Datasets:

ufal

/

bilingual-abstracts-corpus

like 4

cs

2011

Dialogy.Org 1.0

Dialogy.Org 1.0

Dialogy.Org system is a software tool designed primarily to support the creation and sharing of annotated audio-visual data by linguistic community. The software tool allows editing and searching in the transcripts of audio-visual recordings of dialogues. The dynamic web application provides access for registered users to the digitised archive. Playing and exploring of selected parts is possible in the web browser.

Systém Dialogy.Org je softwarový nástroj určený především k podpoře vytváření a sdílení anotovaných audio-video dat lingvistickou komunitou. Dialogy.Org umožňuje formou webového rozhraní editaci a vyhledávání v přepisech audio-visuálních nahrávek dialogů. Vyhledané úseky textu je možné přehrávat a analyzovat pomocí webového prohlížeče.

https://www.semanticscholar.org/paper/41b360c5b4ae9c5bfcf3891c45319a9e0b3e6d81/

en

2011

Hierarchical Phrase-Based MT at the Charles University for the WMT 2011 Shared Task

Hierarchický frázový strojový překlad na Univerzitě Karlově pro soutěž na WMT 2011

We describe our experiments with hierarchical phrase-based machine translation for the WMT 2011 Shared Task. We trained a system for all 8 translation directions between English on one side and Czech, German, Spanish or French on the other side, though we focused slightly more on the English-to-Czech direction. We provide a detailed description of our configuration and data so the results are replicable.

Popisujeme naše pokusy s hierarchickým frázovým strojovým překladem v rámci soutěže WMT 2011. Natrénovali jsme systém pro všech 8 překladových směrů mezi angličtinou na jedné straně a češtinou, němčinou, španělštinou nebo francouzštinou na druhé. Poněkud více jsme se soustředili na směr z angličtiny do češtiny. Poskytujeme podrobný popis naší konfigurace a dat, aby bylo možné pokusy zopakovat.

https://www.semanticscholar.org/paper/f830be0849011e63ed301de0d434c598110ead1b/

en

2011

Addicter 2.0

Addicter 2.0

Addicter stands for Automatic Detection and DIsplay of Common Translation ERrors. It is a set of tools (mostly scripts written in Perl) that help with error analysis for machine translation. The second version contains a greatly improved viewer and many new modules for automatic detection and classification of errors.

Addicter je zkratka za Automatic Detection and DIsplay of Common Translation ERrors. Je to soubor nástrojů (především skriptů napsaných v Perlu), které pomáhají s analýzou chyb strojového překladu. Ve druhé verzi byl podstatně rozšířen prohlížeč a přibyla řada modulů pro automatickou detekci a klasifikaci chyb.

https://www.semanticscholar.org/paper/b196e3f55f7043224943d0322367dc6e6ca301ec/

en

2011

Addicter: What Is Wrong with My Translations?

Addicter: Co je za problém s mými překlady?

We introduce Addicter, a tool for Automatic Detection and DIsplay of Common Translation ERrors. The tool allows to automatically identify and label translation errors and browse the test and training corpus and word alignments; usage of additional linguistic tools is also supported. The error classification is inspired by that of Vilar et al. (2006), although some of their higherlevel categories are beyond the reach of the current version of our system. In addition to the tool itself we present a comparison of the proposed method to manually classified translation errors and a thorough evaluation of the generated alignments.

Představujeme Addicter, nástroj pro automatickou detekci a zobrazování chyb strojového překladu. Tento nástroj automaticky identifikuje a klasifikuje chyby a umožňuje prohlížet testovací a trénovací korpus a slovní párování; umožňuje také propojení s dalšími lingvistickými nástroji. Klasifikace chyb je inspirována Vilarem et al. (2006), některé jejich kategorie jsou ovšem pro současnou verzi našeho systému nedosažitelné.

https://www.semanticscholar.org/paper/b196e3f55f7043224943d0322367dc6e6ca301ec/

en

2011

From the Jungle to a Park: Harmonizing Dependency Treebanks of 30 Languages

Z džungle do lesoparku: harmonizace závislostních korpusů 30 jazyků

We will present our recent parsing experiments with dependency treebanks in multiple languages. We identified more than 30 languages for which treebanks (mostly dependency-based) are available under acceptable licensing terms. However, the treebanks adhere to many different annotation styles. To make our results comparable, we need to make the annotation styles as similar as possible. An interesting question is, how should the common annotation style look like, and what criteria should we use to evaluate suitability of the various approaches. In the first part of the talk we will present the data we have. We will demonstrate the diversity of annotation styles by giving an overview of various syntactic phenomena, their representation in treebanks and our effort to transform the representation to one common scheme. In the second part we will focus specifically on coordinating structures – one of the most difficult phenomena both for treebank designers and parsers. We will classify the possible annotation styles along several dimensions and we will evaluate both their theoretical expressive power and practical impact on parsing accuracy, using two state-of-the-art dependency parsers: Malt and MST.

Popíšeme naše nedávné experimenty se závislostní syntaktickou analýzou v mnoha jazycích. Víme o více než 30 jazycích, pro které jsou k dispozici treebanky (většinou závislostní) za přijatelných licenčních podmínek. Tyto treebanky však mají mnoho různých anotačních stylů. Aby byly výsledky pokusů porovnatelné, je třeba jednotlivé anotační styly navzájem co nejvíce přiblížit. Zajímavou otázkou je, jak by měl společný anotační styl vypadat a jaká kritéria použít k vyhodnocení vhodnosti jednotlivých přístupů. V první části přednášky představíme data, která máme. Rozličnost anotačních stylů předvedeme na různých syntaktických jevech, jejich reprezentaci v korpusech a naše transformace do společného anotačního schématu. Ve druhé části se soustředíme konkrétně na koordinační struktury – jeden z nejobtížnějších jevů jak z pohledu autorů treebanků, tak parserů. Představíme klasifikaci možných reprezentací, vyhodnotíme jejich teoretickou vyjadřovací sílu i praktický dopad na úspěšnost syntaktické analýzy za použití dvou předních závislostních parserů: Maltu a MST.

cs

2011

Syntactical transformation of the Czech Academic Corpus

Syntaktická proměna Českého akademického korpusu

The idea of the Czech Academic Corus (CAC) came to life in 1971 thanks to the Department of Mathematical Linguistics within the Institute of Czech Language. By the mid 1980s, a total of 540,000 words were morphologically and syntactically manually annotated. After the Prague Dependency Treebank (PDT) – the largest treebank of Czech written texts – has been built, a conversion from the CAC to the PDT format has started. The main goal was to make the CAC and the PDT compatible thus to enable integration of the CAC into the PDT. The second version of the CAC presents such a complete conversion of the internal format and the annotation schemes. Conversion of syntactic annotation has started three years after the syntactic annotation of PDT has been finished. Such a situation is exceptional since, at least to our knowledge, there is no other language for the annotation of indispensable amount of data is being done in two subsequent annotation projects. This article summarizes the experience acquired during the CAC syntactic annotation conversion.

Předkládaným příspěvkem bezprostředně navazujeme na stať Proměna Českého akademického korpusu, která byla publikována ve Slově a slovesnosti v roce 2006 (Hladká – Králík, 2006). Nyní popisujeme zkušenosti ze syntaktické proměny Českého akademického korpusu, při které byly původní syntaktické anotace ponechány stranou a texty byly nově anotovány dle koncepce Pražského závislostního korpusu. Proměna, neboli anotace, byla zahájena tři roky poté, co byla dokončena syntaktická anotace již zmíněného Pražského závislostního korpusu – největšího anotovaného korpusu psané češtiny. Tento tříletý časový odstup je do jisté míry kuriózní; neznáme jiný jazyk, pro který by po anotování velkého objemu dat (více než jeden milion slov) proběhla anotace dalších dat, sice objemu menšího, ale rovněž nezanedbatelného (statisíce slov). Syntaktickou anotací Českého akademického korpusu jsme vstoupili podruhé do stejné řeky. Doufáme, že zkušenost, kterou si odnášíme, bude přínosná pro všechny jazykovědce.

https://www.semanticscholar.org/paper/a4c7d92c5707f11d1d2fda82f41503f84a808133/

en

2011

An attractive game with the document: (im)possible?

Atraktivní hra s dokumentem: (ne)možná?

We review a notion of crowdsourcing, namely we turn our attention to crowdsourcing projects that manipulate the textual data. We carry out the implementation of the on-line games with texts. We introduce a game on coreference, PlayCoref, and games with words and white spaces in the sentence, Shannon Game and Place the Space, in great details. The game rules are designed to be language independent and the games are playable with both Czech and English texts by default. After a number of sessions played so far we revise our initial expectations and enthusiasm to design an attractive annotation game with the document.

