Bakalářská práce

Korpus z projektů Wikimedia

Corpus from Wikimedia projects

Lukáš Geľo
Anotace

Práca sa zaoberá tvorbou korpusu z rôznych projektov Wikimedia okrem Wikipédie. Zameriava sa hlavne na tvorbu korpusu z anglickej a českej verzie projektov. Popisuje rozdiely medzi projektami a odlišné prístupy použité pri spracovaní dát. Získané dáta sú očistené od nadbytočného kódu a uložené v prevertikálnej forme. Následne sú tokenizáciou a priradením základných tvarov a gramatických kategórií vo …více

Abstract

The theme of thesis is creation of corpus from different Wikimedia projects except for Wikipedia. It focuses mainly on creation of corpus from English and Czech version of projects. It describes the differences between projects and different approaches used while processing data. Obtained data are cleaned of redundant code and are stored in prevertical form. Then they are tokenized and have part-of …více

Klíčová slova
korpus Wiktionary Wikiquote Wikibooks Wikisource Wikinews Wikiversity Wikivoyage jusText Sketch Engine
Zadání práce
Cílem práce je analyzovat a zpracovat textová data (společně s co nejvíce metadaty) z různých projektů Wikimedia Foundation, zejména Wiktionary, Wikiquote, Wikibooks, Wikisource, Wikinews, Wikiversity a Wikivoyage, nikoli však Wikipedia. Výstupem budou data v podobě vhodné pro tvorbu textových korpusů pro korpusový manažer Sketch Engine, který je vyvíjen ve spolupráci s firmou Lexical Computing. Po stáhnutí a zpracování článků budou využity existující nástroje pro čištění, odstraňování boilerplate, tokenizaci a morfologické značkování vyvinuté v Laboratoři zpracování přirozeného jazyka na Fakultě informatiky.
Administrativní informace
Práce zkontrolována:
31. 5. 2017 06:58, Mgr. et Mgr. Vít Baisa, Ph.D., učo 139654
Plný text práce
227 KB / soubor PDF
Jazyk práce
slovenština slovenština
Termín obhajoby
27. 6. 2017
Práce nebyla obhájena
Student v rámci svého studia bakalářskou práci obhájil 29. 6. 2018.

Vedoucí

Mgr. et Mgr. Vít Baisa, Ph.D., učo 139654
CZPJ FI MU

Oponent

RNDr. Vít Suchomel, Ph.D., učo 139723
CZPJ FI MU

Konzultant

Mgr. Marek Blahuš, učo 172464
Sekr CJV MU
Citovat tuto práci
Masarykova univerzita Fakulta informatiky
Studijní program
Aplikovaná informatika
Obor

Práce na příbuzné téma

Seznam prací, které mají shodná klíčová slova.

Podobné práce

  • Přidání souboru

    Soubor nebo složku lze nahrát pomocí tlačítka Přidat.

  • Další operace se soubory

    Podrobnosti lze zjistit označením příslušného řádku.

  • Pohled pro experty

    Pro častou práci je možné zvolit režim Více možností.

  • Vyhledávání souborů

    Vyhledávaný výraz můžete zadat přímo do adresního řádku.

  • Rychlý přístup k souborům

    Pomocí funkce Nedávné je možné se rychle vrátit k právě prohlíženým souborům. Oblíbené soubory je také možné označit Hvězdičkou.