Detailed Information on Publication Record
2005
Competing Patterns in Language Engineering and Computer Typesetting
SOJKA, PetrBasic information
Original name
Competing Patterns in Language Engineering and Computer Typesetting
Name in Czech
Soutěživé vzory v jazykovém inženýrství a počítačové sazbě
Authors
SOJKA, Petr (203 Czech Republic, guarantor, belonging to the institution)
Edition
první. Brno, 140 pp. PhD. dissertation, 2005
Publisher
Masarykova univerzita
Other information
Language
English
Type of outcome
Účelové publikace
Field of Study
10201 Computer sciences, information science, bioinformatics
Country of publisher
Czech Republic
Confidentiality degree
není předmětem státního či obchodního tajemství
References:
RIV identification code
RIV/00216224:14330/05:00024493
Organization unit
Faculty of Informatics
Keywords (in Czech)
soutěživé vzory; kontextově-citlivé vzory; strojové učení; jazykové inženýrství; dělení slov; segmentace [thajského textu]; desambiguace;
Keywords in English
competing patterns;context-sensitive patterns;machine learning;natural language engineering;hyphenation; [Thai text] segmentation;disambiguation;formal concept analysis;part of speech tagging;
Tags
Tags
International impact, Reviewed
Změněno: 26/1/2012 18:57, doc. RNDr. Petr Sojka, Ph.D.
V originále
The goal of this dissertation is to explore models, methods and methodologies for machine learning of the compact and effective storage of empirical data in the areas of language engineering and computer typesetting, with a focus on the massive exception handling. Research has focused on the pattern-driven approach. The whole methodology of so called \stress{competing patterns} capable of handling exceptions to be found so widely in natural language data and computer typesetting, is further developed. Competing patterns can store \stress{context dependent} information and can be learnt from data, or written by experts, or combined together. In the first part of the thesis, the theory of competing patterns is built; competing patterns are defined, cornerstones of methodology based on stratified sampling, bootstrapping and problem modeling by competing patterns are described. Segmentation problems (hyphenation) and problems of disambiguation of tagged data in corpus linguistics are used as examples when developing formal model of the competing patterns method. The second part consist of a series of seven published papers that describe problems addressed by the proposed methods: applications of competing patterns and related learning methods in areas of hyphenation, hyphenation of compound words and, for example, the segmentation of Thai texts.
In Czech
Cílem této dizertační práce je vývoj modelů, metod a metodologie pro strojové učení kompaktního a efektivního uložení dat v~oblastech jazykového inženýrství a počítačové sazby, se zaměřením na masivní zpracování výjimek. Výzkum se soustředil na přístup řízený vzory. Byla vyvinuta celá metodologie takzvaných přebíjejících vzorů, pomocí níž je možné zpracovat (detekovat, efektivně uložit a v~nich vyhledávat) výjimky. Přebíjející vzory umožňují ukládat kontextově závislou informaci, která může být naučena z~dat, nebo napsána expertem, nebo vzájemně kombinována. První část práce buduje teorii přebíjejících vzorů; jsou definovány základní techniky metodologie jako stratifikace, bootstraping, filtrování dat. Užití technologie je ukázáno na příkladech segmentačních problémů (dělení slov) a problému parciální morfologické desambiguace značkovaných dat v~oblasti korpusové lingvistiky. Druhá část práce obsahuje soubor sedmi publikovaných článků, které se zabývají nasazením navržené metodologie a diskutují její možnosti a aplikace v~oblastech dělení slov, dělení složených slov, generování přebíjejících vzorů pro češtinu a slovenštinu a například i segmentaci thajského textu.
Links
| 1ET200190513, research and development project |
|