(in English)

Slovensko-angleški korpus SVEZ-IJS ACQUIS

Korpus SVEZ-IJS ACQUIS, V1.0 vsebuje približno 10 mil. besed, ki tvorijo angleško-slovenski pomnilnik prevodov SVEZ ACQUIS. Ta pomnilnik prevodov je bil izdelan med procesom prevajanja zakonodaje EU (ACQUIS) v slovenski jezik, v okviru prevajalske skupine SVEZ (Služba vlade RS za evropske zadeve). Vladne strani tudi ponujajo opis in iskanje po spremljevalnem korpusu EVROKORPUS, ki je ravno tako izpeljan iz pomnilnika prevodov SVEZ ACQUIS.

Na Odseku za tehnologije znanje, Instituta "Jožef Stefan" smo predelali pomnilnik prevodov v jezikoslovno označen in standardno zapisan korpus SVEZ-IJS ACQUIS. Proces izdelave je bil naslednji:

1. normalizacija (odstrani oznake za formatiranje)
2. tokenizacija (razdeli besedilo na besede, ločila in povedi)
3. oblikoslovno označevanje (označi vsako besedo z njeno oblikoslovno oznako MULTEXT-East)
4. lematizacija (določi besedam njihovo osnovno obliko)
5. kodiranje (zapis datotek po standardu TEI P4)
6. dodajanje v bazo konkordančnika (korpus je dostopen za iskanje preko mrežnega konkordančnika)
7. priprava za prenos (korpus je dostopen za prenos, ko pošljete sporazum o uporabi)

Priprava korpusa je potekala popolnoma avtomatsko, zato jezikoslovne oznake vsebujejo prenekatero napako. Medtem ko poročila o posameznih napakah v 10 milijonskem korpusu niso preveč koristna, nas pa zelo zanima slišati o sistematskih napakah, ki jih opazite v oznakah ali v zapisu korpusa.

Zapis

Korpus SVEZ-IJS ACQUIS je zapisan v XML, v skladu s Priporočili Iniciative za zapis besedil TEI P4. Glava TEI vsebuje bolj podrobne podatke o korpusu - dostopna je tudi v HTML, kjer je opis vsakega elementa povezan s svojo razlago v TEI P4.

Telo korpusa je zaporedje poravnanih besedilnih segmentov, t.i. prevodnih enot. Vsaka vsebuje meta-informacijo o prevodni enoti in dva segmenta, enega v angleškem in enega v slovenskem jeziku. Besede v teh segmentih so potem še jezikoslovno označene. Spodaj primer iz prevodne enote iz para segmentov:

• "For eggs and eggs products with a fat content higher than 10%, the maximum level is expressed in mg/kg fat."
• "Za jajca in jajčne izdelke z vsebnostjo maščobe višjo od 10% je zgornja mejna vrednost izražena v mg/kg maščobe."

Konkordance

Korpus je prosto dostopen za iskanje skozi IJS mrežni konkordančnik kjer je potrebno izbrati za korpus SVEZ-IJS-SL ali SVEZ-IJS-EN. Po korpusi pa seveda lahko iščete tudi preko iskalnika dostopnega na strani EVROKORPUS-a.

The Konkordančnik na IJS uporablja IMS Corpus Query Processor. CQP omogoča kompleksne poizvedbe, saj vsebuje ne samo besede, pač pa tudi atribute lemma and msd. Bolj podroben opis poizvedovalnega jezika najdemo v concordance query help, v ilustracijo pa podamo spodaj nekaj primerov

• riba and rib*
• [lemma="riba"] in PARA, KWIC, and LIST display modes
• [msd="A.*"] [lemma="riba"], in LIST display
• [lemma="riba"] in -SL and not [lemma="[Ff]ish"] in -EN

Prenos

Korpus je tudi dostopen za prenos, vendar samo v raziskovalne namene, in pod pogojem, da so avtorji korpusa, (Služba vlade RS za evropske zadeve in Odsek za tehnologije znanja Instituta "Jožef Stefan") navedeni v vsakem delu, ki bo uporabilo ta korpus. Za dostop do korpusa prosim izpolnite in pošljite mrežni sporazum o uporabi korpusa. Po elektronski pošti boste dobili uporabniško ime in geslo, s katerima lahko korpus shranite.

Ker sporazume obdelujemo ročno, dogovora mogoče ne boste dobili takoj. Če pa se slušajno zgodi, da odgovora ne prejmete več kot teden, nas prosim obvestite o problemu na tomaz.erjavec @ ijs.si.

Bibliografija

Korpus SVEZ-IJS je opisan v

• Tomaž Erjavec:
  The English-Slovene ACQUIS corpus.
  V zborniku Fifth International Conference on Language Resources and Evaluation, LREC'06, 24-26 maj 2006. Genova.

Povezave

• EVROKORPUS
• IJS mrežni konkordančnik
• MULTEXT-East V3
• korpus IJS-ELAN
• drugi jezikovni viri na E8 IJS
• TEI
• TnT

Zahvala