Český korpus příkladových vět

Bc. Michal Cukr

Master's thesis

Czech corpus of example sentences

Anotácia:

Cílem této práce bylo vytvoření českého textového korpusu příkladových vět pro speciální jazykově-výukové rozhraní SkELL. Jako zdroj textů jsme stáhli internetové domény a stránky zařazené do výběrových sklizní českého Webarchivu a dále českou Wikipedii včetně diskusí. Třetím zdrojem dat byla část korpusu novinek JSI. Stažené texty byly zpracovány nástroji pro korpusové zpracování a konečná textová kolekce byla deduplikována. Poté jsme provedli vícenásobné čištění textů. V práci jsou uvedeny i některé větné příklady z vytvořeného korpusu. Tento korpus českých příkladových vět je umístěn v univerzitní instalaci nástroje Sketch Engine (https://ske.fi.muni.cz/). Korpus je veřejně přístupný přes rozhraní SkELL na adrese http://cskell.sketchengine.co.uk/run.cgi/skell.

Abstract:

The purpose of this work was creating a Czech text corpus of sentence examples for a special language-learning interface SkELL. As source texts, we downloaded websites chosen for selective harvests by Czech Webarchiv and Czech Wikipedia including discussion. The third source is a part of JSI Newsfeed Corpus. Crawled texts were prepared by tools for corpus processing and the final text collection was deduplicated. Afterwards, we performed multiple cleaning. In the thesis, there are some examples from the created corpus. This corpus of Czech sentence examples is placed in the university installation of Sketch Engine (https://ske.fi.muni.cz/). The public access to the corpus is via SkELL interface available at http://cskell.sketchengine.co.uk/run.cgi/skell.

Kľúčové slová

jusText, korpus, korpusový manažer, lemma, morfologický analyzátor, slovník, SkELL, token, corpus, corpus manager, morphological analyzator, dictionary

Jazyk práce: Czech

Datum vytvoření / odevzdání či podání práce: 22. 5. 2017

Obhajoba závěrečné práce

• Obhajoba proběhla 9. 6. 2017
• Vedúci: Mgr. et Mgr. Vít Baisa, Ph.D.
• Oponent: RNDr. Zuzana Nevěřilová, Ph.D.

Masaryk University

Faculty of Arts

Master programme / odbor:
Philology / Czech Language with Orientation on Computational Linguistics