Korpus InterCorp je hlavním výstupem stejnojmenného projektu, jehož cílem je vybudovat rozsáhlý paralelní synchronní korpus, pokrývající co největší počet jazyků. Na jeho tvorbě se významnou měrou podílejí pedagogové a studenti FF UK v Praze a další spolupracovníci ÚČNK.
Po registraci na stránce Prohlášení uživatele korpusů ÚČNK lze korpus prohledávat přes webové rozhraní. Registrace platí pro všechny veřejně přístupné korpusy ÚČNK. Máte-li uživatelské jméno a heslo k české části Českého národního korpusu, další registraci pro paralelní korpus nepotřebujete.
InterCorp je přístupný přes běžný webový prohlížeč třemi způsoby:
Všechna tři rozhraní využívají korpusový manažer Manatee a zpřístupňují stejné texty. Rozhraní Park umožňuje hledat také v předchozí verzi korpusu.
Texty z korpusu InterCorp lze získat po podpisu licenčního ujednání pro neziskové účely také v podobě dvojjazyčných souborů náhodně seřazených dvojic vět. Zájemci se mohou obrátit na níže uvedenou e-mailovou adresu.
Specifikem InterCorpu je jeho inkrementální povaha: zatímco většina ostatních korpusů ČNK jsou neměnné referenční entity, objem textů a případně i počet jazyků a rozsah anotace se postupně zvětšuje, a to vždy s vydáním nové verze.
Budeme rádi, když k výsledkům práce, při níž využijete korpus InterCorp, připojíte odkaz na stránky projektu www.korpus.cz/intercorp a k odborným publikacím odkaz na článek ČERMÁK, F. – ROSEN, A. (2012). The case of InterCorp, a multilingual parallel corpus. International Journal of Corpus Linguistics. Vol. 13, no. 3, p. 411–427 (bibtex, elektronické vydání na serveru ingentaConnect, verze před tiskem).
Seznam další literatury najdete zde. Vítáme všechny další odkazy na práce s využitím korpusu InterCorp. Prosíme o jejich zaslání na níže uvedenou e-mailovou adresu.
Jádrem korpusu InterCorp jsou ručně zarovnané, převážně beletristické texty. Kromě toho korpus obsahuje také nabídku automaticky zpracovaných textů, tzv. kolekce. Aktuálně jsou k dispozici publistické články a zpravodajství z webových stránek Project Syndicate a Presseurop, právní texty Evropské Unie z korpusu Acquis Communautaire a zápisy jednání Evropského Parlamentu z let 2007–2011 z korpusu Europarl. Tyto texty jsou zarovnané jen automaticky, v konkordancích tedy může být více vět, které si navzájem neodpovídají. Některé texty z korpusů Acquis Communautaire a Europarl byly částečně opraveny nebo vytříděny, takže se mohou ve srovnání s původním zdrojem lišit podobou i rozsahem. Jen automatické zarovnání bez ruční kontroly mají ve verzi 6 dočasně i některé texty z jádra, a to část textů převzatých z korpusu ASPAC – Amsterdam Slavic Parallel Aligned Corpus. Zarovnání těchto textů bude opraveno v další verzi.
Každý cizojazyčný text má v korpusu svou českou verzi. Čeština je tedy tzv. pivot, česká verze textu (originál nebo překlad) je zarovnaná s jednou nebo více verzemi cizojazyčnými. Celkový rozsah zpřístupněné části korpusu ve verzi 6 z dubna 2013 je 138 779 000 slov v zarovnaných cizojazyčných textech v jádru a 728 508 000 slov v zarovnaných cizojazyčných textech v kolekcích; historii verzí najdete zde. Rozložení textů v rámci jádra a v jednotlivých kolekcích je znázorněno na následujících grafech. Velikost je uvedena v milionech slov.
