Verejne prístupné korpusy SNK

1. Korpusy písaných textov − synchrónne, všeobecné

korpus

rozsah − počet tokenov / počet slov

lematizácia, morfologická anotácia

rok zverejnenia

charakteristika korpusu

prim-7.0-public-all

1 250 mil. tokenov / 972 mil. slov

áno

2015

všetky verejne prístupné texty SNK (65,1 % publicistické, 15,1 % umelecké, 9,5 % odborné a 10,3 % iné texty)

prim-7.0-public-sane

1 089 mil. tokenov / 849 mil. slov

áno

2015

bez textov s nesprávnou diakritikou, spred roka 1955, z oblastí mimo Slovenska a z lingvistických časopisov

prim-7.0-public-vyv

341 mil. tokenov / 267 mil. slov

áno

2015

vyvážený podkorpus (33,3 % publicistické, 33,3 % umelecké, 33,3 % odborné texty)

prim-7.0-public-inf

771 mil. tokenov / 597 mil. slov

áno

2015

podkorpus publicistických (informatívnych) textov

prim-7.0-public-prf

114 mil. tokenov / 89 mil. slov

áno

2015

podkorpus vedeckých, odborných a populárno-náučných textov

prim-7.0-public-img

188 mil. tokenov / 149 mil. slov

áno

2015

podkorpus umeleckých textov

prim-7.0-public-sk

807 mil. tokenov / 630 mil. slov

áno

2015

podkorpus pôvodných slovenských textov

prim-7.0-public-img-sk

65 mil. tokenov / 52 mil. slov

áno

2015

podkorpus pôvodných slovenských umeleckých textov

r1955az1989-4.0

67 mil. tokenov / 54 mil. slov

áno

2015

osobitný korpus textov z rokov 1955 – 1989 (7,4 % publicistické, 69,3 % umelecké, 16,6 % odborné a 6,7 % iné texty)

prim-6.1-public-all

830 mil. tokenov / 656 mil. slov

áno

2013

všetky verejne prístupné texty SNK: 68,8 % publicistické, 13,9 % umelecké, 15,3 % odborné a 2 % iné texty

prim-6.1-public-sane

773 mil. tokenov / 610 mil. slov

áno

2013

bez textov s nesprávnou diakritikou, spred roka 1955, z oblastí mimo Slovenska a z lingvistických časopisov

prim-6.1-public-vyv

317 mil. tokenov / 252 mil. slov

áno

2013

vyvážený; podkorpus: 33,3 % publicistické, 33,3 % umelecké, 33,3 % odborné texty

prim-6.1-public-inf

541 mil. tokenov / 425 mil. slov

áno

2013

podkorpus publicistických (informatívnych) textov

prim-6.1-public-prf

106 mil. tokenov / 84 mil. slov

áno

2013

podkorpus vedeckých, odborných a populárno-náučných textov

prim-6.1-public-img

114 mil. tokenov / 91 mil. slov

áno

2013

podkorpus umeleckých textov

prim-6.1-public-sk

558 mil. tokenov / 441 mil. slov

áno

2013

podkorpus pôvodných slovenských textov

prim-6.1-public-img-sk

35 mil. tokenov / 28 mil. slov

áno

2013

podkorpus pôvodných slovenských umeleckých textov

r55az89-3.0

63 mil. tokenov / 51 mil. slov

áno

2013

osobitný korpus textov z rokov 1955 – 1989: 11,9 % publicistika, 55,5 % umelecké, 24,1 % odborné a 8,5 % iné texty

prim-6.0-public-all

1 155 mil. tokenov / 939 mil. slov

áno

2013

všetky verejne prístupné texty SNK: 77,8 % publicistické, 9,8 % umelecké, 11 % odborné, 1,4 % iné texty

prim-5.0-public-all

719 mil. tokenov / 599 mil. slov

áno

2011

všetky verejne prístupné texty SNK: 73 % publicistické, 14 % umelecké, 12 % odborné, 1 % iné texty

prim-4.0-public-all

526 mil. tokenov / 429 mil. slov

áno

2009

všetky verejne prístupné texty SNK: 65 % publicistické, 17 % umelecké, 16 % odborné, 2 % iné texty

prim-3.0-public-all

339 mil. tokenov / 276 mil. slov

áno

2007

všetky verejne prístupné texty SNK: 57 % publicistické, 21,5 % umelecké, 18,5 % odborné, 3 % iné texty

prim-2.1-public-all

294 mil. tokenov / 240 mil. slov

áno

2006

všetky verejne prístupné texty SNK: 63 % publicistické, 20 % umelecké, 12 % odborné, 5 % iné texty

web-3.0

2 372 mil. tokenov / 1 993 mil. slov

áno

2015

korpus slovenských textov dostupných na webe

wiki-2015-02

40 mil. tokenov / 32 mil. slov

áno

2015

korpus slovenských textov z Wikipédie a Necyklopédie

r-mak-4.0

1,2 mil. tokenov / 977 000 slov

áno

2013

ručne morfologicky anotovaný korpus SNK: 36,2 % publicistické, 44,9 % umelecké, 18,9 % odborné texty

