Universal Dependencies: Czech

Tokenizace a rozdělování slov

• slova jsou oddělena prázdné znaky
  • výjimky:
    • prázdný znak oddělující číslice v čísle (1 000 000 – 1 token)
• mnoho interpunkčních znamének je připojeno k sousednímu slovu
  • tokenize them as separate tokens (words)
    • např:
      • česko-slovenský – 3 tokeny
      • atd. – 2 tokeny
• existují uzavřené třídy (closed classes of contractions) se kterými je zacházeno jako víceslovné tokeny a jsou rozdělené na jednotlivá syntaktická slova (kdybych = když + bych)
  • více: https://universaldependencies.org/cs/tokenization.html

Morfologie

Tagy

Více na list of Czech POS tags and Czech features.

• čeština používá všech 17 universal POS kategorií
  • more than 70 word types are tagged PART 
    • TODO: This is a legacy of an existing Czech morphological analyzer and many of these words should probably belong to another category in UD; however, the exact list has yet to be worked out. viz https://universaldependencies.org/cs/index.html
•