Zabýváme se pojmem crowdsorcingu v souvislosti se zpracováním textových dat. Implementovali jsme on-line hry s texty a detailně je popisujeme; jde o hru s koreferencí (PlayCoref) a o hry se slovy a s mezerami mezi slovy (Shannon Game a Place the Space). Pravidla her jsou jazykově nezávislá a hry jsou v současné době hratelné s českými a anglickými daty. Po dosud odehraných partiích poopravujeme poněkud svůj pohled na možnost atraktivity her s texty.

https://www.semanticscholar.org/paper/87e63b25643c36cfd177f59bd3b31a3a774a8ca6/

cs

2011

Semantic Representation of Ellipsis

Významová reprezentace elipsy

The paper answers the question what is and what is not ellipsis and specify criteria for identification of elliptical sentences. It reports on an analysis of types of ellipsis from the point of view of semantic (semantico-syntactic) representation of sentences. It does not deal with conditions and causes of constitution of elliptical positions in sentences (when and why it is possible to omit something in a sentence) but it focuses exclusively on identification of elliptical positions (if there is something omitted and what) and on their semantic representation, specifically on their representation on the tectogrammatical level of the Prague Dependency Treebanks.

Práce přináší odpověď na otázku, co je a co není elipsa, a stanovuje kritéria určování eliptických vět. Analýzu jednotlivých typů elips podává z pohledu významové (sémanticko-syntaktické) reprezentace vět. Nezabývá se podmínkami a příčinami vzniku elips (kdy a proč je možné něco elidovat), zaměřuje se výhradně na identifikaci eliptických míst (zda je ve větě něco elidováno a co) a na jejich významovou reprezentaci, konkrétně na jejich zachycení na tektogramatické rovině pražských závislostních korpusů. Strukturní přístup závislostní (uplatňovaný v pražských závislostních korpusech) je v práci srovnán s přístupem složkovým (užitým v americkém korpusu PennTreebank). Tohoto srovnání je možné využít při (automatickém) převodu složkových stromů na závislostní.

https://www.semanticscholar.org/paper/4118b1a79a7cbdba70bafa1c0b92dd2dc4c0c91a/

cs

2011

Spoken Czech corpora and their potential use in observing the differing worlds of spoken and written language

Korpusy mluvené češtiny a možnosti jejich využití pro poznání rozdílných "světů" mluvenosti a psanosti

The reconstruction of standardized text from the Prague Dependency Treebank of Spoken Czech removes specific aspects of spoken language (non-standard elements from Common Czech and dialects, superfluous demonstrative pronouns and connectors, filler words, subjective word order, repetitions and repairs, restarts etc.). For example, the spoken utterance "takže jako tam byla dobrá parta a dlouho tedy no" ("so like there was a good crowd and for a long time yeah") becomes the standardized sentence "Byla tam dlouho dobrá parta" ("For a long time, there was a good crowd there."). This enables a vivid and interesting comparison of authentic spoken expressions and standardized texts. The question of how to categorize the standardized texts thus arises; they are still spoken texts - but they are correct, standard? Or does standardization transform spoken utterances into written texts? If we leave aside phonetic and morphological phenomena and concentrate on the syntactic transformations which occur during standardization, the following questions arise: What does the syntactic identity of the Czech spoken and written texts consist of? What syntactic wholes/units/constructions are natural in the spoken text and also in written text? What is the difference in the density of cohesive conjuctions, in the explicit and implicit relationship between units, etc.? Does the removal of specific aspects of spoken syntax lead to syntactically natural wtritten texts? What is the difference between the written world and the spoken world, what aesthetic values are assigned to them? Does standardization create nice Czech sentence, nicer than those that are spoken? Is even possible to translate a spoken utterance into a written text?

Rekonstrukce standardizovaného textu z mluvené řeči v Pražském závislostním korpusu mluvené češtiny odstraňuje z přepisu mluvených projevů specifické rysy mluvenosti (prvky nespisovné z obecné češtiny i nářečí, nadbytečná „ukazovací“ zájmena a navazovací konektory, „vycpávky“, subjektivní slovosled, opakování a opravy, restarty aj.). Např. z mluveného „takže jako tam byla dobrá parta a dlouho tedy no“ vzniká standardizované „Byla tam dlouho dobrá parta.“ To umožňuje názorné a zajímavé porovnávání autentických mluvených projevů a textů standardizovaných, u nichž je otázka, jak je kategorizovat: jsou to stále ještě texty mluvené – ale korektní, spisovné? Nebo standardizace transformuje mluvený projev do podoby textu psaného? Necháme-li stranou jevy hláskoslovné a tvaroslovné a soustředíme-li se na proměny syntaxe při standardizaci, nabízí se otázka, v čem vlastně je syntaktická identita českého mluveného a psaného textu, jaké syntaktické celky/ jednotky/ konstrukce jsou „přirozené“ v mluveném a naproti tomu v psaném textu, jaký je rozdíl v hustotě kohezních spojů, v explicitní a implicitní návaznosti mezi jednotkami atd. Vede odstraňování specifických rysů mluvené syntaxe ke vzniku syntakticky „přirozeného“ psaného textu? Jaký je rozdíl mezi „světem psanosti“ a „světem mluvenosti“, jaké estetické hodnoty jsou s nimi spojeny? Vznikají standardizací skutečně „hezké“ české věty, „hezčí“ než ty mluvené? Lze vůbec mluvený projev „přeložit“ do psaného?

cs

2011

Computational Linguistics: From the Sentence to Its Meaning and Back

Počítačová lingvistika: Od věty k významu a zase zpátky

Natural Language Processing is a modern field which is used in many applied tasks. The lecture focuses on language meaning and its representation. Data collections (lexicons and corpora) and automatic tools (esp. machine translation systems) will be introduced.

Zpracování přirozeného jazyka je poměrně nový, rychle se rozvíjející obor, který nachází široké uplatnění v mnoha aplikacích. Tato přednáška bude věnována počítačovému zpracování (zejména) češtiny. Přiblížíme si problematiku zachycení významu a představíme kolekce jazykových dat – slovníky a korpusy –, které se vytvářejí na MFF UK. Krátce se též seznámíme s některými projekty, které tato data využívají, zejména s projektem strojového překladu mezi češtinou a angličtinou.

en

2011

Semantic Similarity and Syntactic Variability: Valency Lexicon of Czech Verbs

Sémantická podobnost a syntaktická různorodost: Valenční slovník českých sloves

Information on syntactic and semantic properties of verbs, which are traditionally considered to be the center of a sentence, plays a key role in many rule-based NLP tasks such as automated semantic role labeling, semantic parsing, machine translation, etc. The talk will focus on a lexicographic description of syntactic-semantic features of verbs. I will present the valency lexicon of Czech verbs VALLEX (Lopatková et al., 2007), which is closely related to the Prague Dependency Treebank project (Hajič et al., 2006). VALLEX provides information on the combinatorial potential of verbs in their individual senses: for each verb sense, the lexicon lists a number of its syntactic-semantic complementations labeled with their semantic roles and their possible morphological forms. Prototypically, a single syntactic structure corresponds to a single meaning of verb. However, in many cases semantically related uses of verbs can be syntactically structured in different ways. Such changes in syntactic structure are usually referred to as `alternations’, see esp. (Levin, 1993). In the second part of my talk, I will address two basic types of alternations for Czech verbs and I will present a method of their representation in a valency lexicon (Kettnerová, Lopatková, 2011).

Informace o syntaktických a sémantických vlastnostech sloves hraje zásadní roli v mnoha NLP aplikacích. V přednášce se soustředím na lexikografické zpracování sloves ve Valenčním slovníku češkých sloves. Prototypicky jedna syntaktická struktura odpovídá jednomu významu slovesa. Nicméně je řada příkladů, kdy jsou sémanticky blízká slovesa různě syntakticky strukturována - takové změny ve strukturaci se obvykle nazývají alternace. Druhá část přednášky se bude věnovat typologii českých alternací a možností jejich zachycení ve slovníku.

cs

2011

How computers understand natural languages

Přirozený jazyk a počítače

I will discuss language corpora, several levels of linguistic tagging, electronic dictionaries, parsing of sentences, briefly about main applications, for instance machine translation, question answering, speech analysis and synthesis. Examples will be taken mainly from the Czech language.

