The Unreasonable Effectiveness of Pattern Generation

SOJKA, Petr and Ondřej SOJKA. The Unreasonable Effectiveness of Pattern Generation. TUGboat: The Communications of the TeX Users Group. San Francisco, USA: TUG, 2019, vol. 40, No 2, p. 187-193. ISSN 0896-3207.

Basic information

• Original name: The Unreasonable Effectiveness of Pattern Generation
• Authors: SOJKA, Petr (203 Czech Republic, guarantor, belonging to the institution) and Ondřej SOJKA (203 Czech Republic, belonging to the institution).
• Edition: TUGboat: The Communications of the TeX Users Group, San Francisco, USA, TUG, 2019, 0896-3207.

Other information

• Original language: English
• Type of outcome: Article in a journal
• Field of Study: 20206 Computer hardware and architecture
• Country of publisher: United States of America
• Confidentiality degree: is not subject to a state or trade secret
• WWW: journal PDF TUG 2019 conference program
• RIV identification code: RIV/00216224:14330/19:00110960
• Organization unit: Faculty of Informatics
• Keywords (in Czech): dělení; generování vzorů; databáze slov; vícejazyčná sazba; patgen
• Keywords in English: hyphenation; pattern generation; word list database; multilingual typesetting; patgen
• Tags: International impact, Reviewed

Abstract

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.

Abstract (in Czech)

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.

Links

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

Investor: Masaryk University