The Unreasonable Effectiveness of Pattern Generation

SOJKA, Petr a Ondřej SOJKA. The Unreasonable Effectiveness of Pattern Generation. TUGboat: The Communications of the TeX Users Group. San Francisco, USA: TUG, 2019, roč. 40, č. 2, s. 187-193. ISSN 0896-3207.

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

• Originální 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
• WWW: journal PDF TUG 2019 conference program
• 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

Anotace

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.

Anotace 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.