Budu mluvit o jazykových korpusech, různých úrovních lingvistického značkování, elektronických slovnících, parsování, krátce potom o hlavních aplikacích, např. strojový překlad, automatické odpovědi, analýza a syntéza řeči. Příspěvek bude ilustrován na příkladech, hlavně z českého jazyka.

https://www.semanticscholar.org/paper/baf1cdb1b570eb9f8c82c7423b09c15cb6b5869d/

cs

2011

Problem of Lemma Variants in the Natural Language Processing

Problém variantních tvarů slov při automatickém zpracování jazyka

In some languages, some words may be written in several ways. Sometimes the variants are equivalent, sometimes not. There can be standard, nonstandard, dialectical or otherwise marked variants. During automatic processing we need to recognize them all, but at the same time we need a means how to distinguish them, because during synthesis, it is important to select the right variant. One of the solutions is introduction of so called multiple lemma. We present its possible usa for concrete applications, especially in the field of corpus linguistics.

Zápis slov v~mnoha jazycích není jednoznačný, existují různé varianty. Někdy se jedná o~varianty rovnocenné, jindy jsou některé nářeční, nespisovné či jinak příznakové. Při automatickém zpracování jazyka však chceme umět rozpoznat všechny, a současně jim přiřadit stejný základní tvar, tzv. lemma. Na druhou stranu ale potřebujeme všechny varianty od sebe nějakým způsobem odlišit, abychom např. mohli při automatické syntéze zvolit tu správnou. Příspěvek se zabývá možným řešením tohoto problému, a to zavedením tzv. vícenásobného lemmatu. Uvedeme možnosti jeho využití při konkrétních aplikacích, zejména v~korpusové lingvistice.

en

2011

Prefix Recognition Experiments

Experimenty s rozpoznáváním předpon

The paper deals with automatic methods for prefix extraction and their comparison. We present experiments with Czech and English and compare the results with regard to the size and type (wordforms vs. lemmas) of input data.

Příspěvek popisuje a porovnává automatické metody pro rozpoznávání předpon. Ukazuje výsledky experimentů s češtinou a angličtinou a porovnává rozdíly v závislosti na velikosti korpusů a na výběru typu vstupních dat (slovní tvar nebo lemma).

https://www.semanticscholar.org/paper/3b32a8b2697e436114cd9c06e58aa9b92dafd999/

en

2011

Studying Properties of Czech Complex Sentences from an Annotated Corpus

O vlastnostech českých souvětá na základě anotovaného korpusu

The paper deals with the problem of an analysis of complex sentences in Czech on the basis of manually annotated data. The availability of a specialized corpus explicitly describing mutual relationships between segments and clauses in Czech complex sentences, together with the availability of a thoroughly syntactically annotated corpus, the Prague Dependency Treebank, provide a solid background for linguistic investigation. The paper presents quantitative, linguistic and structural observations which provide a number of clues for building an algorithm for analyzing a structure of complex sentences in the future.

Článek se zabývá problémem analýzy českých souvětí na základě manuálně anotovaných dat. Takováto data explicitně popisující vztahy mezi segmenty a klauzemi v souvětí poskytují základnu pro další lingvistický výzkum. Příspěvek prezentuje kvantitativní, lingvistická a strukturní pozorování, na jejichž základě je možné navrhnout algoritmus pro automatickou analýzu struktury souvětí.

https://www.semanticscholar.org/paper/77fd9dbc76168732b1b3a72f5ff73a9aa63acfde/

cs

2011

Prague Dependency Treebank 2.5

Prague Dependency Treebank 2.5

Dependency corpus annotated at morphological, syntactic, and deep syntactic levels. Previous version 2.0 has been enriched by annotation of multiword expressions, pair/group annotation, sentence clause segmentation. Morphological level has been improved.

Závislostní korpus anotovaný na rovině morfologické (2 miliony slov), syntaktické (1,5 milionu slov) a sémantické (0,8 milionu slov). Oproti verzi 2.0 přibyly opravy morfologie, anotace víceslovných výrazů, souborovosti a segmentace na větné klauze.

https://www.semanticscholar.org/paper/c2e9552a6d3f683469e547cfba0841ff465c0c50/

en

2011

Influence of Treebank Design on Representation of Multiword Expressions

Vliv návrhu treebanku na reprezentaci víceslovných výrazů

Multiword Expressions (MWEs) are important linguistic units that require special treatment in many NLP applications. It is thus desirable to be able to recognize them automatically. Semantically annotated corpora should mark MWEs in a clear way that facilitates development of automatic recognition tools. In the present paper we discuss various corpus design decisions from this perspective. We propose guidelines that should lead to MWE-friendly annotation and evaluate them on numerous sentence examples. Our experience of identifying MWEs in the Prague Dependency Treebank provides the base for the discussion and examples from other languages are added whenever appropriate.

Víceslovné výrazy (VSV) jsou důležitou lingvistickou jednotkou, která v mnoha aplikacích počítačového zpracování přirozených jazyků vyžaduje zvláštní zacházení. Je proto vhodné, abychom je dokázali rozpoznat automaticky. Sémanticky anotované korpusy by měly vyznačovat VSV jasně a zřetelně, čímž se usnadní vývoj nástrojů pro automatické rozpoznávání.

https://www.semanticscholar.org/paper/9c7e83524a16a9c8e18cab3bd734bfdd14ec7756/

cs

2011

Annotation of the pair/group meaning in the data of Prague Dependency Treebank

Anotace souborového významu substantiv v datech Pražského závislostního korpusu

The grammatical category of number is constituted by the singular vs. plural opposition in Czech. Nouns such as "hands", "shoes", "matches" etc. prototypically denote a pair (or group) of entities, not just many of them. This meaning considered as a grammaticalized pair/group meaning and is to be annotated in the data of Prague Dependency Treebank. The talk focuses on the annotation process and its results.

Morfologická kategorie čísla je v češtině konstituována protikladem singuláru (s významem jedné jednotliviny) a plurálu (s významem množství jednotlivin). Substantiva "ruce", "boty", "vlasy", "sirky" apod. ovšem svými plurálovými formami prototypicky odkazují nikoli k pouhému množství jednotlivin, ale k jejich páru nebo obvyklému souboru, popř. k několika párům nebo obvyklým souborům. Párový nebo šíře souborový význam proto navrhujeme chápat jako další význam plurálové formy českých substantiv. V přednášce popíšeme průběh a výsledky anotace zaměřené právě na identifikaci souborového významu u substantiv obsažených v datech Pražského závislostního korpusu. Uvedeme příklady kontextů, v nichž se paralelní anotace shodovala, i kontexty problematické a navrhneme postup, jak souborový význam včlenit do stávající tektogramatické anotace.

en

2011

Specificity of the number of nouns in Czech and its annotation in Prague Dependency Treebank

Specifičnost čísla v češtině a jeho anotace v Pražském závislostním korpusu

The paper focuses on the way how the grammatical category of number of nouns will be annotated in the forthcoming version of Prague Dependency Treebank (PDT 3.0), concentrating on the peculiarities beyond the regular opposition of singular and plural. A new semantic feature closely related to the category of number (so-called pair/group meaning) was introduced. Nouns such as ruce ‘hands’ or klíče ‘keys’ refer with their plural forms to a pair or to a typical group even more often than to a larger amount of single entities. Since pairs or groups can be referred to with most Czech concrete nouns, the pair/group meaning is considered as a grammaticalized meaning of nouns in Czech. In the present paper, manual annotation of the pair/group meaning is described, which was carried out on the data of Prague Dependency Treebank. A comparison with a sample annotation of data from Prague Dependency Treebank of Spoken Czech has demonstrated that the pair/group meaning is both more frequent and more easily distinguishable in the spoken than in the written data.

Článek se zabývá zachycením gramatické kategorie čísla v připravované verzi Pražského závislostního korpusu (PDT 3.0). Představen je nový sémantický rys úzce související s kategorií čísla (tzv. souborový význam) a jeho anotace v datech PDT.

https://www.semanticscholar.org/paper/4a5b2eb72784bc21d72de13207433f28023caae4/

en

2011

Utilization of Anaphora in Machine Translation

Využití anafory v strojovém překladu

Majority of present machine translation systems do not address the retaining of text coherency, they translate just isolated sentences. On the other hand, the authors of anaphora resolvers rarely integrate these tools into more complex scenarios, e.g. the task of machine translation. We propose the ways how machine translation systems can utilize the knowledge of anaphoric relations both in the source as well as in the target language in order to improve the quality of translation. Specifically, we present how to incorporate anaphora resolution into the process of English to Czech translation using the TectoMT system.

Příspěvek navrhuje způsoby, jakými využít znalost o anaforických vztazích při automatickém překladu z angličtiny do češtiny.

https://www.semanticscholar.org/paper/6183750f5848c288f0ba9b36552cbec3aeb0249b/

en

2011

Resolving Noun Phrase Coreference in Czech

Vyšetřování koreference substantivních frází v češtině

In this work, we present first results on noun phrase coreference resolution on Czech data. As the data resource for our experiments, we employed yet unfinished and unpublished extension of Prague Dependency Treebank 2.0, which captures noun phrase coreference and bridging relations. Incompleteness of the data influenced one of our motivations – to aid annotators with automatic pre-annotation of the data. Although we introduced several novel tree features and tried different machine learning approaches, results on a growing amount of data shows that the selected feature set and learning methods are not able to sufficiently exploit the data.

