seznamy:abc_seznamy - 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.
====== Abecední a retrográdní slovníky ======

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]]),
  - byla vyřazena hesla, která se neskládají výhradně z alfabetických znaků a pomlčky,
  - byla vyřazena hesla s frekvencí nižší než 100,
  - takto vzniklý seznam hesel byl opatřen novými ranky (pořadím) podle [[pojmy:frekvence|frekvence]],
  - 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.

**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 =====

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:
  - sloupec - [[pojmy:rank|rank]] (pořadí podle frekvence; mají-li dvě hesla stejnou frekvenci, je stejný i jejich rank)
  - sloupec - slovní tvar nebo lemma
  - sloupec - [[pojmy:frekvence|frekvence]]

===== Jak citovat abecední a retrográdní slovníky =====

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 2016. Dostupné z WWW: http://www.korpus.cz.

===== Download =====

**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!

Abecední a retrográdní slovníky používají kódování češtiny UTF-8.

^ Korpus ^ Slovní tvary ^ Lemmata ^
^ SYN2000 |  {{:seznamy:syn2000_word_abc_utf8.zip|abecední}}  |  {{:seznamy:syn2000_lemma_abc_utf8.zip|abecední}}  |
^ :::     |  {{: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]]

{{https://i.creativecommons.org/l/by/4.0/88x31.png}}

 --- //Michal Křen//
Historie: • pravidla_ksk • txtype_group • czesl-sgt • genre • prehled_entit_pouzitych_v_korpusech_cnk • periodicity • srovnavaci_seznamy • pravidla_2008 • txtype • zdrojove_texty_korpusu