Skrýt
Nastavení

Rozdíly

Zde můžete vidět rozdíly mezi vybranou verzí a aktuální verzí dané stránky.

Odkaz na výstup diff

Následující verze
Předchozí verze
manualy:treq [2015/10/05 17:38]
Václav Cvrček vytvořeno
manualy:treq [2017/09/25 15:46] (aktuální)
Michal Škrabal [Jak citovat Treq]
Řádek 1: Řádek 1:
 ====== Treq ====== ====== Treq ======
  
-Aplikace [[http://treq.korpus.cz|Treq]] slouží k prohledávání česko-cizojazyčných slovníků vytvořených automaticky na základě dat paralelního korpusu [[cnk:​intercorp|InterCorp]]. Slouží tak k rychlému vyhledání možných překladových ekvivalentů či pro inspiraci při hledání synonym.+{{ :manualy:treq.png?​direct&​200|}}
  
-Při hledání je třeba nejprve zvolit cizí jazyk (//Jazyk 2://) a jazyk zadávaného slova (//Hledat v://)Slovo můžeme zadat v konkrétním [[pojmy:​word|tvaru]] nebo jako [[pojmy:​lemma|lemma]] (//Lemmata: Ano/Ne//). Můžeme si také vybrat, zda má být výsledek založen ​na excerpci z beletristického ​[[cnk:​intercorp:​verze8#​obsah_korpusu|jádra]], z jednotlivých kolekcí, nebo ze všech textů v InterCorpu (//Omezit na://). Pak slovo zadáme (//​Dotaz://​) ​klikneme na //Hledej//+Aplikace [[http://treq.korpus.cz|Treq]] slouží k obousměrnému prohledávání česko-cizojazyčných a anglicko-cizojazyčných slovníků vytvořených automaticky ​na základě dat paralelního korpusu ​[[cnk:​intercorp|InterCorp]]. Lze ní snadno ​pohodlně vyhledávat možné překladové ekvivalenty či se inspirovat při hledání synonym.
  
-Výsledkem dotazu ​je seznam nalezených překladů zadaného slova, implicitně setříděných sestupně podle frekvence. Pro ověření výskytu v textovém okolí je možné si dvojici výrazů vyhledat v rozhraní ​[[manualy:​kontext:index|KonText]] dotazem do korpusu InterCorp kliknutím na ekvivalent. Počet výskytů se ak může lišit – paralelní dotaz najde i konkordance,​ v nichž potenciální ekvivalent odpovídá jinému slovu.+Treq je webová aplikace (k jejímu užívání stačí internetový prohlížeč) a je dostupná bez [[kurz:zaciname|registrace]] všem uživatelům na adrese **[[http://​treq.korpus.cz|treq.korpus.cz]]**.
  