Práca prezentuje první výsledky rozpoznávání koreference substantivních frází v češtině.

https://www.semanticscholar.org/paper/d1b94c9763c2696374a61be6fcfec7609f396674/

en

2011

W2C - Large Multilingual Corpus

W2C - Velký mnohojazyčný korpus

We built corpus containing 106 languages from texts available on the Wikipedia and on the Internet. The W2C Wiki Corpus contains 8.5 GB of text and the W2C Web Corpus contains 54.7 GB of text. The software part contains tools for distributed crawling and processing of web pages.

Vytvořili jsme korpus se 106 jazyky z wikipedie a webových stránek. W2C Wiki Corpus obsahuje 8.5 GB textu a W2C Web Corpus obsahuje 54.7 GB textu. Součástí je také software pro distribuované stahování a zpracovávání webových stránek.

https://www.semanticscholar.org/paper/a40d40d4c6a41c0313897e961f8ef434ec4c46d6/

en

2011

W2C - Web To Corpus

W2C - Korpus z WWW

W2C is a collection of software and data. The software part radically facilitates creating a new text corpora for a given language, using text materials freely available on the Internet. A special attention was given to components for filtering that allow to keep the material quality very high. The data part contains corpora for more than 100 languages, with around 10 million words in each. This language data resource can be used especially by researchers specialized at developing multilingual technologies.

W2C je kolekce software a dat. Softwarová část slouží k vytvoření rozsáhlého textového korpusu pro zvolený jazyk. Využívány jsou textové materiály volně dostupné na WWW. Významnou částí jsou komponenty pro filtrování dat, které umožní odstranit materiál s nízkou kvalitou. Datová část obsahuje již vytvořené jazykové korpusy pro více než 100 jazyků, pro každý z nich ve velikosti přibližně 10 milionů slov. Tento zdroj jazykových dat usnadní řadě pracovišť vývoj multilinguálních technologií.

https://www.semanticscholar.org/paper/1bf4cb9f6b3b854a62901771a804dedea6dd31bb/

en

2011

TamilTB - An Effort Towards Building a Treebank for Tamil

TamilTB - budování závislostního korpusu pro tamilštinu

This talk is aimed at presenting our ongoing effort to build a PDT style dependency treebank for Tamil language. The talk will outline the annotation scheme and annotation at morphological and surface syntax layers. Various issues such as ambiguous structures, NP compounding, coordination phenomena and clitics with respect to the treebank annotation will be discussed. Our ultimate goal in this project is to develop a feature rich parsing framework for Tamil, thus we also present the results we obtained in automatic parsing (rule based & corpus based) using the developed resources. Some problematic issues in Tamil parsing will also be discussed.

Tato diskuse je zaměřena na prezentaci naší neustálé snahy o vybudování PDT styl závislostní korpus pro Tamil jazyk. Přednáška nastíní anotace programu a anotací na morfologické a povrchové vrstvy syntax. Různé otázky, jako jsou nejednoznačné konstrukce, NP směsí, koordinace jevů a clitics s ohledem na anotace korpus se bude diskutovat. Naším konečným cílem tohoto projektu je vyvinout nabitý funkcemi analýzy rámce pro Tamil, tak my také prezentovat výsledky jsme získali v automatické analýzy (norma na základě a na základě souboru) pomocí vyvinuté prostředky. Některé problematické otázky v analýze Tamil se bude rovněž projednávat.

https://www.semanticscholar.org/paper/9f0db0e4322735482bff63935a7533514ffa7e9a/

en

2011

TamilTB: An Effort Towards Building a Dependency Treebank for Tamil

TamilTB: Snaha vybudovat závislostní korpus pro tamilštinu

Annotated corpora such as treebanks are important for the development of parsers, language applications as well as understanding of the language itself. Only very few languages possess these scarce resources. In this paper, we describe our effort in syntactically annotating a small corpora (600 sentences) of Tamil language. Our annotation is similar to Prague Dependency Treebank (PDT 2.0) and consists of 2 levels or layers: (i) morphological layer (m-layer) and (ii) analytical layer (a-layer). For both the layers, we introduce annotation schemes i.e. positional tagging for m-layer and dependency relations (and how dependency structures should be drawn) for a-layers. Finally, we evaluate our corpora in the tagging and parsing task using well known taggers and parsers and discuss some general issues in annotation for Tamil language.

Anotovaná korpusy jako treebanks jsou důležité pro rozvoj analyzátorů, jazyk aplikace, stejně jako znalost jazyka. Jen velmi málo jazyků, mají tyto omezené zdroje. V tomto příspěvku popisujeme naše eort v syntakticky anotace malé korpusy (600 vět) tamilského jazyk. Naše poznámka je podobný Pražský závislostní korpus (PDT 2.0) a skládá se ze 2 úrovní nebo vrstev: (i) morfologické vrstvy (m-layer) a (ii) analytické vrstva (vrstvy). Pro obě vrstvy, jsme zavedli anotace programů, tj. polohy Tagging pro m-vrstvě a vztahy závislosti (a jak závislost struktury by měla být vypracována) pro vrstev. Nakonec jsme se zhodnotit naše korpusy v označování a analýze úlohy pomocí známých značkovače a analyzátory a diskutovat některé obecné otázky V anotaci na Tamil jazyce.

https://www.semanticscholar.org/paper/9f0db0e4322735482bff63935a7533514ffa7e9a/

en

2011

Tamil dependency parsing: results using rule based and corpus based approaches

Závislostní parser pro tamilštinu: výsledky pravidlového a korpusového přístupu

Very few attempts have been reported in the literature on dependency parsing for Tamil. In this paper, we report results obtained for Tamil dependency parsing with rule-based and corpus-based approaches. We designed annotation scheme partially based on Prague Dependency Treebank (PDT) and manually annotated Tamil data (about 3000 words) with dependency relations. For corpus-based approach, we used two well known parsers MaltParser and MSTParser, and for the rule-based approach, we implemented series of linguistic rules (for resolving coordination, complementation, predicate identification and so on) to build dependency structure for Tamil sentences. Our initial results show that, both rule-based and corpus-based approaches achieved the accuracy of more than 74% for the unlabeled task and more than 65% for the labeled tasks. Rule-based parsing accuracy dropped considerably when the input was tagged automatically.

Lze nalézt jen velice málo informací o syntaktické analýze tamilštiny. V tomto článku popisujeme prvotní experimenty zaměřené na syntaktickou analýzu tamilštiny na základě pravidel a s pomocí korpusu. Anotační schéma bylo odvozeno od Pražského závislostního treebanku, proběhla ruční anotace cca 3000 slov. Pro analýzu založenou na korpusu používáme MST parser a Malt parser. Pro pravidlový přístup jsme implementovali řadu gramatických pravidel. V obou přístupech překročila úspěšnost analýzy 74%.

https://www.semanticscholar.org/paper/3b31517e20184ec5e06ff3f2e0cbcc9073f64f10/

en

2011

Tamil Dependency Treebank (TamilTB) - 0.1 Annotation Manual

Tamilský závislostní korpus (TamilTB) - Anotační manuál (verze 0.1)

Tamil Dependency Treebank (TamilTB) is an attempt to develop a syntactically annotated corpora for Tamil. TamilTB contains 600 sentences enriched with manual annotation of morphology and dependency syntax in the style of Prague Dependency Treebank. TamilTB has been created at the Institute of Formal and Applied Linguistics, Charles University in Prague. This report serves the purpose of how the annotation has been done at morphological level and syntactic level. Annotation scheme has been elaborately discussed with examples.

Tamilský závislostní treebank (TamilTB) je pokusem vytvořit syntakticky anotovaný korpus pro tamilštinu. TamilTB obsahuje 600 vět obohacených o ruční morfologickou anotaci a závislostní syntax ve stylu Pražského závislostního korpusu (PDT). TamilTB byl vytvořen v Ústavu formální a aplikované lingvistiky, Univerzity Karlovy v Praze. Anotační pravidla jsou podrobně popsána a ilustrována příklady.

https://www.semanticscholar.org/paper/19c99b4482795c56c50dd63feeeefe7d4f5dac6e/

en

2011

TamilTB - Tamil Dependency Treebank

TamilTB - závislostní korpus tamilštiny

TamilTB is a first published syntactically annotated corpus of Tamil. TamilTB will allow a more rapid development of language technologies for Tamil (especially parsing and morphological analysis).

