 12. 2019//. Ústav Českého národního korpusu FF UK, Praha 2019. Dostupný z WWW: http://www.korpus.cz.+Křen, M. – Cvrček, V. – Henyš, J. – Hnátková, M. – Jelínek, T. – Kocek, J. – Kováříková, D. – Křivan, J. – Milička, J. – Petkevič, V. – Procházka, P. – Skoumalová, H. – Šindlerová, J. – Škrabal, M.: //Corpus SYN, version 9 from 5. 12. 2021//. Ústav Českého národního korpusu FF UK, Praha 2021. Available online: https://www.korpus.cz. 
 + 
 + 
 +Hnátková, M. – Křen, M. – Procházka, P. – Skoumalová, H. (2014): [[http://www.lrec-conf.org/proceedings/lrec2014/pdf/294_Paper.pdf|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.  
 + 
 +Jelínek, T. – Křivan, J. – Petkevič, V. – Skoumalová, H. – Šindlerová, J. (2021): [[https://doi.org/10.1007/978-3-030-83527-9_4|SYN2020: A new corpus of Czech with an innovated annotation]]. In: K. Ekštein – F. Pártl – M. Konopík (eds.), //Text, Speech, and Dialogue.// TSD 2021. Lecture Notes in Computer Science, vol. 12848. Cham: Springer, 48–59. 
 + 
 +Křivan, J. – Šindlerová, J. (2022): [[http://sas.ujc.cas.cz/archiv.php?lang=en&art=4508|Změny v morfologické anotaci korpusů řady SYN: nové možnosti zkoumání české gramatiky a lexikonu]]. //Slovo a slovesnost//, 83, 2/2022, 122–145.
  
-Hnátková, M. – Křen, M. – Procházka, P. – Skoumalová, H. (2014): [[http://www.lrec-conf.org/proceedings/lrec2014/pdf/294_Paper.pdf|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. 
 </WRAP> </WRAP>
  
- --- //Michal Křen, Olga Richterová, Michal Škrabal// 
  
-====== Související odkazy ======+ --- //Michal Křen// 
 + 
 +====== Related links ======
 <WRAP round box 50%> <WRAP round box 50%>
-[[cnk:syn|SYN]] • [[cnk:syn:verze7|SYN verze 7]] • [[cnk:syn:verze6|SYN verze 6]] • [[cnk:syn:verze5|SYN verze 5]] • [[cnk:syn:verze4|SYN verze 4]] • [[cnk:syn:verze3|SYN verze 3]] • [[cnk:syn2000|SYN2000]] • [[cnk:syn2005|SYN2005]] • [[cnk:syn2006pub|SYN2006PUB]] • [[cnk:syn2009pub|SYN2009PUB]] • [[cnk:syn2010|SYN2010]] • [[cnk:SYN2013PUB|SYN2013PUB]] • [[cnk:syn2015|SYN2015]]+[[en:cnk:syn|SYN]] • [[en:cnk:syn:verze9|SYN version 9]] • [[en:cnk:syn:verze8|SYN version 8]] • [[en:cnk:syn:verze7|SYN version 7]] • [[en:cnk:syn:verze6|SYN version 6]] • [[en:cnk:syn:verze5|SYN version 5]] • [[en:cnk:syn:verze4|SYN version 4]] • [[en:cnk:syn:verze3|SYN version 3]] • [[en:cnk:syn2000|SYN2000]] • [[en:cnk:syn2005|SYN2005]] • [[en:cnk:syn2006pub|SYN2006PUB]] • [[en:cnk:syn2009pub|SYN2009PUB]] • [[en:cnk:syn2010|SYN2010]] • [[en:cnk:SYN2013PUB|SYN2013PUB]] • [[en:cnk:syn2015|SYN2015]] • [[en:cnk:syn2020|SYN2020]]
  
 </WRAP> </WRAP>
  

Trace: