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.
===== Struktury a strukturní atributy u korpusů řady SYN =====

==== Struktury korpusů psané češtiny ====


V **[[pojmy:psany|psaných]] korpusech** řady [[cnk:syn|SYN]] nacházíme tyto strukturní jednotky opatřené jedinečnými identifikátory:

^ Strukturní jednotky v korpusech řady SYN počínaje SYN2015 ^ Strukturní jednotky v korpusech SYN2005 až SYN2013PUB ^ Strukturní jednotky v SYN2000 ^
|  ''<doc>''   |  ''<opus>''  |  ''<doc>''  |
|  ''<text>''  |  ''<doc>''   |             |
|  ''<p>''     |              |             |
|  ''<s>''     |  ''<s>''     |  ''<s>''    |


  * **opus** - text nebo ucelený soubor textů (povídková kniha, jedno číslo novin) - tato úroveň byla užívána v korpusech [[cnk:syn2005|SYN2005]] až [[cnk:syn2013pub|SYN2013PUB]]
  * **doc** - různá platnost v různých korpusech:
    - text nebo ucelený soubor textů (povídková kniha, jedno číslo novin) - v korpusu [[cnk:syn2000|SYN2000]]; v korpusu [[cnk:syn2015|SYN2015]] a novějších
    - v korpusech s jednotkou ''<opus>'': dokument v rámci opusů, má-li nějakou vnitřní strukturaci (viz např. výše zmíněný soubor povídek)
  * **text** - v korpusech s hierarchicky nejvyšší jednotkou ''<doc>'': text či jeho část v rámci dokumentu, má-li nějakou vnitřní strukturaci (viz např. výše zmíněný soubor povídek, článek v novinách apod.)
  * **p** - odstavec
  * **s** - věta (//sentence//); každý dokument se dále dělí na jednotlivé (taktéž identifikačními čísly opatřené) věty

Strukturní jednotky jsou přitom vždy uspořádány hierarchicky, jejich hranice se tedy neprotínají (např. dokument nemůže být ukončen uprostřed věty).

Schematické znázornění hierarchie strukturních jednotek v korpusech řady SYN:


Strukturní atributy se obvykle zapisují pomocí špičatých závorek, kde ''<doc>'' značí začátek jednotky, ''</doc>'' její konec a ''<doc />'' její obsah. Pomocí značek strukturních jednotek je možné v korpusu hledat jevy, které se nějakým způsobem vztahují k hranicím různých celků.

^ Dotaz ^ Vyhodnocení ^
| ''[word=<nowiki>"</nowiki>život<nowiki>"</nowiki>][word=<nowiki>"</nowiki>\.<nowiki>"</nowiki>]</doc>'' | výskyty sekvence slov //život// a "." na konci (libovolného) dokumentu |
| ''<doc> [lemma=<nowiki>"</nowiki>kdepak<nowiki>"</nowiki>]'' | výskyty lemmatu //kdepak// na začátku (libovolného) dokumentu |
| ''[word=<nowiki>"</nowiki>jak<nowiki>"</nowiki>][]*[word=<nowiki>"</nowiki>tak<nowiki>"</nowiki>] within <s />'' | výskyty slov //jak// a //tak// v proměnlivé vzdálenosti v rámci jakékoli jedné věty((Vyhodnocení dotazu s touto podmínkou může trvat delší dobu.)) |


==== 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: • tagery • problemy_lemmatizace • czesl-sgt • strukturni_atributy_syn • union • srovnatelny • pozice • periodicity
Hledat

Navigace

Tisk/export

Nástroje

Jazyky

Licence