TamilTB je první zveřejněný syntakticky anotovaný korpus tamilštiny, který umožní rozvoj jazykových technologií (zejména morfologické analýzy a parsingu) pro tento jazyk.

https://www.semanticscholar.org/paper/19c99b4482795c56c50dd63feeeefe7d4f5dac6e/

en

2011

eppex: Epochal Phrase Table Extraction for Statistical Machine Translation

eppex: Epochální extrakce frázových tabulek pro statistický strojový překlad

We present a tool that extracts phrase pairs from a word-aligned parallel corpus and filters them on the fly based on a user-defined frequency threshold. The bulk of phrase pairs to be scored is much reduced, making the whole phrase table construction process faster with no significant harm to the ultimate phrase table quality as measured by BLEU. Technically, our tool is an alternative to the extract component of the phrase-extract toolkit bundled with Moses SMT software and covers some of the functionality of sigfilter.

Představujeme nástroj pro extrakci překladových párů z korpusu zarovnaného po slovech. Nástroj již během extrakce málo četné páry ignoruje a šetří tak čas následného zpracování a diskový prostor.

https://www.semanticscholar.org/paper/d4c766a54583bb3d267cfe20d53079db04eba3d7/

en

2011

Named Entities from Wikipedia for Machine Translation

Pojmenované entity z Wikipedie ve strojovém překladu

In this paper we present our attempt to improve machine translation of named entities by using Wikipedia. We recognize named entities based on categories of English Wikipedia articles, extract their potential translations from corresponding Czech articles and incorporate them into a statistical machine translation system as translation options. Our results show a decrease of translation quality in terms of automatic metrics but positive results from human annotators. We conclude that this approach can lead to many errors in translation and therefore should always be combined with the standard statistical translation model and weighted appropriately.

V článku představujeme pokus o zlepšení strojového překladu pojmenovaných entit s využitím Wikipedie. Pojmenované entity rozpoznáváme na základě kategorií anglických článků Wikipedie, následně extrahujeme jejich potenciální překlady z odpovídajících českých článků a přidáváme je jako nové možnosti překladu do statistického systému pro strojový překlad. Automatická metrika kvality překladu značí její zhoršení, avšak podle ruční anotace se naše překlady jeví jako lepší. Docházíme k závěru, že tento přístup vede v řadě chyb v překladu a měl by být proto vždy kombinován se standardním statistickým překladovým modelem. Měla by mu také být přiřazena přiměřená váha.

https://www.semanticscholar.org/paper/b2fbc3cbc90b4db7159d5f40a980b553464b823f/

cs

2011

Multilevel annotation of a Czech learner corpus

Víceúrovňová anotace českého žákovského korpusu

The paper describes a learner corpus of Czech, compiled from short essays written by students of Czech as a second or foreign language. We discuss the project’s background assumptions, the process of text acquisition, transcription and mark-up, and finally focus on the annotation scheme, consisting of multiple interlinked levels to cope with a wide range of error types present in the input. Manual annotation is complemented by automatic error identification wherever possible and morphosyntactic tags for all word forms both in the emended and the original text. The annotation schema is tested on a doubly-annotated sample of approx. 10,000 words with fair inter-annotator agreement results.

Článek popisuje žákovský korpus češtiny, který je kompilací krátkých prací napsaných studenty češtiny jako druhého jazyka. Věnujeme se pozadí projektu, základním požadavkům, procesu sběru textů, přepisu a anotaci. Anotace spočívá v několika vzájemně propojených rovinách, které zachycujou široké spektrum druhů chyb v textu. Ruční anotace je doplněna automatickou identifikací některých chyb. Navíc původní i opravený text je otegován morfologickými značkami. Anotační schéma je otestováno na vzorku o velikosti cca 10.000 slov oanotovaném dvěma nezávislými skupinami anotátorů s vyhovující iaa.

en

2011

Automatic Translation Error Analysis

Automatická analýza překladových chyb

We propose a method of automatic identification of various error types in machine translation output. The approach is mostly based on monolingual word alignment of the hypothesis and the reference translation. In addition to common lexical errors misplaced words are also detected. A comparison to manually classified MT errors is presented. Our error classification is inspired by that of Vilar et al. (2006), although distinguishing some of their categories is beyond the reach of the current version of our system.

Navrhujeme metodu pro automatickou identifikaci různých typů chyb ve výstupu strojového překladu. Přístup je převážně založen na jednojazyčném slovním zarovnání hypotézy a referenčního překladu. Kromě běžných lexikálních chyb se zjišťují také chyby slovosledu. Předkládáme srovnání s ručně klasifikovanými chybami MT. Naše klasifikace je inspirovaná klasifikací Vilara et al. (2006), přestože rozlišení některých jejich kategorií přesahuje možnosti současné verze našeho systému.

https://www.semanticscholar.org/paper/36e18f578e0514a6d4d01f70bc7a7c6ad235d582/

en

2011

Quiz-Based Evaluation of Machine Translation

Vyhodnocování strojového překladu pomocí otázek

This paper proposes a new method of manual evaluation for statistical machine translation, the so-called quiz-based evaluation, estimating whether people are able to extract information from machine-translated texts reliably. We apply the method to two commercial and two experimental MT systems that participated in WMT 2010 in English-to-Czech translation. We report inter-annotator agreement for the evaluation as well as the outcomes of the individual systems. The quiz-based evaluation suggests rather different ranking of the systems compared to the WMT 2010 manual and automatic metrics. We also see that overall, MT quality is becoming acceptable for obtaining information from the text: about 80% of questions can be answered correctly given only machine-translated text.

Článek navrhuje novou metodu ručního vyhodnocování kvality překladu, tzv. evaluaci pomocí otázek.

https://www.semanticscholar.org/paper/3780d315fcce6253a7eb39a78eaa850c640ccff6/

en

2011

Approximating a Deep-Syntactic Metric for MT Evaluation and Tuning

Aproximace hloubkově-syntaktické metriky pro vyhodnocování a optimalizaci strojového překladu

SemPOS is an automatic metric of machine translation quality for Czech and English focused on content words. It correlates well with human judgments but it is computationally costly and hard to adapt to other languages because it relies on a deep-syntactic analysis of the system output and the reference. To remedy this, we attempt at approximating SemPOS using only tagger output and a few heuristics. At a little expense in correlation to human judgments, we can evaluate MT systems much faster. Additionally, we describe our submission to the Tunable Metrics Task in WMT11.

SemPOS je automatická metrika kvality strojového překladu založená na hloubkové syntaxi. Poměrně dobře koreluje s lidským hodnocením, ale je výpočetně drahá. V příspěvku zkoumáme její odlehčené verze a zapojujeme je i do iterativní optimalizace překladového modelu.

https://www.semanticscholar.org/paper/ed2e1a6572b54c1ef617f8e30e7fcf09eac1eae8/

en

2011

Problematic relations in the PDT annotation: Explication and Cause

Problematické vztahy v anotaci PDT: Explikace a příčina

The presentation disscused the possibilities of of dictinction of explicative and causal relations for the purposes of discourse annotation.

Příspěvek se zabýval možnostmi rozlišení explikativních a příčinných vztahů pro potřeby anotace diskurzu.

en

2011

Comparable Fora

Srovnatelná fóra

As the title suggests, our paper deals with web discussion fora, whose content can be considered to be a special type of comparable corpora. We discuss the potential of this vast amount of data available now on the World Wide Web nearly for every language, regarding both general and common topics as well as the most obscure and specific ones. To illustrate our ideas, we propose a case study of seven wedding discussion fora in five languages.

Článek popisuje, kterak lze využít potenciálu webových diskusních fór coby porovnatelných korpusů.

https://www.semanticscholar.org/paper/2ab0929a79b3099adb85d9be6b280d73a9211eba/

en

2011

Rux Russian Tagger 1.0

Rux Ruský Tagger 1.0

Russian tagger developed on top of the resource-light tagger (Hana et al 2004). Available either as part of the Morph system or as a simple model for the TnT tagger.

Ruský tagger vyvinutý nad minimálním taggerem (Hana et al 2004).

https://www.semanticscholar.org/paper/3d5bb4a888a03ff163212eafe04ca6949bbfc5f8/

en

2011

Translating prepositions from Czech into Russian: challenges for the Machine Translation

Překlad předložek z češtiny do ruštiny: výzva pro strojový překlad

In this article we explore differences in preposition usage in Czech and Russian languages and how the Machine Translation (MT) system between the languages deals with prepositions. We focus on the errors that occur in preposition phrases. Our study involves research on a parallel corpus for theoretical evidence and analysis of the output of the rule-based Machine Translation (RBMT) system for closely related languages Česílko and the Statistical MT (SMT) system Joshua from Czech into Russian.

