SYN v4: corpus of contemporary written Czech
Result description
Corpus of contemporary written Czech sized 3.6 billion running words (i.e. 4.3 billion tokens). It covers mostly the period of 1990-2014 and it features rich metadata including detailed bibliographical information, revised text-type classification etc. Although it contains a wide range of text types (fiction, non-fiction, newspapers), the newspapers prevail noticeably. The corpus is lemmatized and morphologically annotated by a combination of stochastic and rule-based methods.
Keywords
The result's identifiers
Result code in IS VaVaI
Result on the web
DOI - Digital Object Identifier
—
Alternative languages
Result language
čeština
Original language name
SYN v4: korpus současné psané češtiny
Original language description
Synchronní korpus o celkovém rozsahu 3,6 mld. textových slov (tj. 4,3 mld. tokens), který zachycuje psanou češtinu především z let 1990-2014. Obsahuje převážně texty publicistické, ačkoli zahrnuje také velké množství dalších textových typů (beletrii, oborovou literaturu). Korpus je lemmatizován a morfologicky označkován kombinací stochastických a pravidlových metod, u každého textu jsou uvedeny podrobné bibliografické a další údaje včetně jeho příslušnosti k revidované klasifikaci textů.
Czech name
SYN v4: korpus současné psané češtiny
Czech description
Synchronní korpus o celkovém rozsahu 3,6 mld. textových slov (tj. 4,3 mld. tokens), který zachycuje psanou češtinu především z let 1990-2014. Obsahuje převážně texty publicistické, ačkoli zahrnuje také velké množství dalších textových typů (beletrii, oborovou literaturu). Korpus je lemmatizován a morfologicky označkován kombinací stochastických a pravidlových metod, u každého textu jsou uvedeny podrobné bibliografické a další údaje včetně jeho příslušnosti k revidované klasifikaci textů.
Classification
Type
R - Software
CEP classification
AI - Linguistics
OECD FORD branch
—
Result continuities
Project
Continuities
P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)
Others
Publication year
2016
Confidentiality
S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů
Data specific for result type
Internal product ID
SYN v4
Technical parameters
https://www.korpus.cz/toolbar/signup.php
Economical parameters
Korpus je veřejně dostupný především přes rozhraní KonText na https://kontext.korpus.cz , průměrný počet uživatelských dotazů se pohybuje okolo 160 denně.
Owner IČO
00216208
Owner name
Univerzita Karlova
Basic information
Result type
R - Software
CEP
AI - Linguistics
Year of implementation
2016