Rozšíření paralelního korpusu Czeng
| Thesis title in Czech: | Rozšíření paralelního korpusu Czeng |
|---|---|
| Thesis title in English: | Enriching the parallel corpus Czeng |
| Academic year of topic announcement: | 2006/2007 |
| Thesis type: | school year task |
| Thesis language: | čeština |
| Department: | Institute of Formal and Applied Linguistics (32-UFAL) |
| Supervisor: | doc. Ing. Zdeněk Žabokrtský, Ph.D. |
| Author: | hidden - assigned by the advisor |
| Date of registration: | 25.04.2008 |
| Date of assignment: | 25.04.2008 |
| 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 (http://ufal.mff.cuni.cz/czeng/). Hlavním cílem práce je rozšířit sadu paralelních dokumentů, které jsou v tomto korpusu již obsaženy, o další, například o paralelní texty získané z volně dostupných anglických a českých titulků k filmům. Součástí úlohy je kromě vlastního hromáždění textů i jejich čistění, sjednocení kódování a formátů, automatické párování na úrovni vět, konverze do formátů podporovaných korpusem Czeng a dokumentace celého procesu. Řešení bude implementováno v programovacím jazyku Perl v prostředí Linux. |
| 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 (http://ufal.mff.cuni.cz/czeng/). The main goal is to enrich the set of parallel documents already contained in this corpus with new texts, for example with parallel texts obtained from freely available movie subtitles. The collected texts will be cleaned, converted into a unified file format and character encoding, automatically alligned on the sentences level, and converted into the formats supported by Czeng. The whole process will be documented. The system is to be implemented in Perl under Linux. |