Korejština 한국말 / 조선말 Hangukmal / Čosŏnmal

Čísla 78 miliónů mluvčích Jižní a Severní Korea Emigranti: Čína, Rusko, Austrálie, Kanada, ...

78 miliónů mluvčích

Jižní a Severní Korea

Emigranti: Čína, Rusko, Austrálie, Kanada, ...

Abeceda hangŭl Oficiální písmo Z 15. století (král Sedžong) 28/25 znaků 2-3 hlásky na slabiku, zápis do rámečku Až po 400 letech na úředních dokladech (amgul)

Oficiální písmo

Z 15. století (král Sedžong)

28/25 znaků

2-3 hlásky na slabiku, zápis do rámečku

Až po 400 letech na úředních dokladech (amgul)

Handža Čínské znaky Pro sinokorejská slova (50% slovní zásoby) Ve škole 1800 znaků (jen v Severní)

Čínské znaky

Pro sinokorejská slova (50% slovní zásoby)

Ve škole 1800 znaků (jen v Severní)

Jazyk Izolovaný Aglutinační Kasidžiman... (”Jde, ale...”) ka- ( kořen = jít ) si- ( zdvoř. vpona ) -džiman ( spoj. Sufix ) Honorika – respekt k subjektu Úrovně projevu – respekt k publiku, 7 úrovní Rozdíl mezi S a J (gram., výslov., slov. zásoba)

Izolovaný

Aglutinační

Kasidžiman... (”Jde, ale...”)

ka- ( kořen = jít ) si- ( zdvoř. vpona ) -džiman ( spoj. Sufix )

Honorika – respekt k subjektu

Úrovně projevu – respekt k publiku, 7 úrovní

Rozdíl mezi S a J (gram., výslov., slov. zásoba)

Zdroje dat Wikipedia Dostatek dat Formát (XML) + syntaxe Přidružené projekty (wikisource, wikibooks, wikiquote, wikinews, wiktionary) http://download.wikimedia.org/

Wikipedia

Dostatek dat

Formát (XML) + syntaxe

Přidružené projekty (wikisource, wikibooks, wikiquote, wikinews, wiktionary)

http://download.wikimedia.org/

Aplikace wiki2corpora.pl ko wget explodeWikidump.pl mediawiki2plain.pl makeCorpora makeCharList makeTokenList wiki wikibooks wikisource wikinews

wiki2corpora.pl ko

wget

explodeWikidump.pl

mediawiki2plain.pl

makeCorpora

makeCharList

makeTokenList

Frekvenční slovník Jak nejefektivnějí? Pro češtinu: 302 872 195 řádek, 632MB sort | uniq -c | sort -nr Příliš nadbytečné práce 4200s (70min) Perl / C++ / Python

Jak nejefektivnějí?

Pro češtinu: 302 872 195 řádek, 632MB

sort | uniq -c | sort -nr

Příliš nadbytečné práce

4200s (70min)

Perl / C++ / Python

Různé implementace C++1 -O3: 433.4 C++2 -O2: 433.6 C++2 -O3: 434.2 C++1 -O2: 434.8 C++2 -O1: 437.6 C++1 -O1: 443.4 Perl: 454.9 Python: 588.1 C++1 -O0: 630.8 C++2 -O0: 635.9 PHP: 883.7 Bash: 4200

C++1 -O3: 433.4

C++2 -O2: 433.6

C++2 -O3: 434.2

C++1 -O2: 434.8

C++2 -O1: 437.6

C++1 -O1: 443.4

Perl: 454.9

Python: 588.1

C++1 -O0: 630.8

C++2 -O0: 635.9

PHP: 883.7

Bash: 4200

Velikost Počet znaků: 332M (wc) Počet slov: 47M (wc) 20M ( ,.;!?():©!/|"'' 》《↔-> = 〈〉 ~`^´ ㆍ "─^’ ： +│’»&× 「」←↓↑ @” 、・，一。ー『』（）∼┃ )

Počet znaků:

332M (wc)

Počet slov:

47M (wc)

20M ( ,.;!?():©!/|"'' 》《↔-> = 〈〉 ~`^´ ㆍ "─^’ ： +│’»&× 「」←↓↑ @” 、・，一。ー『』（）∼┃ )

Znaky 1. 위 – 51 812 574x The; position, rank, stomach, grade, top, surface, ... 2-81: latinka + spec. 82. 金 - 8 635x Kim; Au, metal, cash 86. 大 – 7621x Od 200. místa 25 2 + 25 3 = 16 250 kombinací 22 321 různých znaků

1. 위 – 51 812 574x

The; position, rank, stomach, grade, top, surface, ...

2-81: latinka + spec.

82. 金 - 8 635x

Kim; Au, metal, cash

86. 大 – 7621x

Od 200. místa

25 2 + 25 3 = 16 250 kombinací

22 321 různých znaků

Slova I 1. 있다 – 121 614x 2. 이 – 91 830x 3. 수 – 82 402x 4. 그 – 67 558x 5. 1 – 62 280x 6. 있는 – 53 356x 7. 는 – 46 866x 8. 0 – 45 503x 9. 2 – 44 866x 10. 2008 년 – 42118x Celkem: 19 912 950 Unikátních: 2 315 728

1. 있다 – 121 614x

2. 이 – 91 830x

3. 수 – 82 402x

4. 그 – 67 558x

5. 1 – 62 280x

6. 있는 – 53 356x

7. 는 – 46 866x

8. 0 – 45 503x

9. 2 – 44 866x

10. 2008 년 – 42118x

Celkem: 19 912 950

Unikátních: 2 315 728

Slova II Délka slova - 8 9 – 5 172 207, 6 - 4 794 843, 12 – 2 992 821 3 – 1 792 858, 15 – 1 326 165, 4 – 663 545, 7 – 595 202, 2 – 510 687, 5 – 431 491, 18 – 431 313 Výskyt slov 1 – 1 445 231, 2 – 317 961, 3 – 135 954, 4 – 80 685 5 – 51 775, 6 – 37 358, 7 – 27 905

Délka slova - 8

9 – 5 172 207, 6 - 4 794 843, 12 – 2 992 821

3 – 1 792 858, 15 – 1 326 165, 4 – 663 545,

7 – 595 202, 2 – 510 687, 5 – 431 491, 18 – 431 313

Výskyt slov

1 – 1 445 231, 2 – 317 961, 3 – 135 954, 4 – 80 685

5 – 51 775, 6 – 37 358, 7 – 27 905

Zdroje http://cs.wikipedia.org/wiki/Korejština http://cs.wikipedia.org/wiki/Hangul http://en.wikipedia.org/wiki/Korean_language http://en.wiktionary.org/wiki/Appendix:Korean_grammatical_terms http://www.dliflc.edu/academics/academic_affairs/dli_catalog/resident.htm http://world.kbs.co.kr/learn_korean/lessons/e_index.htm

http://cs.wikipedia.org/wiki/Korejština

http://cs.wikipedia.org/wiki/Hangul

http://en.wikipedia.org/wiki/Korean_language

http://en.wiktionary.org/wiki/Appendix:Korean_grammatical_terms

http://www.dliflc.edu/academics/academic_affairs/dli_catalog/resident.htm

http://world.kbs.co.kr/learn_korean/lessons/e_index.htm