pojmy:pozice - 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.

====== Textová pozice ======

V souvislosti s tím, že každý text, který vstupuje do korpusu, prochází procesem [[pojmy:token|tokenizace]], se o jednotkách v korpusu nemluví jako o slovech, ale častěji jako o **pozicích**. Tokenizace se přitom u jednotlivých korpusů může lišit, pozicí se tak v různých korpusech může myslet různě vymezená jednotka.

Typicky je pozicí jedno grafické slovo (odděleno z obou stran mezerou). Samostatnou pozici ovšem většinou tvoří i interpunkční značky, které při sazbě často bezprostředně sousedí se slovem. Takže např. věta //Hádej, kdo dnes přijde?// je tokenizována následujícím způsobem:

| 1 | 2 | 3 | 4 | 5 | 6 |
| Hádej | , | kdo | dnes | přijde | ? |

a obsahuje tak 6 samostatných pozic.

V různých korpusech se také může lišit přístup k slovům spojeným a zkratkám. Někdy jsou proto slova jako ''např.'', ''apod.'', ''ekonomicko-sociologický'',  jednou pozicí, v jiných korpusech jsou to pozice dvě. 

==== Související odkazy ====

<WRAP round box 49%>
[[pojmy:struktura_korpusu|Struktura korpusu]] • [[pojmy:token|Token]] • [[pojmy:typ|Typ/Type]]
</WRAP>

Historie: • ksk-dopisy • problemy_lemmatizace • kwic • syntakticka_analyza • strukturni_atributy_syn • pozice • problemy_morfologie • srovnatelny • tagery • periodicity