CJBB105 – 6
Mgr. Dana Hlaváčková, Ph.D.
CJBB105
Korpusové manažery
• zpracování textů do korpusové podoby
• prohlížení korpusových dat a práce s nimi
• budování korpusů
• navazující aplikace
• webová rozhraní, desktopové aplikace, webová
stránka
• často omezený přístup, nutná registrace
• KonText – ÚČNK, Praha
• Sketch Engine – MU (CZPJ FI MU + Lexical
Computing, Ltd.), Brno
Možnosti zobrazení
• vybraný korpus, počet nalezených výskytů
– počet výskytů na milion pozic, ARF (průměrná
redukovaná frekvence)
• zobrazení ve formě konkordance (KWIC) nebo
věta
• atributy – word, lemma, tag, lc, část tagu
• strukturní značky – hranice vět, dokumentů ad.
• reference – metainformace o textech
• šířka kontextu, počet konkordancí na stránku
• popis dotazu (konkordance)
Možnosti hledání
• konkrétní tvar slova (slovo, slovní tvar)
• lemma – nalezeny všechny tvary vyskytující se v
korpusu
• fráze – spojení dvou a více slov
– specifikace kontextu
• tag
– konstrukce značky (KT)
• znak (SKE)
• podřetězec (KT)
• CQL (Corpus Query Language)
• regulární výrazy
Třídění výsledků
• náhodný vzorek, promíchání výsledků
• třídění kontextu a KWIC (podle abecedy)
– podle atributů
– víceúrovňové a retrográdní
• filtrování konkordancí
– pozitivní a negativní filtry
– pouze 1. výskyt v dokumentu
Frekvenční distribuce
• frekvenční údaje – číselné i grafické
znázornění
– KWIC (lemmata, slovní tvary)
– tagy
– typy dokumentů
– víceúrovňové
• vizualizace frekvenčního rozložení přes celý
korpus (SKE)
Kolokace
• výpočet kandidátů na kolokace (ustálená slovní spojení)
– frekvence spojení (dvou a více jednotek) – vysoká
– frekvence spojení s ostatními jednotkami – nízká
• vztaženo k velikosti korpusu
– kolokační paradigma, monokolokabilita (stroužek česneku, tratoliště
krve)
– asociační míry
• MI-score
– pravděpodobnost současného výskytu dvou slov (mutual information)
• T-score
– zapojeno rozložení spojení přes celý korpus, nenáhodný jev
• Dice, Log-Dice
– nepočítají s velikostí korpusu
Další funkce
• vytvoření subkorpusu
– podle metainformací o textech (KT)
– z aktuálních konkordancí (SKE)
• seznam slov
– podle frekvence
– uživatel definuje kritéria
KonText – externí funkce
• SyD
– korpusový průzkum variant slov
– synchronní i diachronní korpusy
– psaný i mluvený jazyk
• KWords
– generování klíčových slov
– porovnání výskytů s referenčním korpusem
• Morfio
– vyhledání seznamů slov (až n-tic) na základě
slovotvorných charakteristik
Sketch Engine
• Tezaurus – podobná slova, míra podobnosti na
základě kontextů, vizualizace
– hra Uhádni to slovo
(https://nlp.fi.muni.cz/projekty/uhadni_to_slovo/)
• Word Sketch – slovní profily, tagging
– tabulky zachycují okolí zadaného lemmatu podle
určitých kategorií
• Sketch Diff – porovnání slovních profilů dvou
lemmat
• tvorba korpusů a subkorpusů