Cílem práce je provést porovnání volně dostupných implementací kompresních algoritmů na textových korpusech (ve formátu vertikálního textu) používaných v rámci Centra zpracování přirozeného jazyka.

Student ověří funkčnost různých implementací kompresních algoritmů dostupných například v rámci souvisejících soutěžních kampaní [1] a provede jejich porovnání s běžnými kompresními programy dostupnými na systému Linux (gzip, bzip2, xz, 7z, zip) a s algoritmem založeným na kompresi textu pomocí textového slovníku zkomprimovaného dalším kompresním algoritmem.

Práce bude obsahovat přehled soudobých kompresních metod, jejich implementací a výše popisované srovnání zahrnující kompresní poměr a čas a paměť potřebnou pro kompresi a dekompresi.

Práce je součástí projektů spojených s činností Centra 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 Centra. Řešiteli bude zřízen účet na hlavním serveru, případně i na pracovních stanicích Centra.

Práce je vypisována v rámci projektu OP VK s názvem Platforma výzkumné a vzdělávací spolupráce FI MU v oblasti zpracování dat, reg.č.CZ.1.07/2.4.00/12.0049, a aktivit SPP.

[1] Např.: http://prize.hutter1.net, http://mattmahoney.net/dc, http://compressionratings.com/