pojmy:token - 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.

====== Token ======

Token je nejmenší jednotka textu, většinou se jedná o grafické slovo (tj. řetězec alfabetických znaků oddělený mezerou v textu), resp. o jednu jeho konkrétní realizaci. V některých případech je jedno grafické slovo rozděleno na dvě (např. //mohu -li//), často je také z praktických důvodů (pro snadné vyhledávání) oddělována interpunkce od předcházejícího slova (3 tokeny: //řekl , že//). O jednotlivých tokenech v korpusu se také mluví jako o [[pojmy:pozice|pozicích]].

Velikost korpusu se udává v tokenech nebo také v textových či grafických slovech. Rozčlenění textu na tokeny je výsledkem procesu **tokenizace**. Tokenizace numerických a interpunkčních znaků je v korpusech řešena různě, podrobně je popsána na příkladu korpusu SYN2020 [[cnk:syn2020:tokenizace|na této stránce]].

V opozici k tokenům se vyděluje jako vyšší rovina abstrakce [[pojmy:typ|typ]] (anglicky //type//).

==== Související odkazy ====

<WRAP round box 49%>
[[pojmy:heaps|Heapsův zákon]] • [[pojmy:zipf|Zipfovy zákony]]  • [[pojmy:pozice|Textová pozice]] • [[pojmy:segmentace|Segmentace]]
</WRAP>

Historie: • koligace • frekvencni_distribuce • ngram • recall • akalex • schola2010 • mi-score • syd • uvod • bigram

Hledat

Navigace

Tisk/export

Nástroje

Jazyky

Licence