Aktuální úkoly v získávání dat, Corpus Architect
Vft Suchomel
Natural Language Processing Centre Faculty of Informatics Masaryk University
4. prosince 2012
K"XfX european
mm I  social fund in Uie HUH
teP' "vsii-' U  c/ud- ropuDlia luhopowiu'BON
DP Education
(Of C Li T;;j,i!.!-.■>' I-
INVESTMENTS IN EDUCATION DEVELOPMENT
o Corpus Architect - konference Gramatika a korpus
o Corpus Architect - extrakce termů
o seznamy slov z matematických dokumentů
o czTenTenl2
o prezentace 30. 11.
o narozdíl od ostatních není výzkum
o narozdíl od ostatních mnoho dotazů
o zájem UPOL (korpusy, czTenTenl2, zabudované značkování) o zájem o rozhraní k paralelním korpusům
o již brzy :-)
o testovací verze na http;//ske. f i .tnuui. cz
o chceme volitelný prevod do pražské notace značek?
dvojice slov ve skečových relacích
základ naprogramoval Honza P., dokončil jsem já
commonest match - Vítek B.
ukázky
Seznamy slov z matematických dokument
o pro EUDML k lepšímu rozpoznávání znaků
o počáteční slova —> WebBootCaT —> wordlist
o počáteční slova z 2010 Mathematics Subject Classification ... 41 množin slov
o cca. 800 dotazů do Bingu .. .5093 dokumenty, 31.5 M tokenů
extrakce klíčových slov ze stávajících dokumentů v EUDML překlad MSC
o včetně skečů
o slovo "rozhlas" je lemmatizováno jako "rozhlásit" jen v 5% případů
o "přede vším" již není lemmatizováno "příst vši" o zkoušejte na http://ske.fi.muni.cz