Nastavení

Toto je starší verze dokumentu!


Token

Token je nejmenší jednotka textu, většinou grafické slovo, resp. jedna jeho realizace. 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 pozicích.

Velikost korpusu se udává v tokenech nebo také v textových slovech. Rozčlenění textu na tokeny je výsledkem procesu tokenizace.