1 / 6

Tvorba paraleln é ho korpusu pre štatistický preklad CZ-SK

Juraj Volentier. Tvorba paraleln é ho korpusu pre štatistický preklad CZ-SK. Paralerný korpus. Texty v dvoch stĺpcoch pričom každý je v inom jazyku Na rovnakom riadku sú rovnako významné slová alebo vety Používa sa na štatistický preklad. Existujúce projekty.

gefen
Download Presentation

Tvorba paraleln é ho korpusu pre štatistický preklad CZ-SK

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. Juraj Volentier Tvorbaparalelnéhokorpusu pre štatistickýpreklad CZ-SK

  2. Paralerný korpus • Texty v dvoch stĺpcoch pričom každý je v inom jazyku • Na rovnakom riadku sú rovnako významné slová alebo vety • Používa sa na štatistický preklad

  3. Existujúce projekty • Dominantný jazyk je Angličtina -> väčšina je s ním v páre • Slovenský národný korpus • 740 tisíc párov z beletrie • Korpus Európskeho parlamentu • Viaceré európske jazyky • Používa sa na preklady článkov z európskeho paralamentu • Väzba vždy s angličtinou

  4. Moje riešenie • Dáta použité z exportu českej a slovenskej Wikipédie • Parsovanie názvov článkov - prepojenie pomocou jazykovej linky • Parsovanie liniek priamo v článku – prepojenie cez počet odkazov

  5. Výstup • galaxia - galaxie • Súhvezdie Panna|Panna - Souhvězdí Panny|Pann • inflácia – inflace • Byzantinci|Byzantincov - Byzantinci|Byzantinců • Tálibán - Afghánská vlajka|vlajky • hypotermia - lavina|lavinou • EEG - řeč • Súhvezdie Vlasy Bereniky|Vlasy Bereniky - Vlasy Bereniky (souhvězdí)|Vlasy Bereniky • spojenci|spojencov - Spojenci (druhá světová válka)|spojenců

  6. Vyhodnotenie • Úspešnosť párovania názvov článkov je približne 99%. • Úspešnosť párovania liniek v článku je približne 69% • Celkový počet riadkov v korpuse je 109933

More Related