wiki:cs/JazykovyKorpus

Version 1 (modified by xkocinc, 6 years ago) (diff)

--

Tři věci, které jste nevěděli o jazykových korpusech

1. Dortový nebo jazykový?

Jazykový korpus je obrovský soubor textů. Texty někdo napsal (pak jde o korpus textový), nebo někdo řekl, nahrál a přepsal (pak jde o korpus mluvené řeči). Korpus může být jednojazyčný (např. korpus češtiny) nebo vícejazyčný (např. korpus projevů z Evropského parlamentu, kdy se všechny projevy překládají do jednacích jazyků EU).

Když texty posbíráme (např. stažením z webu), musíme korpus vyčistit: odstranit vše, co není text (např. navigaci na stránkách nebo tiráž), odstranit duplicity (např. tiskové zprávy, které přetiskují všechny noviny). Vyčištěný korpus se rozdělí na tokeny (česky pozice), tj. slova, interpunkci a neslova (čísla, značky). Často se korpus značkuje: např. ke každému slovu přiřadíme slovní druh (podstatné jméno, přídavné jméno atd.).

S dortovým korpusem má jazykový korpus jednu společnou vlastnost: je výchozím bodem pro další činnosti počítačových lingvistů. Na jazykový korpus natřeme krém z větného rozboru a ozdobíme šlehačkou statistických metod. Nakonec můžeme nastrouhat hoblinky hybridních systémů pro rozpoznání významu a je to! Dobrou chuť.

2. Co by našel v korpusu Luděk Nekuda?

V této překrásné scénce si Luděk Nekuda výtečně pohrál s češtinou. Když psal písničku o zrušených záporech, musel si dát pěknou práci. Zkusili jsme hledat současná slova začínající na ne. Podívejte se, co jsme našli, a můžete si zkusit podobnou hru jako Luděk Nekuda. Seznam slov pochází ze současného největšího českého korpusu czTenTen12 (skoro 5,5 miliard pozic).

3. Jak značkovat korpus?

Jazykové korpusy bývají často značkované. To znamená, že u každého slova máme další informace, např. o slovním druhu. Často se stává, že jedno slovo může patřit k více slovním druhům. Například slovo stát - může být sloveso (stojím, stojíš) nebo podstatné jméno (sousední stát). V historii se se slovy dějí různé věci, například se z podstatných jmen stávají příslovce.

Co jsme se mimochodem dozvěděli z korpusu

Mimochodem je příklad slova, které slovními druhy cestuje poměrně nenuceně. Většinou je to příslovce, mimochodem velmi často používané (tři příslovce po sobě!). Máme ale i slovo mimochod, označující druh kroku u psů, koní, velbloudů a dalších zvířat. Kdy je mimochodem příslovce a kdy podstatné jméno v sedmém pádu (kým? čím?)? Staňte se na chvíli korpusovým lingvistou a najděte výskyty slova mimochod:

Fríští koně byli kříženi s dánskými klusáky a dostali nový název – „harddraver“. Jejich nejobvyklejším chodem byl mimochod a na popud krále Viléma I. se přibližně v roce 1820 běhaly dostihy těchto klusáků na 325m.
Zbarvení může být libovolné, přednost mají hnědáci a ryzáci. Nejdůležitějším znakem plemene je zvláštní druh mimochodu, zvaný paso.
Má zaúhlení končetin (copak to je?) vliv na pohyb psa? Jak se liší klus od mimochodu nebo-li kdy je pes v mimochodu a kdy kluše?
Jezdci, zvlášť ti nezkušení, navíc velmi ocenili pohodlný mimochod tohoto koně.
Teď jsem se dívala, že asi proto, že už nemůže (jako, že ho bolí nožičky) koukám, koukám a on jde mimochod, jak velbloud!
ad mimochod - mimochod je něco mezi krokem a klusem - dokáže to úplně každý pes, zejména pokud se jde v pomalejším tempu než je mu příjemné, což na vodítku často bývá a rozhodně to není žádná anomálie
Nejčastěji uváděnými nečistotami chodu jsou mimochod v kroku (kůň vykračuje stejnostrannýma nohama současně, nákrok v kroku a klusu (jedna noha dělá delší krok), rozložený klus a cval (bývá většinou následek přílišného nebo předčasného sebrání koně
Jestliže majitel vyjde nerozhodně a nejistě, pes obvykle vykročí mimochodem, nikoliv klusem, nebo nástup zmešká úplně a takzvaně „zaspí“.

OK, vypadá to, že mimochod najdeme tam, kde najdeme slova pes, kůň, klus, krok. Pojďme hledat dál.

Sedla na koníka a pod dohledem „trenérky“ začala trénovat. Krok, klus, cval (mimochodem, chudák kůň a ta trenérka - darmo mluvit...).

Co teď? Hledáme dál a ...

Mám ráda svojí kytaru(Rozárku) a zpěváka Tomáše Kluse a ten má mimochodem taky kytaru Rozárku.

Jak je to tedy s tím mimochodem? Mimochodem, většinou je mimochodem příslovce, takže použijeme-li statistické metody, spleteme se jen malinko.

Attachments (1)

Download all attachments as: .zip