V článku popisujeme jak překlad předložek ovlivňuje kvalitu strojového překladu a navrhujeme způsob jeho vylepšení.

en

2011

TectoMT - machine translation system

TectoMT - systém pro strojový překlad

English to Czech machine translation as it is implemented in the TectoMT system consists of three phases: analysis, transfer and synthesis. The system uses tectogrammatical (deep-syntactic dependency) trees as the transfer medium. Each phase is divided into so-called blocks, which are processing units that solve linguistically interpretable tasks (e.g., statistical part-of-speech tagging or rule-based reordering of clitics). I will shortly introduce the linguistic layers of language description which are used for the translation and I will describe basic concepts of the NLP framework Treex in which the MT system is implemented. I will explain the whole translation process by step by step examples. After showing statistics on translation errors and their sources, I will describe recent improvements of the system. One of the most helpful improvements was the utilization of Maximum Entropy rich-feature translation models and Hidden Markov Tree Models in the transfer phase of translation, which is interpretable as labeling nodes of dependency trees. The translation results are evaluated using both automatic metric BLEU and human judgments from the WMT 2011 evaluation. Discussion on the manual evaluation (and meta evaluation) of MT is welcomed. For those interested in the Treex framework, I have another talk as well as a hands-on tutorial.

Strojový překlad z angličtiny do češtiny implementovaný v systému TectoMT sestává ze tří fází: analýzy, transferu a syntézy. Transfer se provádí na tektogramatické rovině upravené pro účely překladu. Každá fáze je rozčleněna do bloků, které řeší konkrétní lingvisticky interpretovatelný úkol (např. přiřazení morfologických značek statistickým taggerem, či přesun klitik podle ručně psaných pravidel). Systém TectoMT je navržen modulárně - bloky je možné zaměňovat za alternativní implementace a také využít i pro jiné aplikace než strojový překlad. Přednáška představí základní průběh celého překladu a zaměří se na popis vylepšení, která byla provedena v posledním roce, zejména: (a) využití tektogramatického jazykového modelu a Hidden Markov Tree Models, (b) nový systém slovníků natrénovaných na paralelním korpusu CzEng pomocí metody Maximum Entropy. Volitelným dodatkem je interaktivní tutoriál o platformě Treex.

https://www.semanticscholar.org/paper/d37d45ac443a5a78c378b22b33b935fb609bd23e/

en

2011

Influence of Parser Choice on Dependency-Based MT

Vliv volby parseru na kvalitu závislostního strojového překladu

Accuracy of dependency parsers is one of the key factors limiting the quality of dependency-based machine translation. This paper deals with the influence of various dependency parsing approaches (and also different training data size) on the overall performance of an English-to-Czech dependency-based statistical translation system implemented in the Treex framework. We also study the relationship between parsing accuracy in terms of unlabeled attachment score and machine translation quality in terms of BLEU.

Úspěšnost závislostních parserů je jedním z hlavních faktorů, které určují kvalitu závislostního strojového překladu. Tento článek zkoumá vliv různých přístupů k závislostnímu parsingu (a také různých velikostí trénovacích dat) na výslednou kvalitu anglicko-českého statistického překladového systému implementovaného ve frameworku Treex. Článek též rozebírá vztah mezi intrinsickou evaluací parsingu (UAS) a extrinsickou (BLEU).

https://www.semanticscholar.org/paper/43bf7177757b28fbc4d83ae66a6d86a5bcb17bc4/

en

2010

feat

feat

Flexible Error Annotation Tool (feat) is an environment for layered error annotation of learners corpora.

Feat je prostředí pro víceúrovňovou chybovou anotaci studenských korpusů.

https://www.semanticscholar.org/paper/ed3d0817ffd06bf4ef5bafd2d38c893e342a38fa/

en

2010

LAW 1.0

LAW 1.0

Lexical Annotation Workbench (LAW) is an integrated environment for morphological annotation. It supports simple morphological annotation, integration and comparison of different annotations of the same text, serching for particular word, tag etc. This version adds several new input filters, adds tagset support (guided tag entry, tag help), and fixes many bugs.

Lexical Annotation Workbench (LAW) je IDE pro morfologickou anotaci. Umožňuje prostou anotaci, slučování a porovnáná různých anotací téhož textu, vyhledávání, atd. Tato verze přidává několik vstupních filtrů, podporu tagsetů (vkládání tagů, nápověda pro tagy, atd), and opravuje mnoho chyb.

https://www.semanticscholar.org/paper/80d73bc8133222a7829f856ea17905b8a8692ca9/

en

2010

morph

morph

Morph - system for morphological analysis and tagging, including supporting tools for corpus conversion, evaluation, etc.

Morph - systém pro morfologickou analýzu a značkování, včetně podpůrných nástrojů pro konverzi korpusů, evaluaci, atd.

https://www.semanticscholar.org/paper/f5085b52ce87d7a27688396ced0c1631f7614d7d/

en

2010

Error-tagged Learner Corpus of Czech

Korpus studentů češtiny s chybovou anotací

The paper describes a learner corpus of Czech, currently under development. The corpus captures Czech as used by non-native speakers. We discuss its structure, the layered annotation of errors and the annotation process.

Článek popisuje studentský korpus češtiny. Korpus zachycuje češtinu používanou nerodilými mluvčími. Popisujeme jeho strukturu, více-úrovňovou chybovou anotaci a proces anotace.

https://www.semanticscholar.org/paper/ae1acfa408fc8a99d2fd52c0b1755153f8afed92/

en

2010

A Positional Tagset for Russian

Ruský poziční tagset

Fusional languages have rich inflection. As a consequence, tagsets capturing their morphological features are necessarily large. A natural way to make a tagset manageable is to use a structured system. In this paper, we present a positional tagset for describing morphological properties of Russian. The tagset was inspired by the Czech positional system (Hajic 2004). We have used preliminary versions of this tagset in our previous work (e.g., Hana et al. (2004, 2006); Feldman (2006); Feldman and Hana (2010)). Here, we both systematize and extend these preliminary versions (by adding information about animacy, aspect and reflexivity); give a more detailed description of the tagset and provide comparisons with the Czech system.

Flektivní jazyky mají bohaté skloňování, takže tagsety popisující jejich morfologické vlasnosti musí být nutně velké. Pro takové tagsety je vhodné použít strukturované tagy. V tomto článku popisujeme poziční tagset zachycující morfologii ruštiny. Vychází z Českého pozičního tagsetu (Hajič 2004) a rozvíjí předběžnou verzi tohoto tagsetu, kterou jsme používali v naší dosavadní práci (např. Hana et al. (2004, 2006); Feldman (2006); Feldman and Hana (2010)). Zde jednak prezentujeme systematičtější a úplnejší verzi (přidali jsme informaci o životnosti, vidu a zvratnosti) a jednak ho podrobněji popisujeme a srovnáváme s Českým pozičním tagsetem.

https://www.semanticscholar.org/paper/6538689e0c80898cac8002bf619ba0bb8794eccf/

en

2010

Challenges of Cheap Resource Creation for Morphological Tagging

Úskalí levné tvorby zdrojů pro morfologické značkování

We describe the challenges of resource creation for a resource-light system for morphological tagging of fusional languages (Feldman and Hana, 2010). The constraints on resources (time, expertise, and money) introduce challenges that are not present in development of morphological tools and corpora in the usual, resource intensive way.

V článku popisujeme problémy tvorby zdrojů pro resource-light tagger flektivních jazyků (Feldman and Hana, 2010). Omezení dostupných zdrojů (čas, odbornost a finance) s sebou přinášejí problémy, které se nevyskytují při tvorbě zdrojů tradičním způsobem.

https://www.semanticscholar.org/paper/2fd12d8b162e88c64c743ac4993d8f18ebb783ab/

en

2010

Resource-light morphological analysis of highly inflective language

Morfologická analýza flektivních jazyků nenáročná na zdroje

This course lays out the linguistic and computational foundations of morphological analysis and tagging of highly inflected languages, with an emphasis on resource-light analysis and tagging of fusional languages.

Kurz vysvětluje lingvistické a komputační základy morfologické analýzy a značkování flektivních jazyků. Důraz je kladen na analýzu a značkování nenaročné na zdroje.

https://www.semanticscholar.org/paper/56db3ca36883465864004ac4cb7296c7332d2990/

en

2010

Russian morphologically annotated corpus

Morfologicky anotovaný ruský korpus

Corpus containing circa 6000 words from Orwel's 1984; manually annotated using Russian positional tagset

Korpus obsahující cca 6000 slov z Orwelova 1984, ručně označkovaný pomocí ruského pozičního tagsetu

https://www.semanticscholar.org/paper/bfa940cb3609d74edeed49e5edbd9822c36fa671/

cs

2010

How Free is the "Free Czech Word Order"? (On the Word Order of the Czech and German Utterance)

Jak volný je "volný český slovosled"? (O slovosledu české a německé výpovědi)

Comparison of a part of system ordering in Czech and German sentence (word order of free verbal modifications).