2. Korpusy písaných textov − synchrónne, špecializované

korpus

rozsah − počet tokenov / počet slov

lematizácia, morfologická anotácia

rok zverejnenia

charakteristika korpusu

cw-2014-all

1,6 mil. tokenov / 1,2 mil. slov

áno

2014

korpus copywriterských textov

ecn-1.0-public

20 mil. tokenov / 17 mil. slov

áno

2014

korpus ekonomických textov: 81,4 % odborných a 18,6 % publicistických textov z ekonómie, bankovníctva, obchodu, manažmentu a tovaroznalectva.

blf-2.0

66 miliónov tokenov / 54 mil. slov

áno

2014

korpus náboženských textov

legal-1.1

49 mil. tokenov / 40 mil. slov

áno

korpus právnych textov (deduplikovaný)

legal-1.0

147 mil. tokenov / 114 mil. slov

áno

2011

korpus právnych textov

judikat-1.0

1,5 mil. tokenov / 1,3 mil. slov

áno

2015

korpus súdnych rozhodnutí

3. Korpusy písaných textov − paralelné

korpus

rozsah − počet tokenov / počet slov

lematizácia, morfologická anotácia

rok zverejnenia (zverejnenie prvej verzie)

charakteristika korpusu

par-sken-4.0

556 mil. tokenov

áno,
obidva jazyky

2015
(2010)

slovensko-anglický paralelný korpus: 261 mil. tokenov v slovenskej časti, 295 mil. tokenov v anglickej časti

par-sken-all-3.0

392 mil. tokenov

áno,
obidva jazyky

2014
(2010)

slovensko-anglický paralelný korpus: 184 mil. tokenov v slovenskej časti, 208 mil. tokenov v anglickej časti

par-skbg-free-0.1

163 mil. tokenov

áno,
obidva jazyky

2014
(2014)

slovensko-bulharský paralelný korpus: 78 mil. tokenov v slovenskej časti, 85 mil. tokenov v bulharskej časti

par-skcs-all-3.0

239 mil. tokenov

áno,
obidva jazyky

2014

slovensko-český paralelný korpus: 119 mil. tokenov v slovenskej časti, 120 mil. tokenov v českej časti

par-skfr-all-1.0

349 mil. tokenov

áno,
obidva jazyky

2015
(2006)

slovensko-francúzsky paralelný korpus: 167 mil. tokenov v slovenskej časti, 181 mil. tokenov vo francúzskej časti

par-skla-2.0

1,4 mil. tokenov

áno,
obidva jazyky

2012

slovensko-latinský paralelný korpus: 781 000 tokenov v slovenskej časti, 662 000 tokenov v latinskej časti

par-skhu-1.0

99 mil. tokenov

áno,
obidva jazyky

2015
(2014)

slovensko-maďarský paralelný korpus: 51 mil. tokenov v slovenskej časti, 48 mil. tokenov v maďarskej časti

par-skhu-0.2

3,9 mil. tokenov

áno,
obidva jazyky

2015
(2014)

slovensko-maďarský paralelný korpus: 2,0 mil. tokenov v slovenskej časti, 1,9 mil. tokenov v maďarskej časti

par-skde-all-1.0

263 mil. tokenov

áno,
obidva jazyky

2014

slovensko-nemecký paralelný korpus: 129 mil. tokenov v slovenskej časti, 133 mil. tokenov v nemeckej časti

par-skru-2.0

8,5 mil. tokenov

áno,
obidva jazyky

2014

slovensko-ruský paralelný korpus: 4,2 mil. tokenov v slovenskej časti, 4,2 mil. tokenov v ruskej časti

4. Korpusy písaných textov spred roka 1954

korpus

rozsah − počet tokenov / počet slov

lematizácia, morfologická anotácia

rok zverejnenia

charakteristika korpusu

r864az1843-1.0

2,1 mil. tokenov

nie

2015

korpus textov z r. 864 − 1843

r1843az1954-1.0

24 mil. tokenov

nie

2015

korpus textov z r. 1843 − 1954

5. Historický korpus

korpus

rozsah − počet tokenov / počet slov

lematizácia, morfologická anotácia

rok zverejnenia

charakteristika korpusu

hist-3.0

836 000 tokenov

nie

2015

Historický korpus slovenčiny

hist-2.0

552 000 tokenov

nie

2014

Historický korpus slovenčiny

hist-1.0

371 000 tokenov

nie

2012

Historický korpus slovenčiny

6. Korpusy hovorených prejavov − synchrónne, štandardné

korpus

rozsah − počet tokenov / počet slov

lematizácia, morfologická anotácia

rok zverejnenia

charakteristika korpusu

s-hovor-5.0

5,7 mil. tokenov

áno

2015

Slovenský hovorený korpus

s-hovor-4.0

2,6 mil. tokenov

áno

2012

Slovenský hovorený korpus

s-hovor-3.0

2,1 mil. tokenov

áno

2011

Slovenský hovorený korpus

s-hovor-2.0

679 000 tokenov

áno

2010

Slovenský hovorený korpus

s-hovor-1.0

128 000 tokenov

áno

2008

Slovenský hovorený korpus

7. Korpusy nárečí SNK

korpus

rozsah počet tokenov / počet slov

lematizácia, morfologická anotácia

rok zverejnenia

charakteristika korpusu

dialekt-2.0

329 000 tokenov

nie

2015

Korpus nárečí Slovenského národného korpusu

dialekt-1.0

74 000 tokenov

nie

2014

Korpus nárečí Slovenského národného korpusu