seznamy:strukturni_atributy_syn

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.
==== Strukturní atributy u korpusů řady SYN ====

=== Strukturní atributy korpusu SYN2015 a novějších ===

Základní jednotkou korpusů je ve shodě s mezinárodní konvencí dokument ''<doc>''. Ten se dále dělí na jednotlivé texty (každý dokument obsahuje alespoň jeden ''<text>'') a dále na odstavce ''<p>'' a věty ''<s>''. Většina [[pojmy:metadata|metadat]] je vázána na atributy <doc> a <text>. 

^ Struktura ^ Atribut ^ Popis ^ Hodnoty atributu ^
| //Základní hierarchické struktury a jejich atrituby//||||
| doc | title | název dokumentu nebo periodika | např. //Gejzír// |
| ::: | author | autor dokumentu | např. //Diviš, Ivan// |
| ::: | issue | vydání (u periodik) | např. //č. 10/2015// |
| ::: | publisher | vydavatel | např. //Odeon// |
| ::: | pubplace | místo vydání | např. //Praha// |
| ::: | pubyear | rok vydání | např. //2009// |
| ::: | translator | překladatel | např. //Syrovátka, Tomáš// |
| ::: | [[seznamy:srclang|srclang]] | zdrojový jazyk | [[seznamy:srclang#nove_od_roku_2015|seznam hodnot]] |
| ::: | [[seznamy:txtype_group|txtype_group]] | skupina textových typů | [[seznamy:txtype_group#nove_od_roku_2015|seznam hodnot]] |
| ::: | [[seznamy:txtype|txtype]] | textový typ | [[seznamy:txtype#nove_od_roku_2015|seznam hodnot]] |
| ::: | [[seznamy:genre_group|genre_group]] | skupina oborů/témat | [[seznamy:genre_group|seznam hodnot]] |
| ::: | [[seznamy:genre|genre]] | žánr/oblast | [[seznamy:genre#nove_od_roku_2015|seznam hodnot]] |
| ::: | [[seznamy:med|medium]] | médium dokumentu | [[seznamy:med#nove_od_roku_2015|seznam hodnot]] |
| ::: | [[seznamy:periodicity|periodicity]] | periodicita | [[seznamy:periodicity|seznam hodnot]] |
| ::: | [[seznamy:audience|audience]] | cílový adresát (obecný/dětský čtenář) | [[seznamy:audience|seznam hodnot]] |
| ::: | isbnissn | ISBN/ISSN | např. //978-80-207-1299-8// |
| ::: | biblio | generovaný bibliografický údaj | např. //Diviš, Ivan (2009): Gejzír. Praha: Odeon.// |
| ::: | syn | atribut používaný pouze u korpusů [[cnk:syn|SYN]]; označuje, z jakého korpusu text původně pochází | např. //SYN2020// |
| ::: | id | jednoznačný identifikátor dokumentu | např. //resp1510// |
| text | [[seznamy:section|section]] | generovaný typ rubriky (jen u vybraných textů z publicistiky) | [[seznamy:section|seznam hodnot]] |
| :::  | section_orig | původní název rubriky (jen u vybraných textů z publicistiky) | např. //Komentáře / očkování / politická korektnost// |
| :::  | id | jednoznačný identifikátor textu | např. //resp1510:11// |
| p    | id | jednoznačný identifikátor odstavce | např. //resp1510:11:3// |
| :::  | type | běžný odstavec / nadpis (jen v korpusech SYN2015 a SYN (verze 4 až 8)) | ''{normal, head}'' |
| s    | id | jednoznačný identifikátor věty | např. //resp1510:11:3:1// |
| //Další struktury a jejich atributy (zachovávají informace o původním formátování textu)// ||||
| hi   | rend | zvýraznění a řezy písma - tam, kde byly zachyceny ve vstupním formátu | ''{italic, bold, underline, expanded, subscript, superscript}'' a jejich kombinace |
| lb   | - | označení hranice verše v poezii (nepárová struktura) | - |
| //Další struktury (použité počínaje korpusy SYN2020 a SYN (verze 9))// ||||
| head    | - | označení nadpisů - tam, kde byly zachyceny ve vstupním formátu | - |
| g    | - | místo, kde mezi dvěma po sobě následujícími tokeny nebyla v textu mezera (nepárová struktura), např. „70<g/>. léta“ | - |
| table | - | místo, kde byla v původním textu tabulka (nepárová struktura) | - |
| ref  | - | místo, kde byl v původním textu webový odkaz (nepárová struktura) | - |
| email | - | místo, kde byla v původním textu e-mailová adresa (nepárová struktura) | - |
| graphic | - | místo, kde byl v původním textu grafický symbol, rovnice apod. (nepárová struktura) | - |
| geo     | - | místo, kde byly v původním textu GPS souřadnice (nepárová struktura) | - |