| Zkratka | Jazyk | Jádro | Syndicate | Presseurop | Acquis | Europarl | Celkem |
|---|---|---|---|---|---|---|---|
| ar | arabština | 29 | 0 | 0 | 0 | 0 | 29 |
| be | běloruština | 1 308 | 0 | 0 | 0 | 0 | 1 308 |
| bg | bulharština | 3 979 | 0 | 0 | 13 816 | 9 083 | 26 879 |
| ca | katalánština | 1 758 | 0 | 0 | 0 | 0 | 1 758 |
| da | dánština | 190 | 0 | 0 | 21 680 | 13 916 | 35 785 |
| de | němčina | 17 256 | 3 050 | 1 715 | 21 724 | 13 089 | 56 835 |
| el | řečtina | 210 | 0 | 0 | 25 070 | 15 404 | 40 683 |
| en | angličtina | 10 019 | 3 083 | 1 863 | 24 208 | 15 580 | 54 753 |
| es | španělština | 14 552 | 3 479 | 1 948 | 27 001 | 15 885 | 62 865 |
| et | estonština | 0 | 0 | 0 | 15 963 | 10 900 | 26 862 |
| fi | finština | 2 131 | 0 | 0 | 16 667 | 10 241 | 29 040 |
| fr | francouzština | 3 816 | 3 535 | 2 054 | 27 352 | 17 178 | 53 936 |
| hi | hindština | 155 | 0 | 0 | 0 | 0 | 155 |
| hr | chorvatština | 12 625 | 0 | 0 | 0 | 0 | 12 625 |
| hu | maďarština | 2 511 | 0 | 0 | 19 168 | 12 307 | 33 985 |
| it | italština | 4 081 | 247 | 1 893 | 24 850 | 15 489 | 46 560 |
| lt | litevština | 358 | 0 | 0 | 18 433 | 11 020 | 29 811 |
| lv | lotyština | 1 337 | 0 | 0 | 18 745 | 11 689 | 31 770 |
| mk | makedonština | 2 664 | 0 | 0 | 0 | 0 | 2 664 |
| mt | maltština | 0 | 0 | 0 | 14 133 | 0 | 14 133 |
| nl | nizozemština | 9 426 | 0 | 2 082 | 24 746 | 15 563 | 51 817 |
| no | norština | 2 301 | 0 | 0 | 0 | 0 | 2 301 |
| pl | polština | 12 710 | 0 | 1 660 | 20 464 | 12 805 | 47 640 |
| pt | portugalština | 2 318 | 0 | 2 103 | 28 599 | 16 481 | 49 502 |
| ro | rumunština | 2 433 | 0 | 1 917 | 8 200 | 9 446 | 21 995 |
| ru | ruština | 4 937 | 2 651 | 0 | 0 | 0 | 7 588 |
| sk | slovenština | 8 152 | 0 | 0 | 19 222 | 12 734 | 40 108 |
| sl | slovinština | 1 855 | 0 | 0 | 19 646 | 12 241 | 33 741 |
| sr | srbština | 6 972 | 0 | 0 | 0 | 0 | 6 972 |
| sv | švédština | 7 205 | 0 | 0 | 20 615 | 13 874 | 41 694 |
| uk | ukrajinština | 1 493 | 0 | 0 | 0 | 0 | 1 493 |
| celkem | 138 779 | 16 044 | 17 237 | 430 300 | 264 926 | 867 287 | |
| cs | čeština | 61 962 | 2 741 | 1 639 | 20 285 | 12 920 | 99 547 |
Pozn.: U českých textů se počítají slova jen jednou za každý text, i když má více cizojazyčných protějšků.
Texty v těchto jazycích jsou opatřeny morfologickou anotací.
| Jazyk | Značky | Lemmata | Stručný popis | Podrobný popis | Nástroj |
|---|---|---|---|---|---|
| angličtina | ✔ | ✔ | anglicky | anglicky + dodatky | TreeTagger |
| bulharština | ✔ | anglicky | TreeTagger | ||
| čeština | ✔ | ✔ | česky anglicky *) | anglicky | Morče |
| estonština | ✔ | ✔ | estonsky a anglicky | TreeTagger | |
| francouzština | ✔ | ✔ | anglicky | TreeTagger | |
| italština | ✔ | ✔ | anglicky | TreeTagger | |
| litevština | ✔ | ✔ | česky a anglicky | anglicky | Autor: Vidas Daudaravičius |
| maďarština | ✔ | anglicky | HunPos | ||
| němčina | ✔ | ✔ | německy | TreeTagger | |
| nizozemština | ✔ | nizozemsky | TreeTagger | ||
| norština | ✔ | ✔ | anglicky norsky | Oslo Bergen Tagger | |
| polština | ✔ | ✔ | anglicky polsky | anglicky | Morfeusz, TaKIPI |
| portugalština | ✔ | ✔ | španělsky | TreeTagger | |
| ruština | ✔ | ✔ | anglicky | anglicky **) | TreeTagger |
| slovenština | ✔ | ✔ | slovensky | slovensky | Radovan Garabík, Morče |
| slovinština | ✔ | ✔ | anglicky | totale | |
| španělština | ✔ | ✔ | anglicky | TreeTagger |
*) Formulaci dotazu, který obsahuje české morfologické značky, usnadní klikátko.
**) Značky v korpusu někdy neodpovídají značkám uvedeným v podrobném popisu. V korpusu se zanedbávají některé morfologické kategorie, např. zájmena jsou vždy označkována jen jako "P-". Všechny značky, tak jak se užívají v korpusu, jsou uvedeny ve stručném popisu.
Jak používat značky při hledání v korpusu se dozvíte v návodu k Parku.
... k obsahu korpusu a podobě vyhledávacích rozhraní uvítáme na adrese
Děkujeme za možnost využívat následující texty a software:
Poslední aktualizace: 2. února 2014