Master's thesis

Automatic retrieval of varbal idioms from corpora

Automatická extrakce slovesných idiomů z korpusu

Bc. Jan Bušta, UČO 172959
Abstract

Práce se zabývá porovnáním algoritmů pro automatickou extrakci idiomatických frází z korpusu, zkoumá různé přístupy pro řešení problému a do českého jazykového prostředí implementuje algoritmus A. Fazlyho a S. Stevensonové, který se zakládá na lexikální a syntaktické pevnosti vazeb v idiomech, které jsou tvořeny tranzitivním slovesem a jeho přímým předmětem.

Abstract

This thesis describes comparison of algorithms for automatic extraction of idiomatic phrases from corpora, compare different approaches and implementing the algorithm of A. Fazly and S. Stevenson into Czech language environment. This algorithm is based on lexical and syntactical fixedness of binding in idioms, which are composed from transitive verb its direct object.

Keywords
idiom automatická extrakce korpus český jazyk type-based zpracování přirozeného jazyka automatic extraction corpus Czech language natural language processing
Thesis description

Student nastuduje současné algoritmy používané pro automatické vyhledávání slovesných idiomatických frází v textových korpusech, provede jejich porovnání a následně implementuje vhodný z nich. Kromě implementace bude součástí práce i databáze extrahovaných idiomatických spojení z vybraných českých korpusů (např. SYN2000, czes), vyhodnocení správnosti pro část takto získaných dat a jejich porovnání se SČFI.

Práce je součástí projektů spojených s činností Laboratoře zpracování přirozeného jazyka a jako taková bude vyžadovat pravidelné zveřejňování dosažených výsledků ve formě souhrnné zprávy vždy na konci každého kalendářního měsíce po celou dobu řešení. Tyto zprávy budou vystaveny na webových stránkách Laboratoře. Řešiteli bude zřízen účet na hlavním serveru, případně i na pracovních stanicích Laboratoře.

Práce je vypisována v rámci projektu OP VK s názvem Platforma výzkumné a vzdělávací spolupráce FI MU v oblasti zpracování dat, reg. číslo CZ.1.07/2.4.00/12.0049, a aktivit SPP.
Administrative information
The thesis has been checked:
10/1/2012 13:28, RNDr. Miloš Jakubíček, Ph.D., UČO 172962
Full text of thesis
682,1 KB / file PDF
Language used
Czech Czech
Defence date
7/2/2012
The thesis was defended successfully

Supervisor

RNDr. Miloš Jakubíček, Ph.D., UČO 172962
CZPJ KSUZD FI MU

Reader

doc. Mgr. Pavel Rychlý, Ph.D., UČO 3692
KSUZD FI MU

Literature

  • ČERMÁK, František. Slovník české frazeologie a idiomatiky. 2. přeprac. a dopl. vyd., 1. Praha: Leda, 2009, 507 s. ISBN 9788073352158.
  • FAZLY, A and S STEVENSON. Automatically constructing a lexicon of verb phrase idiomatic combinations. In Proceedings of the 11th Conference of the European Chapter of the Association for Computational Linguistics (EACL-2006). 2006, 344 pp.
  • BANNARD, Colin. A measure of syntactic flexibility for automatically identifying multiword expressions in corpora. In Proceedings of the Workshop on a Broader Perspective on Multiword Expressions. Association for Computational Linguistics, 2007, 8 pp.
Cite this text
Masaryk University Faculty of Informatics
Programme
Informatics
Field of Study

Theses on a related topic

List of theses with an identical keyword.

Similar documents
 
Name
Posted by
Uploaded/Created
Rights
Archive of Thesis/Dissertation Jan Bušta FI N-IN UMI, učo 172959 bjf08/7
Bušta, J.
8/1/2012
Folders
Files
Abstract (in English) annotation_english.txt
Bušta, J.
9/1/2012
Abstract (in Czech) annotation.txt
Bušta, J.
9/1/2012
Keywords keywords.txt
Bušta, J.
9/1/2012
Full text of thesis dp.pdf
Bušta, J.
9/1/2012
Reader's report dp-busta.pdf
Rychlý, P.
2/2/2012
Appendix dp_priloha.tar.gz
Bušta, J.
9/1/2012

  • 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.