Slovenský národný korpus

Jazykovedný ústav Ľ. Štúra Slovenskej akadémie vied

→English

Štruktúra korpusu prim-6.1

Slovenský národný korpus vo verzii prim-6.1 (po odstránení chybne skonvertovaných textov z verzie prim-6.0) obsahuje verejne prístupné podkorpusy:

• prim-6.1-public-all – všetky verejne prístupné texty SNK (68,8 % publicistické, 13,9 % umelecké, 15,3 % odborné a 2 % iné texty), 829 771 945 tokenov, 655 572 511 slov
• prim-6.1-public-sane – bez textov s nesprávnou diakritikou, spred roka 1955, z oblastí mimo Slovenska a z lingvistických časopisov, 773 493 137 tokenov, 610 493 493 slov
• prim-6.1-public-vyv – vyvážený podkorpus (33,3 % publicistické, 33,3 % umelecké, 33,3 % odborné texty), 317 496 718 tokenov, 251 519 537 slov
• prim-6.1-public-inf – podkorpus publicistických (informatívnych) textov, 540 812 859 tokenov, 425 325 094 slov
• prim-6.1-public-prf – podkorpus vedeckých, odborných a populárno-náučných textov, 105 886 349 tokenov, 83 885 837 slov
• prim-6.1-public-img – podkorpus umeleckých textov, 113 820 575 tokenov, 90 714 140 slov
• prim-6.1-public-sk – podkorpus pôvodných slovenských textov, 558 261 948 tokenov, 440 708 351 slov
• prim-6.1-public-img-sk – podkorpus pôvodných slovenských umeleckých textov, 35 283 156 tokenov, 28 260 019 slov
• r55az89-3.0 – osobitný korpus textov z rokov 1955 – 1989 (11,9 % publicistika, 55,5 % umelecké, 24,1 % odborné a 8,5 % iné texty), 62 885 729 tokenov, 50 531 833 slov

Každý text je doplnený o podrobnú bibliografickú a štýlovo-žánrovú anotáciu, všetky jednotky v texte sú lematizované a morfologicky anotované.

Štatistiky korpusu prim-6.1

• Zoznam konglomerátov v SNK [textový súbor v UTF-8 kódovaní, 548 kB]

• Zoznam bibliografií všetkých textov spracovaných v SNK [textový súbor v UTF-8 kódovaní, 1,4 MB] (v zjednodušenej podobe tu)

• Zoznam prekladov v SNK

Podiel textov v korpuse

Podiely dokumentov, viet a tokenov podľa nasledujúcich atribútov:

• Doména (odborná oblasť)

• Pôvodný jazyk diela

• Typ textu

• Žáner

Frekvenčné štatistiky korpusu

K dispozícii sú nasledujúce frekvenčné štatistiky jednotlivých podkorpusov verzie prim-6.1:

• Dĺžky textov podľa počtu viet: PNG, SVG

• Dĺžky textov podľa počtu tokenov: PNG, SVG

• Frekvencie lem, slov, slovných druhov

• Frekvencie bigramov slov, trigramov slov a tetragramov slov

• Jazykové modely

Prístupné sú aj štatistiky predchádzajúcich verzií: prim-6.0, prim-5.0, prim-4.0, prim-3.0 a prim-2.1.