Multiword Expressions in Czech (a case study)

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F00216224%3A14330%2F10%3A00045835" target="_blank" >RIV/00216224:14330/10:00045835 - isvavai.cz</a>

Výsledek na webu

—

DOI - Digital Object Identifier

—

Jazyk výsledku

angličtina

Název v původním jazyce

Multiword Expressions in Czech (a case study)

Popis výsledku v původním jazyce

This paper presents a multiword expression (MWE) database recently built for Czech that at the moment contains approx. 160,000 items (lexical units). It was compiled from various resources such as encyclopedias and dictionaries, public databases of proper names and toponyms, collocations obtained from Czech WordNet, lists of botanical and zoological terms and others. We compare the built MWEs database with the corpus data from Czech National Corpus (approx. 100 mil. tokens) and internet-based CZES corpus (approx. 1 bil. tokens) and present results of this comparison in the paper. To obtain a more reliable and complete list of MWEs we have proposed and used a technique exploiting the Word Sketch Engine, which allows us to work with statistical parameters such as frequency of MWEs and their components as well as the salience for the whole MWEs. The list of bigrams and n-grams obtained via Word Sketch Engine was further analyzed and compared with the MWE database mentioned above.

Název v anglickém jazyce

Multiword Expressions in Czech (a case study)

Popis výsledku anglicky

This paper presents a multiword expression (MWE) database recently built for Czech that at the moment contains approx. 160,000 items (lexical units). It was compiled from various resources such as encyclopedias and dictionaries, public databases of proper names and toponyms, collocations obtained from Czech WordNet, lists of botanical and zoological terms and others. We compare the built MWEs database with the corpus data from Czech National Corpus (approx. 100 mil. tokens) and internet-based CZES corpus (approx. 1 bil. tokens) and present results of this comparison in the paper. To obtain a more reliable and complete list of MWEs we have proposed and used a technique exploiting the Word Sketch Engine, which allows us to work with statistical parameters such as frequency of MWEs and their components as well as the salience for the whole MWEs. The list of bigrams and n-grams obtained via Word Sketch Engine was further analyzed and compared with the MWE database mentioned above.

Druh

D - Stať ve sborníku

CEP obor

IN - Informatika

OECD FORD obor

—

Projekt

Výsledek vznikl pri realizaci vícero projektů. Více informací v záložce Projekty.

Návaznosti

P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)

Rok uplatnění

2010

Kód důvěrnosti údajů

S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Název statě ve sborníku

Karlík a továrna na lingvistiku. Prof. Petru Karlíkovi k šedesátým narozeninám

ISBN

978-80-7294-412-5

ISSN

—

e-ISSN

—

Počet stran výsledku

14

Strana od-do

—

Název nakladatele

Host

Místo vydání

Brno

Místo konání akce

Brno

Datum konání akce

1. 1. 2010

Typ akce podle státní příslušnosti

CST - Celostátní akce

Kód UT WoS článku

—