Filmové titulky jako zdroj paralelních textů
Thesis title in thesis language (Slovak): | Filmové titulky jako zdroj paralelních textů |
---|---|
Thesis title in Czech: | Filmové titulky jako zdroj paralelních textů |
Thesis title in English: | Movie subtitles as a source of parallel texts |
Academic year of topic announcement: | 2007/2008 |
Thesis type: | Bachelor's thesis |
Thesis language: | slovenština |
Department: | Institute of Formal and Applied Linguistics (32-UFAL) |
Supervisor: | doc. Ing. Zdeněk Žabokrtský, Ph.D. |
Author: | hidden - assigned and confirmed by the Study Dept. |
Date of registration: | 25.08.2008 |
Date of assignment: | 25.09.2008 |
Confirmed by Study dept. on: | 21.06.2011 |
Date and time of defence: | 11.02.2009 00:00 |
Date of electronic submission: | 11.02.2009 |
Date of proceeded defence: | 11.02.2009 |
Opponents: | doc. RNDr. Ondřej Bojar, Ph.D. |
Guidelines |
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. |
References |
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 |
Preliminary scope of work |
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. |
Preliminary scope of work in English |
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. |