pojmy:srovnatelny - 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.
====== Srovnatelné korpusy ======


Srovnatelné (//comparable//) korpusy se liší od korpusů [[pojmy:paralelni|paralelních]] tím, že neobsahují doslovné překlady textů, ale „texty vybrané podle týchž kritérií (žánru, zaměření, délky apod.) v různých jazycích (příp. v různých varietách jednoho jazyka)“((Chlumská, L., Není korpus jako korpus: Korpusy v kontrastivní lingvistice a translatologii. //Časopis pro moderní filologii 96//, 2014, č. 2, s. 225)). Srovnatelné korpusy bývají vícejazyčné, ale např. projekt ICE ukazuje druhou možnost: jednojazyčný korpus zachycující regionální variety daného jazyka. U tohoto typu korpusů velmi záleží na dodržení totožné metodologie při sestavování: podstatný není jen žánrově či časově vymezený výběr textů, ale kupříkladu i shoda v jejich délce.


===== Příklady srovnatelných korpusů =====
  * Korpusy sestavené podle vzoru prvního Brownova korpusu standardní americké angličtiny, např. LOB Corpus (britská angličtina) a Kolhapur Corpus (indická angličtina).
  * Projekt ICE (International Corpus of English) shromážďuje srovnatelné korpusy regionálních variet angličtiny, např. britské ([[http://www.ucl.ac.uk/english-usage/projects/ice-gb/index.htm|ICE-GB]]) či jamajské nebo irské. Oficiální stránka projektu v současnosti odkazuje na [[http://ice-corpora.net/ice/|čtrnáct (ne vždy plně) srovnatelných korpusů]].
  * Korpus [[https://sites.google.com/site/motazsite/arabic/comparable-corpora|AFEWC]] obsahuje texty v angličtině, francouzštině a arabštině, je založený na textech z Wikipedie.


===== Srovnávání textů =====

Na corpora-list proběhla diskuze na téma vyhodnocování podobnosti textů (document similarity metrics). Ivelina Nikolova, která ji vyvolala, 4. 3. 2014 shrnula odpovědi takto:

K tématu podobnosti existuje poměrně málo jiných dat než těch zaměřených na úroveň vět. 

__Zdroje__:

1.  Michael D. Lee, Brandon Pincombe, and Matthew
Welsh. 2005. An empirical evaluation of models of
text document similarity. In Proceedings of the 27th
Annual Conference of the Cognitive Science Society,
pages 1254--1259, Mahwah, NJ. Erlbaum.

Jde o podobnosti mezi texty o velikosti odstavce, stanovené lidmi. ((Přístup k datům lze získat od Michaela Lee, <mdlee@uci.edu>))

2. Linda Bawcom ((<linda.bawcom@sbcglobal.net>)) v souvislosti se svým korpusem článků vztahujících se k tématu tsunami upozorňuje, že:
1) řada případů identifikované podobnosti se zakládá na tom, že noviny vycházejí z týchž agenturních textů 
2) použila volně dostupný bezplatný program k identifikování podobných textů (běžně používaný na odhalování plagiátů):
[[http://plagiarism.bloomfieldmedia.com/z-wordpress/2012/03/05/new-release-wcopyfind-4-1-1/|Copyfind]].


3. [[http://ixa2.si.ehu.es/sts/index.php?option=com_content&view=article&id=47&Itemid=54|SemEval Text Similarity task 2013]]
- Hlavní zadání: Mějme dvě věty, s1 a s2. Účastníci kvantifikují, jak podobné si s1 a s2 jsou, čímž vytvoří míru podobnosti (similarity score).
- Mezi druhy podobnosti, na něž se měli zaměřit, bylo: místo, autor, účastníci dění, čas, události nebo akce, téma, popis. 
Data jsou [[http://ixa2.si.ehu.es/sts/index.php?option=com_content&view=article&id=49&Itemid=56|dostupná zde]], kontakt: Zesch, Torsten((<torsten.zesch@uni-due.de>)).

4. [[http://qwone.com/~jason/20Newsgroups/|20 newsgroups]]
  

The 20 Newsgroups data set is a collection of approximately 20,000
newsgroup documents, partitioned (nearly) evenly across 20 different
newsgroups. To the best of my knowledge, it was originally collected by
Ken Lang, probably for his Newsweeder: Learning to filter netnews paper,
though he does not explicitly mention this collection. The 20 newsgroups
collection has become a popular data set for experiments in text
applications of machine learning techniques, such as text classification
and text clustering.

5. Reuters corpus
http://about.reuters.com/researchandstandards/corpus/statistics/index.asp

6. Adam Kilgarriff & Tony Russell-Rose wrote a paper evaluating various
metrics for comparing corpora, and as part of that process created a set
of 'known similarity corpora' which included various newspaper sources.
It's documented here:
Measures for corpus similarity and homogeneity
http://aclweb.org/anthology//W/W98/W98-1506.pdf
The documents are here: ftp://ftp.itri.brighton.ac.uk/KSC
The METER Corpus is here: http://nlp.shef.ac.uk/meter/

Contacts: Tony Russell-Rose <tgr@russellrose.com>, Paul D Clough
<p.d.clough@sheffield.ac.uk>

7. JRC resources
- JEX corpus, which accompanies the JEC software
(http://ipsc.jrc.ec.europa.eu/index.php?id=60)
- The news clusters downloaded and annotated for multi-document
summarisation (see at the bottom of the page
http://ipsc.jrc.ec.europa.eu/?id=61).
- NewsExplorer news clusters (e.g.
http://emm.newsexplorer.eu/NewsExplorer/home/en/latest.html).

Contacts: Ralf Steinberger <ralf.steinberger@jrc.ec.europa.eu>

8. Recent publications on the topic
Daniel Baer's PhD Thesis:
http://tuprints.ulb.tu-darmstadt.de/3641/1/Thesis_Screen.pdf

==== Související odkazy ====

<WRAP round box 50%>
[[pojmy:korpusy|Rozmanité korpusy]] • [[pojmy:paralelni|Paralelní korpus]] • [[https://wiki.korpus.cz/doku.php/pojmy:korpusy#vyber_specificky_zamerenych_korpusu|Specifické korpusy]]
</WRAP>
Historie: • cep • nahodne_vzorky • hotko • syn2010 • czesl-plain • klasifikace_textu_syn2015
Hledat

Navigace

Tisk/export

Nástroje

Jazyky

Licence
