Korpusová lingvistika
CJBB85 Počítačové nástroje pro češtinu
Mgr. Jakub Machura
415795@mail.muni.cz

Co nás čeká?
•nástroje běžící na pražské platformě:
•SyD
•Morfio
•Kwords
•Treq
•
•brněnský korpusový manažer Sketch Engine
•Word Sketch
•Tezaurus
•N-gramy
•Skell
11. 3. 2018, 2/12

•https://app.sketchengine.eu/
•
•
•http://ske.fi.muni.cz
•
•
•http://korpus.cz
•
•
11. 3. 2018, 3/12

SyD
•https://syd.korpus.cz/
•
•nástroj pro korpusový průzkum variant
•
•synchronní a diachronní část
•
11. 3. 2018, 4/12

Morfio
•https://morfio.korpus.cz/
•
•slovotvorný výzkum, zejména derivace
•
•více informací v hodině věnované slovotvorbě
•
11. 3. 2018, 5/12

KWords
•https://kwords.korpus.cz/
•nástroj pro identifikaci klíčových slov
•součást projektu A Needle in a Haystack
•zkoumaný text je porovnáván s korpusem (referenční text)
•
•
•
•
11. 3. 2018, 6/12

Treq
•https://treq.korpus.cz/
•databáze překladových ekvivalentů
•vytvořeno automaticky na základě dat z paralelního korpusu InterCorp.
•
•
•
•
•
11. 3. 2018, 7/12
Převzato z http://wiki.korpus.cz/lib/exe/fetch.php/manualy:carky_gdfa.jpg?cache=

Treq
•https://treq.korpus.cz/
•databáze překladových ekvivalentů
•vytvořeno automaticky na základě dat z paralelního korpusu InterCorp.
•
•
•
•
•
11. 3. 2018, 7/12
Převzato z http://wiki.korpus.cz/lib/exe/fetch.php/manualy:carky_gdfa.jpg?cache=

Sketch Engine
•komerční korpusový manažer
•Lexical Computing
•500 korpusů (převážně webových) ve více
než 90 jazycích
•atributivní značkovací systém
•tagset: https://nlp.fi.muni.cz/projekty/ajka/tags.pdf
•https://app.sketchengine.eu/
•
•
•
•
•
•
•
11. 3. 2018, 8/12

Sketch Engine – Word Sketches
•tzv. slovní profily
•sdružují kolokace slov na základě gramatických relací (podmět, přísudek, atribut, …)
•hodnoty frekvence a skóre
•https://old.sketchengine.co.uk/corpus/wsdef?corpname=preloaded/cstenten17_mj2
•
•
•
•
•
•
11. 3. 2018, 9/12

Sketch Engine: Tezaurus
•obecně: „Ucelený obraz lexikálního systému
(popř. jeho části) v slovníkové podobě, organizovaný pojmově, významově, věcně; vystavěný na
principu onomaziologickém (tj. od významu k formě).“ (Čermák, Hladká. NESČ,
https://www.czechency.org/slovnik/TEZAURUS)
•využití Word Sketches a jejich následného porovnání
•
•
•
•
•
•
11. 3. 2018, 10/12

Sketch Engine: n-gramy
•sled po sobě jdoucích položek z dané posloupnosti
•unigram, bigram, trigram…
•kolokace vs. n-gram
•
•The office building was demolished yesterday.
•
•5 bigramů a 2 kolokace office building
• to demolish a building
•
•
•
•
11. 3. 2018, 11/12

Sketch Engine: SkELL
•https://csskell.sketchengine.co.uk/run.cgi/skell
•
•webová aplikace pro učení jazyka na základě dat z korpusu
•
•
•
•
•
11. 3. 2018, 12/12