Srovnání části systémového uspořádání v české a německé větě (slovosled volných slovesných doplnění).

cs

2010

Valency as a Word-Order Factor - How Far It Influences Czech and German Word Order

Valence jako slovosledný faktor - jak dalece ovlivňuje slovosled české a německé výpovědi

Review of system ordering of the free verbal modifications on data from the Prague Dependency Treebank.

Přezkoumání systémového uspořádání volných slovesných doplnění na datech z Pražského závislostního korpusu.

en

2010

An Older Czech Text Corpus for Linguistic Purposes

Korpus starších českých textů a jeho využití pro lingvistické účely

Presentation of the corpus of older Czech texts and its use for linguistic purposes - for studying the so-called system ordering.

Prezentace představuje korpus starších českých textů a jeho využití k lingvistickým účelům - ke zkoumání tzv. systémového uspořádání.

https://www.semanticscholar.org/paper/861578330643b304c2463b40d81a0e35e3d883ee/

en

2010

Dependency Parsing as a Sequence Labeling Task

Závislostní parsing coby úkol sekvenčního značkování

The aim of this paper is to explore the feasibility of solving the dependency parsing problem using sequence labeling tools. We introduce an algorithm to transform a dependency tree into a tag sequence suitable for a sequence labeling algorithm and evaluate several parameter settings on the standard treebank data. We focus mainly on Czech, as a high-inflective free-word-order language, which is not so easy to parse using traditional techniques, but we also test our approach on English for comparison.

Náplní tohoto článku je ověřit možnost řešit úkol závislostního parsingu pomocí nástrojů pro sekvenční značkování. Uvádíme algoritmus pro převod závislostních stromů na značky vhodné pro algoritmus sekvenčního značkování a vyhodnocujeme několik nastavení parametrů na standardních datech z treebanku.

https://www.semanticscholar.org/paper/676fa6a8a69472a0f89a57557dd80124b85b82e3/

en

2010

Building a Web Corpus of Czech

Vytváření webového korpusu češtiny

Large corpora are essential to modern methods of computational linguistics and natural language processing. In this paper, we describe an ongoing project whose aim is to build a largest corpus of Czech texts. We are building the corpus from Czech Internet web pages, using (and, if needed, developing) advanced downloading, cleaning and automatic linguistic processing tools. Our concern is to keep the whole process language independent and thus applicable also for building web corpora of other languages. In the paper, we briefly describe the crawling, cleaning, and part-of-speech tagging procedures. Using a prototype corpus, we provide a comparison with a current corpora (in particular, SYN2005, part of the Czech National Corpora). We analyse part-of-speech tag distribution, OOV word ratio, average sentence length and Spearman rank correlation coefficient of the distance of ranks of 500 most frequent words. Our results show that our prototype corpus is now quite homogenous. The challenging task is to find a way to decrease the homogeneity of the text while keeping the high quality of the data.

Velké korpusy jsou základem pro moderní metody počítačové lingvistiky. V tomto článku popisujeme probíhající projekt, jehož cílem je vytvořit největší korpus českých textů.

https://www.semanticscholar.org/paper/6b7262befa4a3fe908f497a46967f0e5ff86d531/

cs

2010

The Constituent Negation and Ways to Express it in Contemporary Czech

Členská negace a způsob jejího vyjadřování v současné češtině

The thesis is focused on constituent negation and ways of its expressing in contemporary Czech, or more precisely in Czech National Corpus (SYN2005) and Prague Dependency Treebank (version 2.0). In most of the Czech linguistic handbooks, constituent negation was treated as such a negation that does not operate on predicate. The author offers a new definition of constituent negation in Czech, based on data research and study of relevant literature concerning syntactic negation. Further, the author proposes a formalization of the structure of constituent negation within the framework of construction grammar and she also explores the possibility to express the findings in PDT. Keywords: constituent negation, adversative coordination, Construction Grammar, Functional Generative Description, Prague Dependency Treebank

Tato práce je věnována problematice členské negace a způsobům jejího vyjadřování v současné češtině, respektive v datech Českého národního korpusu (SYN2005) a Pražského závislostního korpusu (verze 2.0). Za členskou negaci byla dosud ve většině českých příruček považována taková negace, která neoperuje na predikátu. Autorka na základě analýzy dat a studia české i zahraniční odborné literatury týkající se syntaktické negace definuje nové vymezení členské negace v češtině, navrhuje formalismy pro zaznamenání struktur se členskou negací v systému konstrukční gramatiky a zkoumá možnosti zachycování tohoto jevu v PDT. Klíčová slova: členská negace, adverzativní koordinace, konstrukční gramatika, funkční generativní popis, Pražský závislostní korpus

en

2010

Maximum Entropy Translation Model in Dependency-Based MT Framework

Maximum Entropy překladový model v rámci závislostního strojového překladu

Maximum Entropy Principle has been used successfully in various NLP tasks. In this paper we propose a forward translation model consisting of a set of maximum entropy classifiers: a separate classifier is trained for each (sufficiently frequent) source-side lemma. In this way the estimates of translation probabilities can be sensitive to a large number of features derived from the source sentence (including non-local features, features making use of sentence syntactic structure, etc.). When integrated into English-to- Czech dependency-based translation scenario implemented in the TectoMT framework, the new translation model significantly outperforms the baseline model (MLE) in terms of BLEU. The performance is further boosted in a configuration inspired by Hidden Tree Markov Models which combines the maximum entropy translation model with the target-language dependency tree model.

Článek navrhuje přímý (forward) překladový model sestávající z množiny maximum entropy klasifikátorů: pro každé (dostatečně časté) zdrojové lemma je natrénován jeden klasifikátor. Tímto způsobem mohou být překladové pravděpodobnosti modelovány s ohledem na mnoho rysů (features) ze zdrojové věty, včetně nelokálních rysů využívajících syntaxe věty. Po zapojení do anglicko-českého překladového systému TectoMT bylo dosaženo signifikantního zlepšení oproti původnímu (baseline) překladovému modelu - měřeno metrikou BLEU.

https://www.semanticscholar.org/paper/6d2cb596bc9a500881fb1c7ebf618313e5950f53/

en

2010

Locative semantic diathesis in Czech

Lokativní sémantické diateze v češtině

In this contribution, we demonstrate the description of semantic diatheses on the example of Czech locative semantic diathesis. We distinguish semantic diatheses from grammatical diatheses as two types of changes in valency structure of verbs. Semantic diatheses are characterized by the changes in mapping of situational participants and valency complementations. Changes in valency structure of verbs associated with semantic diatheses vary even within one type of diathesis so that they cannot be described by formal syntactic rules. For the purpose of the description of semantic diatheses, we propose to set separate valency frames corresponding to the members of semantic diatheses and to capture the relevant changes in valency structure by general lexical rules based on an appropriate formal representation of meaning of verb based on predicate decomposition (usually called lexical-conceptual structure).

V tomto příspěvku ukazujeme na příkladu lokativní sémantické diateze možnosti lexikografického popisu sémantických diatezí. Odlišujeme sémantické diateze od gramatických diatezí. Sémantické diateze charakterizují změny v korespondenci situačních participantů a valenčních doplnění, které vedou k takovým změnám ve valenční struktuře sloves, které se liší i v rámci jednoho typu diateze. Sémantické diateze navrhujeme zachycovat pomocí oddělených valenčních rámců propojených určitým typem sémantické diateze. Změny ve valenční struktuře spojené se sémantickými diatezemi jsou pak zachyceny pomocí lexikálních pravidel vycházejících z lexikálně sémantické reprezentace sloves založené na predikátové dekompozici (tzv. lexikálně-konceptuálních strukturách).

https://www.semanticscholar.org/paper/472dd385114e533dd412f8999f91448053f6bb92/

en

2010

Representation of Changes in Valency Structure of Verbs in the Valency Lexicon of Czech Verbs

Reprezentace změn ve valenční struktuře sloves ve Valenčním slovníku českých sloves

In this paper, we deal with some changes in valency structure of Czech verbs from a lexicographic point of view. As a first step, two parts of verbal meaning are stipulated: situational and structural meaning. These two parts of meaning constitute complex meaning structure of verbs. On the basis of three types of asymmetry in the correspondence between components of situational and structural meaning, we distinguish three typologically different changes in valency structure of Czech verbs. We propose a method of their description in the valency lexicon of Czech verbs, VALLEX. We show that two of them can be described by lexical rules stored in the grammar component of the lexicon whereas the third one can be treated in a special attribute in the data component of the lexicon.

