| Obě strany předchozí revizePředchozí verzeNásledující verze | Předchozí verze |
| seznamy:abc_seznamy [2016/09/13 13:19] – [Abecední a retrográdní slovníky] michalkren | seznamy:abc_seznamy [2016/09/14 14:18] (aktuální) – [Download] michalkren |
|---|
| ====== Abecední a retrográdní slovníky ====== | ====== Abecední a retrográdní slovníky ====== |
| |
| Na této stránce najdete frekvenční seznamy [[pojmy:lemma|lemmat]] a [[pojmy:word|slovních tvarů]] založené na reprezentativních korpusech [[cnk:syn2000|SYN2000]], [[cnk:syn2005|SYN2005]], [[cnk:syn2010|SYN2010]] a [[cnk:syn2015|SYN2015]]. Všechny tyto slovníky jsou výsledkem zkrácení, zjednodušení a přetřídění [[seznamy:srovnavaci_seznamy|srovnávacích frekvenčních seznamů]], při kterém jsme se snažili vyjít vstříc potřebám těch našich uživatelů, kteří nejsou příliš zběhlí v používání počítačů. Každý ze zmiňovaných slovníků vznikl z odpovídajícího srovnávacího frekvenčního seznamu takto: | Abecední a retrográdní slovníky [[pojmy:lemma|lemmat]] a [[pojmy:word|slovních tvarů]] jsou založeny na reprezentativních korpusech [[cnk:syn2000|SYN2000]], [[cnk:syn2005|SYN2005]], [[cnk:syn2010|SYN2010]] a [[cnk:syn2015|SYN2015]]. Protože je pro řadu účelů důležité jednotné zpracování všemi relevantními nástroji ([[pojmy:token|tokenizace]], [[pojmy:segmentace|segmentace]], [[pojmy:lemma#lemmatizace]] atd.), byly tyto seznamy odvozeny ze subkorpusů korpusu [[cnk:syn:verze4|SYN verze 4]], které svým [[cnk:syn#referencni_korpusy_jako_subkorpusy_v_syn|složením odpovídají]] původním [[pojmy:referenční|referenčním]] korpusům. Konkrétně jsou Abecední a retrográdní slovníky výsledkem zkrácení, zjednodušení a přetřídění [[seznamy:srovnavaci_seznamy|srovnávacích frekvenčních seznamů]], při němž jsme se snažili vyjít vstříc potřebám těch našich uživatelů, kteří nejsou příliš zběhlí v používání počítačů -- podobné seznamy lze totiž snadno vytvářet pomocí funkce [[manualy:kontext:novy_dotaz#seznam_slov|Seznam slov]] webového rozhraní KonText z jakéhokoli dostupného korpusu ČNK (příp. jeho subkorpusu), navíc s možností parametrizace. |
| | |
| | Každý seznam na této stránce vznikl z odpovídajícího srovnávacího frekvenčního seznamu takto: |
| |
| - byly odstraněny sloupce s celkovou i parciální přepočítanou frekvencí (podrobnosti [[seznamy:srovnavaci_seznamy#popis_udaju_ve_srovnavacich_frekvencnich_seznamech|zde]]), | - byly odstraněny sloupce s celkovou i parciální přepočítanou frekvencí (podrobnosti [[seznamy:srovnavaci_seznamy#popis_udaju_ve_srovnavacich_frekvencnich_seznamech|zde]]), |
| - byla vyřazena hesla, která se neskládají výhradně z alfabetických znaků a pomlčky, | - byla vyřazena hesla, která se neskládají výhradně z alfabetických znaků a pomlčky, |
| - byla vyřazena hesla s absolutní frekvencí nižší než 100, | - byla vyřazena hesla s frekvencí nižší než 100, |
| - takto vzniklý seznam hesel byl opatřen novými ranky (pořadím) podle absolutní frekvence, | - takto vzniklý seznam hesel byl opatřen novými ranky (pořadím) podle [[pojmy:frekvence|frekvence]], |
| - výsledný seznam byl setříděn podle znění hesla abecedně nebo retrográdně. | - výsledný seznam byl setříděn podle znění hesla abecedně nebo retrográdně. |
| |
| | Protože je každý z výše uvedených seznamů dostupný v abecední i retrográdní verzi, celkový počet souborů se tím zdvojnásobil; obě verze se přitom liší pouze výsledným tříděním. Seznamy lemmat mají každý necelých 40 000 hesel, seznamy tvarů pak okolo 70 000 hesel. |
| |
| Celkový počet souborů se tím tedy zdvojnásobuje, protože každý z výše uvedených slovníků je dostupný v abecední i retrográdní verzi; obě verze se přitom liší pouze tímto výsledným tříděním. Slovníky lemmat mají každý necelých 40 000 hesel, slovníky tvarů pak okolo 70 000 hesel. | **Upozornění**: jednotné zpracování samo o sobě nezajišťuje srovnatelnost -- vzhledem k rozdílnému složení reprezentativních korpusů proto při porovnávání lexikálních frekvencí doporučujeme používat [[seznamy:srovnavaci_seznamy|srovnávací frekvenční seznamy]]. |
| |
| ===== Popis údajů ve slovnících ===== | ===== Popis údajů ve slovnících ===== |
| |