=== Strukturní atributy korpusů z let 2005 až 2013 ===

Většina strukturních atributů v korpusech [[cnk:syn2005|SYN2005]], [[cnk:syn2006pub|SYN2006PUB]], [[cnk:syn2006pub|SYN2009PUB]], [[cnk:syn2010|SYN2010]], [[cnk:syn2013pub|SYN2013PUB]] a v korpusu [[cnk:syn|SYN]] do verze 3 je vázána na strukturní jednotku ''<opus>''. Základními strukturními atributy v korpusech psané češtiny jsou:

^ Struktura ^ Atribut ^ Popis ^
| opus | autor | autor/autoři opusu, příp. informace, že je autor nezjistitelný |
| ::: | nazev | název opusu (hlavní titul) |
| ::: | nakladatel | organizace, která dílo vydala |
| ::: | mistovyd | místo vydání |
| ::: | rokvyd | rok vydání té verze opusu, která je zařazena do korpusu (nemusí se tedy jednat o první vydání díla) |
| ::: | isbnissn | identifikátor ISBN, příp. ISSN |
| ::: | preklad | překladatel díla (nejedná-li se o původně české dílo) |
| ::: | [[pojmy:srclang|srclang]] | zdrojový jazyk (nejedná-li se o původně české dílo - v tom případě tento atribut nenabývá žádné hodnoty: ''srclang=<nowiki>"</nowiki><nowiki>"</nowiki>'') |
| ::: | [[pojmy:txtype_group|txtype_group]] | makroskupina textových typů: beletrie, odborná, publicistika |
| ::: | [[pojmy:txtype|txtype]] | typ textu (blíže určený) |
| ::: | [[pojmy:genre|genre]] | žánr (text vymezený na základě pojednávaného tématu) |
| ::: | [[pojmy:medium|med]] | médium (původní způsob přenosu textu) |
| ::: | syn | atribut používaný pouze u nereferenčního korpusu [[cnk:syn|SYN]]; označuje, z jakého referenčního korpusu text původně pochází |
| doc | id | identifikátor dokumentu v rámci opusu|
| s | id | identifikátor věty |

=== Strukturní atributy korpusu SYN2000 ===

V korpusu [[cnk:syn2000|SYN2000]] je nabídka strukturních atributů výrazně omezená, všechny se navíc vážou ke strukturní jednotce ''<doc>'':

^ Struktura ^ Atribut ^ Popis ^
| doc | opus | identifikátor díla (v pozdějších korpusech řady SYN odpovídá atributu ''id'') |
| ::: | txtype | typ textu |
| ::: | temp | rok vydání díla (v pozdějších korpusech řady SYN odpovídá atributu ''rokvyd'') |

Na základě jednoznačného identifikátoru ''doc.opus'' je možné zjistit všechny dodatečné informace o textu v [[seznamy:index|seznamech]] děl korpusu SYN2000. Při začlenění korpusu SYN2000 do korpusu [[cnk:syn|SYN]] byly všechny texty opatřeny anotací odpovídající pozdějším zvyklostem.
Historie: • regularni_vyrazy • tagery • tag • problemy_lemmatizace • pozice • ksp • strukturni_atributy_syn • anotace • atributy_strukturni • korpusy