J 2021

New Czechoslovak Hyphenation Patterns, Word Lists, and Workflow

SOJKA, Petr a Ondřej SOJKA

Základní údaje

Originální název

New Czechoslovak Hyphenation Patterns, Word Lists, and Workflow

Vydání

TUGboat: The Communications of the TeX Users Group, San Francisco, USA, TUG, 2021, 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

Kód RIV

RIV/00216224:14330/21:00122189

Organizační jednotka

Fakulta informatiky

Klíčová slova česky

dělení slov; generování vzorů; databáze slov; vícejazyčná sazba; slabičné algoritmy; patgen; soutěživé vzory

Klíčová slova anglicky

hyphenation; pattern generation; word list database; multilingual typesetting; syllabification algorithms; patgen; competing patterns

Příznaky

Mezinárodní význam, Recenzováno
Změněno: 4. 2. 2025 17:58, doc. RNDr. Petr Sojka, Ph.D.

Anotace

V originále

Space- and time-effective segmentation and hyphenation of natural languages stay at the core of every document preparation system, web browser, or mobile rendering system. We use the unreasonable effectiveness of pattern generation with patgen. It is possible to use hyphenation patterns to solve the dictionary problem also for close languages without compromise. In this article, we show how we applied the marvelous effectiveness of patgen for the generation of the new Czechoslovak hyphenation patterns that cover both Czech and Slovak languages. We show that developing universal, up-to-date, high-coverage and high-generalization hyphenation patterns is feasible, generated from semi-automatically prepared word lists from actual language usage. We evaluate the new approach and argue that the new Czechoslovak hyphenation patterns bring significant coverage and generalization improvements, and space savings. We share all the data, word lists, and workflow for reproducibility and usage.

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.

Přiložené soubory