Tento předmět volně navazuje na NPFL094 Morfologická a syntaktická analýza. Formálně se předchozí
absolvování NPFL094 nevyžaduje.
Půjde více méně o týmový projekt, jehož cílem bude sehnat či vytvořit co nejvíce zdrojů pro jeden vybraný
přirozený jazyk.
Jednotliví účastníci budou mít na starosti různé činnosti od stahování korpusů z webu až po navrhování
gramatických pravidel či trénování parserů.
Poslední úprava: T_UFAL (09.05.2012)
This course loosely extends NPFL094 “Morphological and Syntactic Analysis” (passing NPFL094 is not formally
required).
It will be a team project. The goal is to acquire or create as many resources as possible for one selected natural
language.
Each participant will be responsible for a part of the activities, ranging from downloading corpora from the web to
design of grammatical rules and training of parsers.
Literatura -
Poslední úprava: T_UFAL (09.05.2012)
• Martin Popel, Zdeněk Žabokrtský: TectoMT: Modular NLP Framework. In Proceedings of IceTAL , 7th International Conference on Natural Language Processing, Reykjavík, Iceland, August 17, 2010, pp. 293-304.
• Antonio M. Corbí-Bellot, Mikel L. Forcada, Sergio Ortiz-Rojas, Juan Antonio Pérez-Ortiz, Gema Sánchez-Ramírez, Felipe Sánchez-Martínez, Iñaki Alegria, Aingeru Mayor, Kepa Sarasola (2005) "An open-source shallow-transfer machine translation engine for the romance languages of Spain ", in Proceedings of the European Associtation for Machine Translation, 10th Annual Conference (Budapest, Hungary, 30-31.05.2005), p. 79-86
• Philip Resnik, Noah A. Smith, The Web as a parallel corpus Computational Linguistics, Volume 29 , Issue 3 (September 2003), Pages: 349 - 380.
• Rayid Ghani, Rosie Jones, Dunja Mladenic: "Building Minority Language Corpora by Learning to Generate Web Search Queries"
KAIS Knowledge and Information Systems, volume 7, number 1, 2005
Poslední úprava: T_UFAL (09.05.2012)
• Martin Popel, Zdeněk Žabokrtský: TectoMT: Modular NLP Framework. In Proceedings of IceTAL , 7th International Conference on Natural Language Processing, Reykjavík, Iceland, August 17, 2010, pp. 293-304.
• Antonio M. Corbí-Bellot, Mikel L. Forcada, Sergio Ortiz-Rojas, Juan Antonio Pérez-Ortiz, Gema Sánchez-Ramírez, Felipe Sánchez-Martínez, Iñaki Alegria, Aingeru Mayor, Kepa Sarasola (2005) "An open-source shallow-transfer machine translation engine for the romance languages of Spain ", in Proceedings of the European Associtation for Machine Translation, 10th Annual Conference (Budapest, Hungary, 30-31.05.2005), p. 79-86
• Philip Resnik, Noah A. Smith, The Web as a parallel corpus Computational Linguistics, Volume 29 , Issue 3 (September 2003), Pages: 349 - 380.
• Rayid Ghani, Rosie Jones, Dunja Mladenic: "Building Minority Language Corpora by Learning to Generate Web Search Queries"
KAIS Knowledge and Information Systems, volume 7, number 1, 2005
Sylabus -
Poslední úprava: T_UFAL (09.05.2012)
Modelový scénář 1:
Chceme vybudovat systém statistického strojového překladu do/z nového jazyka.
Potřebujeme především paralelní korpus daného jazyka a angličtiny, případně češtiny nebo něčeho jiného, co je k dispozici.
Dále nás budou zajímat nástroje pro morfologickou a syntaktickou analýzu, rozpoznávání pojmenovaných entit atd. za účelem zlepšení překladu.
Modelový scénář 2:
Máme málo nebo žádná paralelní data, zaměříme se na pravidlové systémy.
Navrhneme sadu morfologických značek, vytvoříme jednoduchý morfologický a syntaktický analyzátor,
podle možnosti i dvojjazyčný slovník, to vše se pokusíme zapojit do existujícho pravidlového
překladového systému (Treex, Apertium) a využít při primitivním překladu.
Poslední úprava: T_UFAL (09.05.2012)
Model scenario 1:
We want to construct a machine-translation system from/to a new language. First of all we need a parallel corpus of the language and English (or Czech or something else that is available). Further on, we will be interested in tools for morphological and syntactic analysis, named entity recognition etc. in order to improve translation quality.
Model scenario 2:
We have little or no parallel data, thus we will focus on rule-based systems. We will propose a set of morphological tags, create a simple morphological and syntactic analyzer, if possible also bilingual lexicon. We will try to put all these pieces together in a rule-based translation system (Treex, Apertium) and use it for primitive translation.
