Vyvážení a rozšíření korpusu GEOGRAF

Bc. Kristýna Pličková

Bakalářská práce

Balancing and expansion of corpus GEOGRAF

Anotace:

Bakalářská práce pojednává o vyvážení a rozšíření webového korpusu GEOGRAF, zaměřeného na texty se zvýšeným výskytem toponym. GEOGRAF byl sestaven v aplikaci Sketch Engine. Na základě analýzy korpusu byly odstraněny nevhodné texty, upraveny atributy zachycující metainformace o textech a vytipovány zdroje pro rozšíření korpusu. Kvůli technickým problémům v aplikaci Sketch Engine byla místo rozšiřování korpusu GEOGRAF vybudována jeho nová verze. GEOGRAF v2 je vyvážený z hlediska vyšších územních samosprávných krajů České republiky, byl automaticky označkován a obsahuje atributy zachycující název textu, doménu druhé úrovně, kraj, rok stažení a přesnou webovou adresu.

Abstract:

The bachelor thesis discusses balance and expansion of web corpus GEOGRAF focused on increased occurrence of toponyms. GEOGRAF was compiled in corpus tool Sketch Engine. Based on corpus analysis the unsuitable texts were removed, the attributes containing corpus metadata were adapted and the sources of expansion were selected. The original corpus could not be expanded due to technical difficulties in Sketch Engine, thus the new version of corpus was built. GEOGRAF v2 is geographically balanced in terms of higher-level territorial self-governing units of Czech Republic. It was automatically annotated and contains attributes with information about text title, second-level domain, region, year of crawling and URL.

Klíčová slova

webový korpus, vyvážený korpus, toponymum, geografické členění České republiky

Jazyk práce: čeština

Datum vytvoření / odevzdání či podání práce: 18. 12. 2017

Obhajoba závěrečné práce

• Obhajoba proběhla 8. 6. 2018
• Vedoucí: Mgr. Dana Hlaváčková, Ph.D.
• Oponent: Mgr. Jakub Machura

Masarykova univerzita

Filozofická fakulta

Bakalářský studijní program / obor:
Filologie / Český jazyk se specializací počítačová lingvistika