Filmové titulky jako zdroj paralelních textů
| Název práce v jazyce práce (slovenština): | Filmové titulky jako zdroj paralelních textů |
|---|---|
| Název práce v češtině: | Filmové titulky jako zdroj paralelních textů |
| Název v anglickém jazyce: | Movie subtitles as a source of parallel texts |
| Akademický rok vypsání: | 2007/2008 |
| Typ práce: | bakalářská práce |
| Jazyk práce: | slovenština |
| Ústav: | Ústav formální a aplikované lingvistiky (32-UFAL) |
| Vedoucí / školitel: | doc. Ing. Zdeněk Žabokrtský, Ph.D. |
| Řešitel: | skrytý - zadáno a potvrzeno stud. odd. |
| Datum přihlášení: | 25.08.2008 |
| Datum zadání: | 25.09.2008 |
| Datum potvrzení stud. oddělením: | 21.06.2011 |
| Datum a čas obhajoby: | 11.02.2009 00:00 |
| Datum odevzdání elektronické podoby: | 11.02.2009 |
| Datum proběhlé obhajoby: | 11.02.2009 |
| Oponenti: | doc. RNDr. Ondřej Bojar, Ph.D. |
| Zásady pro vypracování |
| Student se seznámí s metodami a nástroji pro budování paralelních korpusů
a zaměří se na česko-anglický paralelní korpus Czeng. Hlavním cílem práce je zvýšit kvalitu té části Czengu, která byla vytvořena z anglických a českých titulků k filmům a seriálům. Především je nutné vypracovat automatické metody, které v paralelním korpusu naleznou a odstraní chybně spárované nebo jinak vadné texty nebo jejich části. Výsledky čištění korpusu budou kvantitativně vyhodnoceny. |
| Seznam odborné literatury |
| Bojar, O; Žabokrtský, Z.: CzEng: Czech-English Parallel Corpus, Release version 0.5 PBML 86 (Prague Bulletin of Mathematical Linguistics), 2006.
D. Varga et al.: Parallel Corpora for Medium Density Languages. In N. Nicolov, K. Bontcheva, G. Angelova and R. Mitkov (eds): Recent Advances in Natural Language Processing IV. Selected papers from RANLP-05 John Benjamins. Specifikace XML, např. http://www.w3.org/XML |
| Předběžná náplň práce |
| Student se seznámí s metodami a nástroji pro budování paralelních korpusů
a zaměří se na česko-anglický paralelní korpus Czeng. Hlavním cílem práce je zvýšit kvalitu té části Czengu, která byla vytvořena z anglických a českých titulků k filmům a seriálům. Především je nutné vypracovat automatické metody, které v paralelním korpusu naleznou a odstraní chybně spárované nebo jinak vadné texty nebo jejich části. Výsledky čištění korpusu budou kvantitativně vyhodnoceny. |
| Předběžná náplň práce v anglickém jazyce |
| After learning the basic principles of building parallel corpora, the student will
focus on the Czech-English parallel corpus Czeng. The main goal of the work is to improve quality of the Czeng part created from Czech/English movie and series subtitles. Above all, it is necessary to design and implement methods for detecting wrongly aligned (or otherwise problematic) subtitle files or their parts. Impact of the cleaning methods on the corpus quality will be evaluated quantitatively. |