Počítačové nástroje pro češtinu
Jaro 2020
Jakub Machura
415795@mail.muni.cz
Korpusová lingvistika – nástroje a jejich využití
Co nás čeká?
1. Nástroje běžící na pražské platformě korpus.cz
• WaG
• SyD
• Morfio
• Kwords
• Treq
Co nás čeká?
2. Brněnský korpusový manažer Sketch Engine
• Word Sketch
• Tezaurus
• N-gramy
• Skell
WaG – Slovo v kostce
• aplikace poskytuje rychlý a základní přehled o tom, jak se v korpusu
zadané slovo používá
• data získaná z psaného, mluveného i paralelního korpusu
• funkce: Vyhledat slovo
Hledat ve dvou jazycích / přeložit
• vyzkoušejte sami na https://www.korpus.cz/slovo-v-kostce/
SyD
• nástroj pro korpusový průzkum variant
• viz https://syd.korpus.cz/
• Sy – varianty v současném jazyce (synchronní část)
– vyzkoušejte např. současně× najednou× naráz
• D – varianty v průběhu historie (diachronní část)
– vyzkoušejte beruška× slunéčko
Morfio
• nástroj pro slovotvornou analýzu
• identifikuje dvojice slov spjaté formálními slovotvornými vztahy
• více informací v hodině věnované slovotvorbě
• https://morfio.korpus.cz/
KWords
• nástroj pro identifikaci klíčových slov
• součást projektu A Needle in a Haystack
• zkoumaný text je porovnáván s korpusem (referenční text)
• viz popis aplikace na https://kwords.korpus.cz/
Treq
• databáze překladových ekvivalentů
• vytvořeno automaticky na základě dat z paralelního korpusu
InterCorp (viz https://intercorp.korpus.cz/)
• snaha zarovnat slovo na slovo:
Převzato z http://wiki.korpus.cz/lib/exe/fetch.php/manualy:carky_gdfa.jpg?cache=
Treq
• zadávání víceslovných výrazů
• možnost využití regulárních výrazů
• nástroj využívaný nejen překladateli
• až 39 jazyků
• vyzkoušejte nástroj na https://treq.korpus.cz/
SKETCH ENGiNE
• komerční korpusový manažer
• firma Lexical Computing, zakladatel Adam Kilgarriff
• 500 korpusů (převážně webových) ve více než 90 jazycích
• https://www.sketchengine.eu/
SKETCH ENGiNE
Přihlášení
• https://auth.sketchengine.eu/#login
SKETCH ENGiNE
CLICK ON THAT
SKETCH ENGiNE
Watch the tutorial
Více info na https://www.sketchengine.eu/guide/
nástroje
Konkordance
• použití daného slova v kontextu
• slovní tvar, lemma, fráze, CQL
Konkordance
Konkordance
Konkordance
Word Sketch
• tzv. slovní profily
• sdružují kolokace slov na základě gramatických relací (podmět,
přísudek, atribut, …)
• hodnoty frekvence a skóre
Word Sketch
Word Sketch
Word Sketch
Tezaurus
• The thesaurus in Sketch Engine is an automatically generated list of
synonyms or words belonging to the same category (semantic field).
The list is produced based on the context in which the words appear
in the selected corpus. Only nouns, adjectives, verbs and adverbs
are supported in most corpora
Tezaurus
Tezaurus
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: the office, office building, building was, was demolished,
demolished yesterday
2 kolokace: office building, to demolish a building
n-gramy
n-gramy
SkELL
• webová aplikace pro učení jazyka na základě dat z korpusu
• česká verze: https://csskell.sketchengine.co.uk/run.cgi/skell
• verze pro angličtinu, ruštinu, italštinu, němčinu nebo estonštinu
Děkuji za pozornost