| Podobně jako [[seznamy:srovnavaci_seznamy|srovnávací frekvenční seznamy]] jsou i abecední a retrográdní slovníky uloženy v zazipovaných textových souborech v kódování CP1250, velikost zabaleného souboru je přibližně 300 kB nebo 500 kB. Z názvu souboru je zřejmé, zda obsahuje slovní tvary nebo lemmata, na kterém korpusu je založen i jeho setřídění. | Podobně jako [[seznamy:srovnavaci_seznamy|srovnávací frekvenční seznamy]] jsou i abecední a retrográdní slovníky uloženy v zazipovaných souborech v kódování češtiny UTF-8. Z názvu souboru je zřejmé, zda obsahuje slovní tvary nebo lemmata, na kterém korpusu je soubor založen i jeho setřídění. |
| |
| Každý soubor se skládá ze tří sloupců oddělených tabulátory: | Každý soubor se skládá ze tří sloupců oddělených tabulátory: |
| * sloupec [[pojmy:rank|rank]] - pořadí podle absolutní [[pojmy:frekvence|frekvence]]; mají-li dvě hesla stejnou absolutní frekvenci, je stejný i jejich rank | - sloupec - [[pojmy:rank|rank]] (pořadí podle frekvence; mají-li dvě hesla stejnou frekvenci, je stejný i jejich rank) |
| * sloupec heslo - slovní tvar nebo lemma | - sloupec - slovní tvar nebo lemma |
| * sloupec absolutní frekvence - (počet výskytů daného hesla v korpusu | - sloupec - [[pojmy:frekvence|frekvence]] |
| ===== Jak citovat abecední a retrográdní slovníky ===== | ===== Jak citovat abecední a retrográdní slovníky ===== |
| |
| V případě, že tyto slovníky použijete ve vědecké práci, uvádějte je prosím v bibliografii následujícím způsobem: | V případě, že tyto slovníky použijete ve vědecké práci, uvádějte je prosím v bibliografii následujícím způsobem: |
| |
| //Český národní korpus: Abecední a retrográdní slovníky//. Ústav Českého národního korpusu FF UK, Praha 2010. Dostupné z WWW: http://www.korpus.cz. | Český národní korpus: //Abecední a retrográdní slovníky//. Ústav Českého národního korpusu FF UK, Praha 2016. Dostupné z WWW: http://www.korpus.cz. |
| |
| ===== Download ===== | ===== Download ===== |
| |
| ^ Korpus ^ Slovní tvary ^ Lemmata ^ | **Upozornění**: tato stránka byla aktualizována v září 2016. Důvodem bylo přidání dat z korpusu [[cnk:syn2015|SYN2015]] do [[seznamy:srovnavaci_seznamy|srovnávacích frekvenčních seznamů]] a s tím spojené použití korpusu [[cnk:syn:verze4|SYN verze 4]] jako zdroje dat jak pro srovnávací frekvenční seznamy, tak i pro abecední a retrográdní slovníky. Důsledkem těchto změn však je, že **nové slovníky nejsou srovnatelné s původními** staženými z této stránky před její aktualizací! |
| ^ SYN2000 | {{:seznamy:syn2000_word_abc.zip|abecední}} | {{:seznamy:syn2000_lemma_abc.zip|abecední}} | | |
| ^ ::: | {{:seznamy:syn2000_word_cba.zip|retrográdní}} | {{:seznamy:syn2000_lemma_cba.zip|retrográdní}} | | Abecední a retrográdní slovníky používají kódování češtiny UTF-8. |
| ^ SYN2005 | {{:seznamy:syn2005_word_abc.zip|abecední}} | {{:seznamy:syn2005_lemma_abc.zip|abecední}} | | |
| ^ ::: | {{:seznamy:syn2005_word_cba.zip|retrográdní}} | {{:seznamy:syn2005_lemma_cba.zip|retrográdní}} | | ^ Korpus ^ Slovní tvary ^ Lemmata ^ |
| ^ SYN2010 | {{:seznamy:syn2010_word_abc.zip|abecední}} | {{:seznamy:syn2010_lemma_abc.zip|abecední}} | | ^ SYN2000 | {{:seznamy:syn2000_word_abc_utf8.zip|abecední}} | {{:seznamy:syn2000_lemma_abc_utf8.zip|abecední}} | |
| ^ ::: | {{:seznamy:syn2010_word_cba.zip|retrográdní}} | {{:seznamy:syn2010_lemma_cba.zip|retrográdní}} | | ^ ::: | {{:seznamy:syn2000_word_cba_utf8.zip|retrográdní}} | {{:seznamy:syn2000_lemma_cba_utf8.zip|retrográdní}} | |
| | ^ SYN2005 | {{:seznamy:syn2005_word_abc_utf8.zip|abecední}} | {{:seznamy:syn2005_lemma_abc_utf8.zip|abecední}} | |
| | ^ ::: | {{:seznamy:syn2005_word_cba_utf8.zip|retrográdní}} | {{:seznamy:syn2005_lemma_cba_utf8.zip|retrográdní}} | |
| | ^ SYN2010 | {{:seznamy:syn2010_word_abc_utf8.zip|abecední}} | {{:seznamy:syn2010_lemma_abc_utf8.zip|abecední}} | |
| | ^ ::: | {{:seznamy:syn2010_word_cba_utf8.zip|retrográdní}} | {{:seznamy:syn2010_lemma_cba_utf8.zip|retrográdní}} | |
| | ^ SYN2015 | {{:seznamy:syn2015_word_abc_utf8.zip|abecední}} | {{:seznamy:syn2015_lemma_abc_utf8.zip|abecední}} | |
| | ^ ::: | {{:seznamy:syn2015_word_cba_utf8.zip|retrográdní}} | {{:seznamy:syn2015_lemma_cba_utf8.zip|retrográdní}} | |
| |
| Toto dílo podléhá licenci Creative Commons [[http://creativecommons.org/licenses/by/4.0/ | CC BY 4.0 International]] | Toto dílo podléhá licenci Creative Commons [[http://creativecommons.org/licenses/by/4.0/ | CC BY 4.0 International]] |
