On Disambiguation in Czech Corpora

POPELÍNSKÝ, Lubomír, Tomáš PAVELEK a Tomáš PTÁČNÍK. On Disambiguation in Czech Corpora. Brno (CZE): FI MU. 012 s. 2000.

Základní údaje

• Originální název: On Disambiguation in Czech Corpora
• Autoři: POPELÍNSKÝ, Lubomír, Tomáš PAVELEK a Tomáš PTÁČNÍK.
• Vydání: Brno (CZE), 012 s. 2000.
• Nakladatel: FI MU

Další údaje

• Originální jazyk: angličtina
• Typ výsledku: Výzkumná zpráva
• Obor: 20206 Computer hardware and architecture
• Stát vydavatele: Česká republika
• Utajení: není předmětem státního či obchodního tajemství
• Kód RIV: RIV/00216224:14330/00:00002818
• Organizační jednotka: Fakulta informatiky
• Klíčová slova anglicky: Lemma disambiguation; Corpus; Natural language processing; Machine learning
• Štítky: corpus, Lemma disambiguation, machine learning, natural language processing

Anotace

Lemma disambiguation means finding the basic word form, typically nominative singular for nouns or infinitive for verbs. We developed a multistrategy method for lemma disambiguation of unannotated text. The method is based on a combination of inductive logic programming and instance-based learning. We present results of the most important subtasks of lemma disambiguation for Czech language. Although no expert knowledge on Czech grammar has been used the accuracy reaches 90% with a fraction of words remaining ambiguous. We also display first results of tag disambiguation.

Návaznosti

• VS97028, projekt VaV: Název: Laboratoř zpracování přirozeného jazyka (s aplikacemi pro podporu výuky zrakově postižených)

Investor: Ministerstvo školství, mládeže a tělovýchovy ČR, Laboratoř zpracování přirozeného jazyka (s aplikacemi pro podporu výuky zrakově postižených)