Table of Contents

Práce na korpusu SYNv8
- Korpusy
  - NEWTON
  - NEWTON2015
  - NEWTON2016
  - NEWTON2017
  - NEWTON2018
  - SYN2015
  - SYNv4
- Dodatečné opravy

Práce na korpusu SYNv8

frozen: 201910

Korpusy

NEWTON

Velikost: 164.975 souborů, 16 GB
Tagování: grimm, 45 CPU, cca 76 hod.
Kolokace: grimm, 45 CPU, cca 210 hod.
Převedeno do vert-kolok-CNK-vrt, zbývá udělat korpus a hledat chyby v něm
V tmp/in-utf8 jsou soubory, které neprošly. Na nich se otestují opravy
Korpus je hotový, jmenuje se SYNv8-NEWTON-kolok-1 a SYNv8-NEWTON-kolok-2
Odesláno:
- NEWTON-1.[a-l].vrt.json.tgz
- NEWTON-1.vrt.tgz
- NEWTON-2.vrt.json.tgz
- NEWTON-2.vrt.tgz
- NEWTON.a-h.txt.tgz
- NEWTON.a-h.json.tgz
- NEWTON.i-p.txt.tgz
- NEWTON.i-p.json.tgz
- NEWTON.r-z.txt.tgz
- NEWTON.r-z.json.tgz

NEWTON2015

Velikost: 6.302 souborů, 1,5 GB
Tagování: grimm(?), 45(?) CPU, cca 7 hod.
Kolokace: jakobson, 6 CPU, cca 85,5 hod.
Převedeno do vert-kolok-CNK-vrt
Hotový korpus se jmenuje SYNv8-NEWTON2015-kolok
Odesláno:
- NEWTON2015.json.tgz
- NEWTON2015.txt.tgz
- NEWTON2015.vrt.json.tgz
- NEWTON2015.vrt.tgz

NEWTON2016

Velikost: 6.207 souborů, 1,4 GB
Tagování: grimm(?), 45(?) CPU, cca 6,5 hod.
Kolokace: chomsky, 6 CPU, cca 102 hod.
Chyba: « a » změněno na $1 – opraveno
Odesláno:
- NEWTON2016.json.tgz
- NEWTON2016.txt.tgz
- NEWTON2016.vrt.json.tgz
- NEWTON2016.vrt.tgz

NEWTON2017

Velikost: 6.191 souborů, 1,2 GB
Tagování: grimm(?), 45(?) CPU, cca 5,5 hod.
Kolokace: chomsky, 6 CPU, cca 88 hod.
Odesláno:
- NEWTON2017.json.tgz
- NEWTON2017.txt.tgz
- NEWTON2017.vrt.json.tgz
- NEWTON2017.vrt.tgz

NEWTON2018

Velikost: 9.975 souborů, 1,7 GB
Tagování: grimm(?), 45(?) CPU, cca 8 hod.
Kolokace: jakobson, 6 CPU, cca 101,5 hod.
Odesláno:
- NEWTON2018.json.tgz
- NEWTON2018.txt.tgz
- NEWTON2018.vrt.json.tgz
- NEWTON2018.vrt.tgz

SYN2015

Velikost: 3.376 souborů, 703 MB
Tagování: ???, ??? CPU, cca 15,5 hod.
Kolokace: ???, ??? CPU, cca 43,5 hod.
Odesláno:
- SYN2015.json.tgz
- SYN2015.txt.tgz
- SYN2015.vrt.json.tgz
- SYN2015.vrt.tgz

SYNv4

Velikost: 49.901 souborů, 16 GB
Tagování: grimm, 45 CPU, cca 74 hod.
Kolokace: grimm, 45 CPU, cca 194 hod.
Převedeno do vert-kolok-CNK-vrt
Hotový korpus se jmenuje SYNv8-SYNv4-kolok-1 a SYNv8-SYNv4-kolok-2
Odesláno:
- SYNv4-1.vrt.json.tgz
- SYNv4-1.vrt.tgz
- SYNv4-2.vrt.json.tgz
- SYNv4-2.vrt.tgz
- SYNv4.json.tgz
- SYNv4.txt.tgz

Dodatečné opravy

Co nebylo uděláno ručně, je ve dvou skriptech:

emergency/bin/multi-line-corr.pl
emergency/bin/single-line-corr.pl

Tyto skripty jsou přidány do frozen. Jde hlavně o vokativy, chybně označená obouvidá slovesa, přechodníky a chyby se vším tím spojené.

Tagování

RR–5
NN——–N
Xx
katě
vorvani

Kolokace

navrh_huj…
Augiáš

Na závěr předělat všechny .vrt.json!