Slovenské vzory dělení: čas pro změnu?

SOJKA, Petr. Slovenské vzory dělení: čas pro změnu? Zpravodaj CSTUG. Brno: CSTUG, 2004, roč. 14, 3-4, s. 183-189. ISSN 1211-6661. Dostupné z: https://dx.doi.org/10.5300/2004-3-4/183.

Základní údaje

• Originální název: Slovenské vzory dělení: čas pro změnu?
• Název anglicky: Slovak hyphenation patterns: a time for change?
• Autoři: SOJKA, Petr (203 Česká republika, garant, domácí).
• Vydání: Zpravodaj CSTUG, Brno, CSTUG, 2004, 1211-6661.

Další údaje

• Originální jazyk: čeština
• Typ výsledku: Článek v odborném periodiku
• Obor: 20200 2.2 Electrical engineering, Electronic engineering, Information engineering
• Stát vydavatele: Česká republika
• Utajení: není předmětem státního či obchodního tajemství
• WWW: web časopisu s PDF DOI
• Kód RIV: RIV/00216224:14330/04:00010850
• Organizační jednotka: Fakulta informatiky
• Doi: http://dx.doi.org/10.5300/2004-3-4/183
• Klíčová slova česky: dělení slov; vzory dělení; patgen; dělení na slabiky; Unicode; TeX; slabičné dělení; čeština; slovenština
• Klíčová slova anglicky: hyphenation; hyphenation patterns; patgen; syllabification; Unicode; TeX; syllabic hyphenation; Czech; Slovak
• Štítky: dělení slov, elektronické publikování
• Příznaky: Recenzováno

Anotace

Dělení slov neboli algoritmická segmentace velké množiny řetězců nějakého jazyka je problém častější než by se na první pohled zdálo. Pro volně šiřitelné slovenské dělení slov zatím existuje pouze řešení vycházející z~definice slabiky ve slovenštině, bez rozsáhlého pokrytí výjimek. Z~více než miliónu shromážděných a rozdělených slov se podařilo vygenerovat programem PatGen nové volně šiřitelné vzory, které se s~nepravidelnostmi jazyka vyrovnávají lépe než dosud dostupné řešení. Výsledek je použitelný nejen v~distribucích TeXu, ale i v~dalších systémech jako například OpenOffice.org. Použité a diskutované techniky bootstrappingu, stratifikace a generování vzorů jsou použitelné při řešení širokého spektra dalších segmentačních aplikací.

Anotace anglicky

Hyphenation, or more generally algorithmic segmentation of big wordlist of some language is frequent problem. For Slovak language, there is only version based on the syllable principle available, without coverage of many exceptions. From a wordlist of million collected words we have generated by the PatGen program new freely available patterns that fill this gap. The result is directly usable not only in TeX distributions, but in other systems as well (OpenOffice.org). The techniques of bootstrapping, stratification and patterns generation are handy for solution of plenty of various segmentation tasks.

Návaznosti

• MSM 143300003, záměr: Název: Interakce člověka s počítačem, dialogové systémy a asistivní technologie

Investor: Ministerstvo školství, mládeže a tělovýchovy ČR, Interakce člověka s počítačem, dialogové systémy a asistivní technologie