1 / 8

Lemmatiserare för okända ord

Lemmatiserare för okända ord. Boel Mattsson. Projektbeskrivning. Att göra ett program som gissar grundformen (lemmat) för okända ord Begränsning till substantiv, verb och adjektiv

francis-frazier
Download Presentation

Lemmatiserare för okända ord

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript

  1. Lemmatiserare för okända ord Boel Mattsson

  2. Projektbeskrivning • Att göra ett program som gissar grundformen (lemmat) för okända ord • Begränsning till substantiv, verb och adjektiv • Uppgiften formuleras som ett klassificeringsproblem t ex ordet "krämbluffen" tillhör den klass av ord där man ska ta bort "en" för att få grundformen

  3. ”krämbluffen” SUC-korpus Statistisk klassificerare LIBSVM ”krämbluff” Översikt av projekt

  4. Beskrivning av klassificerare • En klassificerare är en funktion som givet ett antal inparametrar ger en klass t ex ”en->0” i fallet ”krämbluffen” • LIBSVM – ett färdigskrivet program • LIBSVM skapar en statistisk klassificerare utifrån ett antal exempel (träningsmängd) • En statistisk algoritm försöker hitta en funktion som passar så bra som möjligt med träningsmängden.

  5. utdrag ur SUC-korpus

  6. Inparametrar till LIBSVM • Ordets korrekt klassificerade klass • Ordets suffix upp till fem bokstäver • Ordets ordklass Exempel: För ordet smygrustningen blir inparametrarna en->0|n|en|gen|ngen|ingen|nn.utr.sin.def.nom

  7. Träningsmängd, testmängd • Som träningsmängd och testmängd har använts ett urval ur SUC bestående av substantiv, adjektiv och verb. • Testmängden bestod av 50 000 ord • Olika storlekar på träningsmängden har använts: • 1000 ord • 2000 ord • 5000 ord • 10 000 ord

  8. Andel korrekta klassifikationer som funktion av antalet ord i träningsmängden

More Related