Segmentace textu: morfémy, slova, víceslovná spojení a věty
Thesis title in Czech: | Segmentace textu: morfémy, slova, víceslovná spojení a věty |
---|---|
Thesis title in English: | Text segmentation: morphemes, words, multiword expressions, and sentences |
Key words: | segmentace textu, toknizace, teorie informace |
English key words: | text segmentation, tokenization, information theory |
Academic year of topic announcement: | 2014/2015 |
Thesis type: | diploma thesis |
Thesis language: | |
Department: | Institute of Formal and Applied Linguistics (32-UFAL) |
Supervisor: | doc. RNDr. Pavel Pecina, Ph.D. |
Author: |
Guidelines |
Segmentace textu v přirozeném jazyce je komplexní problém spočívající v dělení zpracovávaného textu na souvislé úseky. Segmentaci lze provádět v několika úrovních. Základním krokem při zpracování přirozeného jazyka je identifikace slovních tvarů a interpunkčních znamének, často označovaná jako tzv. tokenizace. V jazycích, které v psané formě využívají k oddělení slov mezery, není tokenizace nijak obtížná. V ostatních jazycích, které mezery mezi slovy nepoužívají, to ale problém je (např. čínština). Při segmentací na nižší úrovni než slovní jde o identifikaci tzv. morfémů, částí slov, které nesou svůj vlastní význam (kořen, předpony, přípony). Tento problém lze efektivně řešit pomocí slovníku, pokud ovšem informaci o morfémech obsahuje, ale nelze u něj předpokládat 100% pokrytí. Segmentací na vyšší úrovni je pak identifikace vět, tedy jejich začátků a konců.
Cílem práce je návrh, implementace a experimentální evaluace efektivního nástroje pro segmentaci textu na všech úrovních. Použité metody budou založeny na řízeném i neřízeném strojovém učení. |
References |
Chris Manning and Hinrich Schütze, Foundations of Statistical Natural Language Processing, MIT Press. Cambridge, MA.1999.
Manh-Ke Tran. Unsupervised and Semi-Supervised Multilingual Learning for Resource-Poor Languages. Diplomová práce, MFF UK. 2012. |