J 2019

The Unreasonable Effectiveness of Pattern Generation

SOJKA, Petr a Ondřej SOJKA

Základní údaje

Originální název

The Unreasonable Effectiveness of Pattern Generation

Autoři

SOJKA, Petr (203 Česká republika, garant, domácí) a Ondřej SOJKA (203 Česká republika, domácí)

Vydání

TUGboat: The Communications of the TeX Users Group, San Francisco, USA, TUG, 2019, 0896-3207

Další údaje

Jazyk

angličtina

Typ výsledku

Článek v odborném periodiku

Obor

20206 Computer hardware and architecture

Stát vydavatele

Spojené státy

Utajení

není předmětem státního či obchodního tajemství

Odkazy

Kód RIV

RIV/00216224:14330/19:00110960

Organizační jednotka

Fakulta informatiky

Klíčová slova česky

dělení; generování vzorů; databáze slov; vícejazyčná sazba; patgen

Klíčová slova anglicky

hyphenation; pattern generation; word list database; multilingual typesetting; patgen

Příznaky

Mezinárodní význam, Recenzováno
Změněno: 5. 9. 2023 11:40, doc. RNDr. Petr Sojka, Ph.D.

Anotace

ORIG CZ

V originále

Languages are constantly evolving, and so are their hyphenation rules and needs. The effectiveness and utility of TeX’s hyphenation have been proven by its usage in almost all typesetting systems in use today. The current Czech hyphenation patterns were generated in 1995, and no hyphenated word database was freely available. We have developed a new Czech word database and have used the patgen program to generate new effective Czech hyphenation patterns efficiently and evaluated their generalization qualities. We have achieved full coverage on the training dataset of 3,000,000 words and developed a validation procedure of new patterns for Czech based on the testing database of 105,000 words approved by the Czech Academy of Science linguists. Our pattern generation case study exemplifies a practical solution to the widespread dictionary problem. The study has proved the versatility, effectiveness, and extensibility of Liang’s approach to hyphenation developed for TeX. The unreasonable effectiveness of pattern technology has led to applications that are and will be used, even more widely now, nearly 40 years after its inception.

Česky

Jazyky se neustále vyvíjejí, stejně jako jejich pravidla a potřeby dělení slov. Účinnost a užitečnost dělení slov TeX byla prokázána jeho použitím v téměř všech dnes používaných sazecích systémech. Aktuální vzory dělení slov v České republice byly vytvořeny v roce 1995 a nebyla zveřejněna použitá primární databáze rozdělených slov. Vyvinuli jsme a zveřejnili novou českou databázi slov a pomocí programu patgen jsme efektivně generovali nové efektivní české vzory dělení slov a hodnotili jejich generalizační kvality. Dosáhli jsme plného pokrytí tréninkovým datovým souborem 3 000 000 slov a vytvořili jsme ověřovací postup nových vzorů pro češtinu na základě testovací databáze 105 000 slov schválené lingvisty České akademie věd. Naše případová studie generování vzorů je příkladem praktického řešení rozšířeného problému se slovníkem. Studie prokázala univerzálnost, účinnost a rozšiřitelnost Liangova přístupu k dělení slov vyvinutého pro TeX. Nepřiměřená účinnost technologie vzorů vedla k aplikacím, které jsou a budou používány, a to i v širším měřítku, téměř 40 let po svém vzniku.

Návaznosti

MUNI/A/1573/2020, interní kód MU
Název: Aplikovaný výzkum: vyhledávání, analýza a vizualizace rozsáhlých dat, zpracování přirozeného jazyka, umělá inteligence pro analýzu biomedicínských obrazů.
Investor: Masarykova univerzita, Aplikovaný výzkum: vyhledávání, analýza a vizualizace rozsáhlých dat, zpracování přirozeného jazyka, umělá inteligence pro analýzu biomedicínských obrazů.