2003
Context Sensitive Pattern Based Segmentation: A Thai Challenge
SOJKA, Petr a David ANTOŠZákladní údaje
Originální název
Context Sensitive Pattern Based Segmentation: A Thai Challenge
Autoři
SOJKA, Petr (203 Česká republika, garant) a David ANTOŠ (203 Česká republika)
Vydání
Budapest, Proceedings of EACL 2003 workshop Computational Linguistics for South Asian Languages -- Expanding Synergies with Europe, od s. 65-72, 8 s. 2003
Nakladatel
Association for Computational Linguistics
Další údaje
Jazyk
angličtina
Typ výsledku
Stať ve sborníku
Obor
10201 Computer sciences, information science, bioinformatics
Stát vydavatele
Maďarsko
Utajení
není předmětem státního či obchodního tajemství
Odkazy
Kód RIV
RIV/00216224:14330/03:00008605
Organizační jednotka
Fakulta informatiky
ISBN
1-932432-02-7
Klíčová slova anglicky
segmentation Thai competing patterns
Příznaky
Mezinárodní význam, Recenzováno
Změněno: 13. 2. 2007 23:05, doc. RNDr. Petr Sojka, Ph.D.
Anotace
V originále
A Thai written text is a string of symbols without explicit word boundaries. A method for a development of a segmentation tool from a corpus of already segmented text is described. The methodology is based on the technology of competing patterns. A new UNICODE pattern generation program, OPATGEN, is used for the learning phase. We have shown feasibility of our methodology by generating patterns for Thai segmentation from already segmented text of the Thai corpus ORCHID: the segmentation algorithm quickly reaches F-score of 93 %. Finally, we enumerate possible new applications based on the pattern technique, and conclude with the suggestion of a general Pattern Translation Process. The technology is general and can be used for any other segmentation tasks as phonetic, morphologic segmentation, word hyphenation, sentence segmentation and text topic segmentation for any language.
Návaznosti
MSM 143300003, záměr |
|