D 2023

Rapid Ukrainian-English Dictionary Creation Using Post-Edited Corpus Data

BLAHUŠ, Marek, Michal CUKR, Ondřej HERMAN, Miloš JAKUBÍČEK, Vojtěch KOVÁŘ et. al.

Základní údaje

Originální název

Rapid Ukrainian-English Dictionary Creation Using Post-Edited Corpus Data

Autoři

BLAHUŠ, Marek (203 Česká republika), Michal CUKR (203 Česká republika), Ondřej HERMAN (203 Česká republika, domácí), Miloš JAKUBÍČEK (203 Česká republika, domácí), Vojtěch KOVÁŘ (203 Česká republika, domácí), Jan KRAUS (203 Česká republika), Marek MEDVEĎ (703 Slovensko, domácí), Vlasta OHLÍDALOVÁ (203 Česká republika, domácí) a Vít SUCHOMEL (203 Česká republika, domácí)

Vydání

Brno, Czech Republic, Electronic lexicography in the 21st century (eLex 2023): Invisible Lexicography. Proceedings of the eLex 2023 conference, od s. 613-637, 25 s. 2023

Nakladatel

Lexical Computing CZ s.r.o.

Další údaje

Jazyk

angličtina

Typ výsledku

Stať ve sborníku

Obor

10201 Computer sciences, information science, bioinformatics

Stát vydavatele

Česká republika

Utajení

není předmětem státního či obchodního tajemství

Forma vydání

elektronická verze "online"

Kód RIV

RIV/00216224:14330/23:00131469

Organizační jednotka

Fakulta informatiky

ISSN

Klíčová slova anglicky

Ukrainian; post-editing; dictionary; lexicography

Příznaky

Mezinárodní význam, Recenzováno
Změněno: 9. 4. 2024 00:09, RNDr. Pavel Šmerk, Ph.D.

Anotace

V originále

This paper describes the development of a new corpus-based Ukrainian-English dictionary. The dictionary was built from scratch, we used no pre-existing dictionary data. A rapid dictionary development method was used which consists of generating dictionary parts directly from a large corpus, and of post-editing the automatically generated data by native speakers of Ukrainian (not professional lexicographers). The method builds on Baisa et al. (2019) which was improved and updated, and we used a diferent data management model. As the data source, a 3-billion-word Ukrainian web corpus from the TenTen series (Jakubíček et al., 2013) was used. The paper briefy describes the corpus, then we thoroughly explain the individual steps of the miQKiB+ ;2M2`iBQMěTQbi@2/BiBM; workfow, including the volume of the manual work needed for the particular phases in terms of person-days. We also present details about the newly created dictionary and discuss directions for its further development.