Primo Jakopin Intitut za slovenski jezik Frana Ramova

Primož Jakopin Inštitut za slovenski jezik Frana Ramovša ZRC SAZU Korpusni laboratorij Lingvistični krožek Filozofske fakultete, 26. oktobra 2009

Vsebina • • Uvod Stran bos. zrc-sazu. si Kako je nastala Nova beseda Besedila Konkordančni iskalnik Besedna iskanja Naprej

Slovenski jezikovni viri - Fida+ JOS, Inštitut Jožef Stefan Evrokorpus Amebis, prevajalnik, pregibalnik … Google, prevajalnik Alpineon, sintetizator govora Slovenska leposlovna klasika, Wikivir Nova beseda

Problem velikosti jezikovnih virov beseda beseden brezbeseden dobeseden enobeseden gostobeseden kratkobeseden lepobeseden malobeseden mnogobeseden pregostobeseden radobeseden redkobeseden skopobeseden sladkobeseden večbeseden Nova beseda Fida NAJDI. SI Google + 9 1 68 70 5 16 4 257 5 - 4 144 131 5 4 1 1 557 1 3 - 150. 222 1. 461 26. 272 973 2. 548 106 28 43 24 65 5 6. 734 22 249 864 2. 910 121 14. 500 91 5. 250 114 4 147 5 61 8 15. 600 4 480 92

Strojno prevajanje, 2009 Danes je lepo vreme. Gori na gori. Tisti pomladni dan je bil lep, svetel in zveneč, kakor iz čistega srebra ulit. Today is good weather. Google Gori gori on. That spring day was beautiful, bright and vibrant as the cast of pure silver. There is fine weather today. Amebis He burns above on mountain. That spring day was fine, bright and sonorous, like cast from clean silver.

Spletna stran bos. zrc-sazu. si

Mejniki v razvoju Nove besede 1998 Entropija v slovenskih leposlovnih besedilih CORTES na FF, 3 milijone besed 1999 CORTES, 28 mil. besed 2000 CORTES, 48 mil. Besed 2000 Beseda, Nova beseda 2001 Laboratorij za korpus slovenskega jezika 2002 76 mil. besed 2003 93 mil. besed, 100 mil. besed 2004 121 mil. besed, 148 mil. besed 2005 162 mil. besed 2007 202 mil. besed 2008 240 mil. Besed

Besedila v Novi besedi Oznaka Vsebuje A B C D G P S Slovensko leposlovje, Cankar, Kosmač, Jančar Slovensko polleposlovje Znanstvene in tehnične publikacije Dnevnik DELO, 1998 - 2007 Zapisi sej Državnega zbora RS, 1996 - 2006 Delo FT, Jana, Mladina, Monitor, Nat. Geographic, Viva Zakoni Republike Slovenije, 1997 - 2006 Skupaj 5, 694 besedil Obseg v mil. besed 12 2 3 169 31 21 2 240

Členitev besedil

Primer poizvedbe

Porazdelitev pogostosti besednih zvez po zvrsteh besedila na licu mesta na kraju samem A 23 15 B 2 2 C D 2 3 3 544 G 75 19 P S 21 64 16 Skupaj 161 663

Urejen rezultat besednega iskanja za niz računalnik ekoračunalnik 1 hiperračunalnik 1 mikroračunalnik 102 miniračunalnik 44 minisuperračunalnik 1 mobiračunalnik 1 multiračunalnik 97 neračunalnikar 2 polračunalnik 1 praračunalnik 1 računalnik 48. 068 računalnikar 283 računalnikarica 1 računalnikarski 2 računalnikov 101 superračunalnik 270 superračunalnikar 1 ultraračunalnik 1 večračunalnik 14 veleračunalnik 51 veleračunalnikar 1 skupaj 49. 044

Možni načini krnjenja pri iskanju po pogostih besednih parih - * * a b* a *b a* * a* b* a* *b *a * *a b* *a *b * b* * *b nezanimiv * vedno vesel* močno *ejen skrivnosti* * tisti ves* svetovn* vas* tak* *ivnih *elata * *ajo red *ega dolgo* *enega *elega * maček * povedk* * *kratnik

Izbrane besedne zveze iz skupine * maček alkoholni maček beli maček 3 hollywoodski maček 2 moj maček 12 hudi maček 9 moralni maček 3 razpoloženi maček 3 8 rokometni maček 3 berlinski maček 2 hud maček 3 naš maček bolgarski maček 2 izkušeni maček 4 njegov maček 2 smučarski maček 2 bratov maček 2 9 njen maček 3 solinarski maček 2 2 nogometni maček 2 sosedov maček 4 izkušen maček jadralski maček 13 siv maček črni maček 10 črn maček 8 diplomatski maček 3 kisli maček 5 obuti maček divji maček 3 kolesarski maček 3 olimpijski maček 2 domači maček 2 lačen maček drugi maček kagebejevski maček 2 novinarski maček 2 6 stari maček 72 25 star maček 28 televizijski maček 2 2 pečen maček 4 teniški maček 2 2 legionarski maček 2 perzijski maček 3 trenerski maček 7 enooki maček 5 leni maček 4 politični maček 7 vaš maček 2 goriški maček 2 ljubljeni maček 2 pravi maček 8 veliki maček 2 gozdni maček 3 medijski maček 3 prekaljeni maček 12 velik maček 3 hokejski maček 2 mlad maček 3 prekaljen maček 10 zadovoljen maček 2

Načrti za prihodnost - krajši odzivni časi pri poizvedbah - izboljšanje zvrstnosti - uporaba lem v konkordančnem iskalniku - povezave na druge spletne jezikovne vire - lematizacija korpusa - dopolnitev uporabniškega vmesnika - splošno iskanje po daljših besednih zvezah - razširitev Besede

Hvala za pozornost in nasvidenje!