-Treq vychází z textů ​[[cnk:intercorp:verze8|8verze paralelního korpusu InterCorp]]Originální ​a překladové texty jsou nejprve ​na základě statistických výpočtů zarovnány ​po slovech pomocí programu GIZA++((viz [[http://​dx.doi.org/​10.1162/​089120103321337421|Och–Ney 2003]])). ​Zarovnané dvojice slov jsou pak setříděny a sumarizoványVýsledek automatické excerpce není nijak revidovánjako ukazatel relevance překladového ekvivalentu však může ​posloužit relativní frekvence ​íslušné dvojice slov. Čím častěji se ekvivalent ​zadaného slova vyskytl ve srovnání s ostatními ekvivalenty,​ tím větší je pravděpodobnost,​ že je funkční.+Nejdříve zvolíme výchozí jazyk, v němž je hledaný výraz, a cílový jazyk, do něhož jej chceme přeložit. Slovo můžeme zadat v konkrétním tvaru, v základním slovníkovém tvaru (//​Lemmata//​),​ lze vyhledávat i víceslovnou jednotku (//​Víceslovné//​),​ využít při hledání regulární výrazy (//​Regulární//​) nebo v dotazu nerozlišovat velikost písmen (//A = a//). Můžeme si také vybrat, zda má být výsledek založen na překladech beletristického jádra, jednotlivých kolekcí, nebo všech ​textů ​v InterCorpu (//Omezit na://). Pak slovo zadáme (//Dotaz://) a klikneme na //Hledej//Výsledkem dotazu je seznam nalezených překladů zadaného slova, defaultně setříděných sestupně podle frekvenceRealizaci dané dvojice výrazů v kontextu si lze ověřit pomocí hypertextového odkazu, jimž jsou jednotlivé ekvivalenty opatřeny. Počet výskytů udávaný v rozhraní Treq KonText se však může lišit -- paralelní dotaz najde i konkordance,​ v nichž potenciální ekvivalent odpovídá jinému slovu. 
 + 
 +===== Princip zarovnání ===== 
 +Při ípravě dat pro databázi Treq jsou nejprve ​z celého korpusu dané jazykové verze InterCorpu vybrány pouze věty, které jsou k češtině zarovnány v poměru 1:1. Výhradně jednoduchá zarovnání používáme proto, že obvykle bývají spolehlivější;​ zvláště v případě automaticky zarovnaných textů tak můžeme předejít zanesení potenciálních chyb. 
 + 
 +Následuje automatické zarovnání ​po slovech ​v rámci těchto vět pomocí programu GIZA++((viz [[http://​dx.doi.org/​10.1162/​089120103321337421|Och–Ney 2003]])). ​Ve starších verzích Trequ se využívalo zarovnání pomocí metody //​intersection//,​ které páruje jedno slovo s jedním ekvivalentem,​ např.:  
 +  
 +{{:​manualy:​carky_int.jpg?​300|}} 
 + 
 +{{:​manualy:​carky_int_spoustu_lidi_to_nastvalo.jpg?​450|}} 
 + 
 +Tzn. že v první větě první slovo ve zdrojovém jazyku (0) odpovídá prvnímu slovu v jazyku cílovém (0), druhé slovo (1) odpovídá třetímu slovu (2) atdPočínaje verzí 2.0 byla navíc využita metoda //​grow-diag-final-and//​která umožňuje vytvářet i komplikovanější zarovnání více slov na obou stranách překladu. ​ Takové zarovnání pak může ​vypadat třeba takto: 
 + 
 +{{:​manualy:​carky_gdfa.jpg?​300|}} 
 + 
 +{{:​manualy:​carky_gdfa_spoustu_lidi_to_nastvalo.jpg?​450|}} 
 + 
 +Oproti ​ípadu výše tu druhé slovo ve zdrojovém jazyku (1) neodpovídá pouze třetímu (2), ale též druhému a čtvrtému (1, 3) slovu v jazyku cílovém atd. 
 +Z takovéhoto zarovnání je následně vybráno co největší množství kombinací slov, které toto zarovnání umožňuje (viz též příklad extrahovaných ekvivalentů níže).  
 +V obou případech jsou zarovnané ​dvojice slov setříděny a sečteny, výsledky automatické extrakce však už nejsou nijak revidovány a uživateli jsou poskytnuty formou seznamu nalezených ekvivalentů zadaného výrazu, doplněných o absolutní a relativní frekvenciTyto údaje jsou uživatelovým primárním vodítkem: čím častěji se ekvivalent ​hledaného výrazu ​vyskytl ve srovnání s ostatními ekvivalenty,​ tím vyšší je pravděpodobnost,​ že je funkční. ​ 
 + 
 +V jakém poměru jsou frekvence nalezené v KonTextu s těmi zobrazovanými Treqem, ukazuje přiložená tabulka. Ta vyčísluje různé typy dat v jednotlivých fázích jejich zpracování pro Treq z anglické složky IC v9 (víceslovná varianta). 
 + 
 +{{:​manualy:​treq-tabulka.jpg|}} 
 + 
 +Po dílčích krocích lze sledovat postupný úbytek dat, která jsou ve výsledném slovníku použita. V prvním kroku použijeme pouze zarovnání vět 1:1 – tím přijdeme o 20,7 % vět.  Následně se vyberou na základě zarovnání z programu GIZA++ jedno- a víceslovné ekvivalenty. Vztah mezi velikostí původního korpusu a počtem vyextrahovaných ekvivalentů však nelze jasně předvídat,​ zvláště pak u víceslovných ekvivalentů,​ kde vznikají nejrůznější kombinace stejných slov (viz tučně vysázené dvojice níže). Takto by např. vypadal abecedně řazený soupis česko-anglických párů extrahovaných z druhé příkladové věty: 
 + 
 +//a – and// 
 + 
 +//chybný – bad// 
 + 
 +//krok – move// 
 + 
 +//lidí – people// 
 + 
 +//naštvalo – angry// 
 + 
 +//​**považovalo – been widely regarded as**// 
 + 
 +//​**považovalo za – been widely regarded as**// 
 + 
 +//​**považovalo za – regarded a**// 
 + 
 +//se – made// 
 + 
 +//Spoustu – lot of// 
 + 
 +//to – This// 
 + 
 +//to – very// 
 + 
 +//**za – regarded a**// 
 + 
 +//. – .// 
 + 
 +Ve třetím kroku se v rámci celého textu sečtou řádky, které jsou stejné na obou stranách zarovnání. Tak získáme seznam a frekvenci ekvivalentů. Nakonec, v závěrečném kroku, vyřadíme všechny protějšky obsahující interpunkci,​ čímž obdržíme finální verzi slovníku. U všech jazykových párů, kde je k dispozici lemmatizace na obou stranách zarovnání,​ aplikujeme stejný postup i na lemmatizovanou podobu dat (//na počátek být stvořit vesmír . – in the beginning the universe be create .//). 
 + 
 +===== Obrázky aplikace ===== 
 + 
 +[{{:​manualy:​home.png?​direct&​300|Zadávací formulář}}] 
 +[{{:​manualy:​basic.png?​direct&​300|Jednoduché hledání v německo-české části}}] 
 +[{{:​manualy:​regex.png?​direct&​300|Pokročilé hledání (pomocí regulárních výrazů) v anglicko-české části}}] 
 + 
 +===== Jak citovat Treq ===== 
 + 
 +<WRAP round tip 80%> 
 +Vavřín, M. – Rosen, A.: Treq. FF UK. Praha 2015. Dostupný z WWW: <​http://​treq.korpus.cz>​. 
 + 
 +Škrabal, M. – Vavřín, M. (2017): Databáze překladových ekvivalentů Treq. //Časopis pro moderní filologii// 99 (2), s. 245–260. 
 +</​WRAP>​ 
 + 
 + 
 +==== Související odkazy ==== 
 + 
 +<WRAP round box 50%> 
 +[[manualy:​kontext:​index|Rozhraní KonText]] • [[syd|SyD]] • [[morfio|Morfio]] • [[kwords|KWords]] • [[pojmy:​korpusovy_manazer|Korpusový manažer]] • [[pojmy:​nastroje|Korpusové nástroje]] 
 +</​WRAP>​