Slovenské vzory dělení: čas pro změnu?

SOJKA, Petr. Slovenské vzory dělení: čas pro změnu? (Slovak Hyphenation: a Time for Change?). In SLT 2004, sborník 4. ročníku semináře o Linuxu a TeXu. první. Brno: Konvoj, 2004, p. 67-72. ISBN 80-7302-068-8.

Basic information

• Original name: Slovenské vzory dělení: čas pro změnu?
• Name in Czech: Slovenské vzory dělení: čas pro změnu?
• Name (in English): Slovak Hyphenation: a Time for Change?
• Authors: SOJKA, Petr (203 Czech Republic, guarantor).
• Edition: první. Brno, SLT 2004, sborník 4. ročníku semináře o Linuxu a TeXu, p. 67-72, 6 pp. 2004.
• Publisher: Konvoj

Other information

• Original language: Czech
• Type of outcome: Proceedings paper
• Field of Study: 20200 2.2 Electrical engineering, Electronic engineering, Information engineering
• Country of publisher: Czech Republic
• Confidentiality degree: is not subject to a state or trade secret
• WWW: stránka publikací autora Stránka semináře
• RIV identification code: RIV/00216224:14330/04:00010851
• Organization unit: Faculty of Informatics
• ISBN: 80-7302-068-8
• Keywords (in Czech): slovenské dělení slov; elektronické publikování; segmentace; stratifikace; bootstrapping
• Keywords in English: Slovak hyphenation; electronic publishing; segmentation; stratification; bootstrapping
• Tags: bootstrapping, electronic publishing, segmentation, Slovak hyphenation, stratification
• Tags: Reviewed

Abstract

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.

Abstract (in English)

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.

Links

• MSM 143300003, plan (intention): Name: Interakce člověka s počítačem, dialogové systémy a asistivní technologie

Investor: Ministry of Education, Youth and Sports of the CR, Human-computer interaction, dialog systems and assistive technologies