Korpus InterCorp, verze 10

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F00216208%3A11210%2F17%3A10366780" target="_blank" >RIV/00216208:11210/17:10366780 - isvavai.cz</a>

Výsledek na webu

<a href="https://wiki.korpus.cz/doku.php/cnk:intercorp" target="_blank" >https://wiki.korpus.cz/doku.php/cnk:intercorp</a>

DOI - Digital Object Identifier

—

Jazyk výsledku

čeština

Název v původním jazyce

Korpus InterCorp, verze 10

Popis výsledku v původním jazyce

- počet slov v cizojazyčných textech celkem 1 483 mil., z toho 258 mil. jádro a 1 225 mil. kolekce - počet slov v českých textech celkem 192 mil., z toho 102 mil. jádro a 89 mil. kolekce - nová kolekce: překlady Bible - Nového i Starého zákona, v 18 jazycích (včetně češtiny) - aktualizace textů ze zdroje Project Syndicate (přibyly texty za poslední dva roky) - spolehlivější lingvistická anotace u řady jazyků (tagger zpracovává čistý text bez formátovacích a jiných značek) - odstranění textů v jiném než deklarovaném jazyce z kolekce Acquis - katalánština je nově anotována značkami i lemmaty - bulharština a nizozemština je nově anotována kromě značek i lemmaty - maďarština je nově anotována nástrojem RFTagger (dříve HunPOS) - pro technické potíže s taggerem není litevština anotována značkami a lemmaty; litevština není anotována značkami a lemmaty už od verze 7

Název v anglickém jazyce

The InterCorp corpus, release 10

Popis výsledku anglicky

- Total number of word forms in foreign language texts: 1,483 mil., including 258 mil. core and 1,225 mil. collections - Total number of tokens in Czech texts: 192 mil., including 102 mil. core and 89 mil. collections - A new collection: translations of the Bible (Old and New Testament) in 18 languages - Update of the Project Syndicate collection by new texts published in the previous two years - More reliable linguistic annotation for many languages (taggers process text without formatting and other markup) - Removing texts in languages other than specified from the Acquis collection - Catalan is now annotated with tags and lemmas - Bulgarian and Dutch is now annotated also with lemmas - Hungarian is now tagged by RFTagger (formerly by HunPOS) - For technical issues with the tagger, Lithuanian is not annotated with tags and lemmas; it was not annotated starting with release 7

Druh

S_db - Specializovaná veřejná databáze

CEP obor

—

OECD FORD obor

60203 - Linguistics

Projekt

<a href="/cs/project/LM2015044" target="_blank" >LM2015044: Český národní korpus</a><br>

Návaznosti

P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)

Rok uplatnění

2017

Kód důvěrnosti údajů

S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Číslo předpisu

LM2015044/InterCorp_v10

Označení certifikačního orgánu

Ministerstvo školství, mládeže a tělovýchovy České republiky, Karmelitská 529/5, 118 00 Praha 1

Datum certifikace

—