Automatic morphological disambiguation of corpora of the SYN series:
The result's identifiers
Result code in IS VaVaI
<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F00216208%3A11210%2F25%3A10508084" target="_blank" >RIV/00216208:11210/25:10508084 - isvavai.cz</a>
Result on the web
<a href="https://verso.is.cuni.cz/pub/verso.fpl?fname=obd_publikace_handle&handle=lZHmOlxWOC" target="_blank" >https://verso.is.cuni.cz/pub/verso.fpl?fname=obd_publikace_handle&handle=lZHmOlxWOC</a>
DOI - Digital Object Identifier
<a href="http://dx.doi.org/10.58756/n11082501" target="_blank" >10.58756/n11082501</a>
Alternative languages
Result language
čeština
Original language name
Automatická morfologická disambiguace korpusů řady SYN: spolupráce lingvistické introspekce a strojového učení
Original language description
Tento článek se zabývá metodou automatického morfologického značkování korpusů současné češtiny řady SYN a dalších korpusů v rámci Českého národního korpusu. Počínaje korpusem SYN2020 jsou korpusy anotovány na základě nového standardu. Článek začíná stručným popisem nově zavedených funkcí týkajících se tokenizace a lematizace (zavedení sublemmat) a značkování víceslovných tokenů (tj. složených tvarů jako abys, cos); představen je také nový atribut verbtag. Následně jsou popsány jednotlivé kroky celého procesu anotace.Ústřední část článku nabízí podrobný popis postupu automatické morfologické disambiguace, konkrétně kombinace dvou metodologicky odlišných přístupů: systému LanGr, založeného na lingvisticky motivovaných pravidlech odvozených introspekcí, a nástroje MorphoDiTa založeného na strojovém učení - tuto kombinaci nazýváme hybridním přístupem. Zvláštní důraz je kladen na detailní charakteristiku systému LanGr, především na sestavení specifických seznamů bigramů a trigramů lemmat a tvarů označovaných jako globální identifikátory a na využití těchto identifikátorů v pravidlech pro disambiguaci. Představena je také úspěšnost hybridního systému ve srovnání s úspěšností samostatného systému MorphoDiTa a stručně jsou nastíněny plány pro další rozvoj našeho hybridního přístupu k morfologickému značkování.
Czech name
Automatická morfologická disambiguace korpusů řady SYN: spolupráce lingvistické introspekce a strojového učení
Czech description
Tento článek se zabývá metodou automatického morfologického značkování korpusů současné češtiny řady SYN a dalších korpusů v rámci Českého národního korpusu. Počínaje korpusem SYN2020 jsou korpusy anotovány na základě nového standardu. Článek začíná stručným popisem nově zavedených funkcí týkajících se tokenizace a lematizace (zavedení sublemmat) a značkování víceslovných tokenů (tj. složených tvarů jako abys, cos); představen je také nový atribut verbtag. Následně jsou popsány jednotlivé kroky celého procesu anotace.Ústřední část článku nabízí podrobný popis postupu automatické morfologické disambiguace, konkrétně kombinace dvou metodologicky odlišných přístupů: systému LanGr, založeného na lingvisticky motivovaných pravidlech odvozených introspekcí, a nástroje MorphoDiTa založeného na strojovém učení - tuto kombinaci nazýváme hybridním přístupem. Zvláštní důraz je kladen na detailní charakteristiku systému LanGr, především na sestavení specifických seznamů bigramů a trigramů lemmat a tvarů označovaných jako globální identifikátory a na využití těchto identifikátorů v pravidlech pro disambiguaci. Představena je také úspěšnost hybridního systému ve srovnání s úspěšností samostatného systému MorphoDiTa a stručně jsou nastíněny plány pro další rozvoj našeho hybridního přístupu k morfologickému značkování.
Classification
Type
J<sub>ost</sub> - Miscellaneous article in a specialist periodical
CEP classification
—
OECD FORD branch
60203 - Linguistics
Result continuities
Project
<a href="/en/project/LM2023044" target="_blank" >LM2023044: Czech National Corpus</a><br>
Continuities
P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)<br>I - Institucionalni podpora na dlouhodoby koncepcni rozvoj vyzkumne organizace
Others
Publication year
2025
Confidentiality
S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů
Data specific for result type
Name of the periodical
Naše řeč
ISSN
0027-8203
e-ISSN
2571-0893
Volume of the periodical
108
Issue of the periodical within the volume
1
Country of publishing house
CZ - CZECH REPUBLIC
Number of pages
38
Pages from-to
3-40
UT code for WoS article
—
EID of the result in the Scopus database
—