V tomto příspěvku se zabýváme vybranými změnami ve valenční struktuře českých sloves z pohledu lexikografie. Nejprve vymezujeme dva typy slovesného významu, situační a strukturní význam, které společně tvoří komplexní významovou strukturu slovesa. Na základě tří typů asymetrie v korespondenci mezi komponentami situačního a strukturního významu vyčleňujeme tři typy změn ve valenční struktuře českých sloves a navrhujeme jejich zachycení ve valenčním slovníku VALLEX.

https://www.semanticscholar.org/paper/c11a93d1d712153da19ceb040daa171bb51fe939/

en

2010

The Representation of Diatheses in the Valency Lexicon of Czech Verbs

Reprezentace diatezí ve valenčním slovníku českých sloves

In the present paper, we deal with diatheses in Czech from a lexicographic point of view. We propose a method of their description in the valency lexicon of Czech verbs VALLEX. We distinguish grammatical and semantic diatheses as two typologically different changes in verbal valency structure. In case of grammatical diatheses, these changes are regular enough to be described by formal syntactic rules. In contrast, the changes in valency structure of verbs associated with semantic diatheses vary even within one type of diathesis. Thus for the latter type, we propose to set separate valency frames corresponding to their members and to capture the changes in verbal valency structure by lexical rules based on an adequate lexical-semantic representation of verb meaning.

V tomto článku se zabýváme diatezemi v češtině z hlediska lexikografa. Navrhujeme metodu jejich popisu ve slovníku českých sloves VALLEX. Rozlišujeme dva typy diatezí, gramatické a sémantické, jako dvě typologicky odlišné typy změn ve valenční struktuře sloves.

https://www.semanticscholar.org/paper/5d11f6263982f8f78ba0f8ff9ba22bb7835540d6/

en

2010

When Informatics Meets Neuroscience: Software and Statistics for Human Brain Imaging

Když informatika spolupracuje s neurovědou: Software a statistika pro zobrazování lidského mozku

Human language as one of the most complex systems has fascinated scientists from various fields for decades. Whether we consider language from a point of view of a classical linguistics, psychology, computational linguistics, medicine or neurolinguistics, it keeps bringing up questions such as "How do we actually comprehend language in our brain?" The most interesting achievements often result from a joined effort of multiple scientific fields. In this paper, we will explore how statistics and informatics contributed to human brain neuroimaging and how this answered some of the linguistic questions about human brain. The purpose of this paper is not to survey these achievements in detail, but rather to offer a comprehensive coverage of methods and techniques on the border of neuroimaging and informatics. To achieve this, we will touch on some of the basic and advanced methods for neuroimaging techniques, ranging from fundamental statistical analysis with the General Linear Model, Bayesian analysis methods to multivariate pattern classification, in the light of neurolinguistic research.

Jazyk jako jeden z nejsložitějších systémů fascinoval vědce různých oborů po desetiletí. Ať už popisujeme jazyk z pohledu klasické lingvistiky, psychologie, komputační lingvistiky, medicíny nebo neurolingvistiky, stále se objevují otázky jako "Jak vlastně používáme a chápeme jazyk na úrovni našeho mozku?" Nejzajímavější výsledky často vznikají ze spojeného úsilí několika vědeckých odvětví. V tomto článku ukážeme, jak statistika a informatika přispívají k zvládnutí zobrazení lidského mozku a jak tento pokrok zodpověděl některé z lingvistických otázek o lidském mozku. Účelem tohoto článku není podat podrobný přehled o těchto výsledcích, ale spíše nabídnout srozumitelnou rešerši metod a technik na hranici neurověd a informatiky. Abychom tohoto cíle dosáhli, krátce se dotkneme základních a pokročilých metod zobrazování lidského mozku, od základní statistické analýzy a obecného lineárního modelu, přes bayesovské analýzy, až po rozpoznávání vzoru, a to z pohledu neurolingvistiky.

https://www.semanticscholar.org/paper/94373ae542c6184450dfeb3388f6be58f15fa9ff/

en

2010

Czech Information Retrieval with Syntax-based Language Models

České vyhledávání informací za použití syntaktických jazykových modelů

In this paper, we deal with information retrieval approach based on language model paradigm, which has been intensively investigated in recent years. We propose, implement, and evaluate an enrichment of language model employing syntactic dependency information acquired automatically from both documents and queries. By testing our model on the Czech test collection from Cross Language Evaluation Forum 2007 Ad-Hoc track, we show positive contribution of using dependency syntax in this context. I

Článek se zabývá vyhledávání informací v češtině za použití syntaktických jazykových modelů.

https://www.semanticscholar.org/paper/c917d5dacc89534be47f47704769232fe3ef934f/

en

2010

Corpus Linguistics Conference 2009

Konference korpusové lingvistiky 2009

Chronicle: on the fifth Corpus Linguistic Conference, held every other year in Great Britain

Kronika: o pátém ročníku konference Corpus Linguistics, pořádané jednou za dva roky ve Velké Británii.

https://www.semanticscholar.org/paper/b381b3446f37897e370dee80f22909f556224522/

cs

2010

Annotation of Discourse Relations at the Institute of Formal and Applied Linguistics

Anotace mezivýpovědních textových vztahů na Ústavu formální a aplikované lingvistiky MFF UK

Short introduction of the discourse annotation project at the Institute of Formal and Applied Linguistics

Jedním z projektů, které PDT 2.0 obohatí o novou vrstvu lingvistického popisu, je projekt anotace mezivýpovědních textových vztahů. Cílem tohoto projektu je zachytit sémantickou výstavbu textu (ve světovém lingvistickém povědomí „discourse structure“), zejména pak sémantické vztahy mezi jednotlivými výpověďmi.

cs

2010

Prefix and Suffix Automatic Recognition Using Affisix Tool

Automatické rozpoznávání předpon a přípon s pomocí nástroje Affisix

The article deals with automatic word segmentation. Several methods are presented which were implemented within the tool Affisix.

Článek se zabývá problematikou segmentace slov. Ukáže, k čemu lze znalosti o segmentaci slov použít, a popíše několik metod pro automatickou segmentaci slov. Závěrem představí open source nástroj Affisix implementující představené metody.

https://www.semanticscholar.org/paper/04ee51e94e6599127ca857c9b70ab6e760c30fde/

en

2010

Full Valency. Verb Valency without Distinguishing Complements and Adjuncts

Plná valence. Slovesná valence bez rozlišení typu doplnění

The aim of the article is to introduce a new approach to verb valency analysis. This approach – full valency – observes properties of verbs which occur solely in actual language usage. The term ‘full valency’ means that all arguments, without distinguishing complements (obligatory arguments governed by the verb) and adjuncts (optional arguments directly dependent on the predicate verb), are taken into account. Because of an expectation that full valency reflects some mechanism which governs verb behaviour in a language, hypotheses concerning (1) the distribution of full valency frames, (2) the relationship between the number of valency frames and the frequency of the verb, and (3) the relationship between the number of valency frames and verb length were tested empirically. To test the hypotheses, a Czech syntactically annotated corpus – the Prague Dependency Treebank – was used.

Článek představuje nový pohled na valenci sloves, kdy se zkoumají vlastnosti sloves v rámci jejich skutečného užití. Termín "plná valence" značí, že jsou uvažována všechna doplnění bez rozlišení obligatornosti. Jelikož lze očekávt, že plná valence odráží určité mechanismy, které řídí chování sloves v jazyce, jsou v článku testovány tři hypotézy: distribuce plných valenčních rámců, vztah mezi počtem rámců a frekvencí výskytu slovesa a vztah mezi počtem valenčních rámců a délkou slovesa. K otestování těchto hypotéz je užit Pražský závislostní korpus.

https://www.semanticscholar.org/paper/5efc78fc9266b86bf3194575443fa77b66340055/

en

2010

A Study of Indonesian-to-Malaysian MT

Studie strojového překladu mezi indonézštinou a malajštinou

The article describes issues encountered in the first implementation of an MT system between Indonesian and Malaysian.

článek se zabývá problémy implementace systému automatického překladu mezi indonézštinou a malajštinou pomocí systému Apertium

https://www.semanticscholar.org/paper/18dbea4bc0f24c63cc19d2cc31b249b4eaec0822/

en

2010

Statistical Machine Translation between Languages with Significant Word Order Difference

Statistický strojový překlad mezi jazyky s výrazně odlišným slovosledem

One of the difficulties statistical machine translation (SMT) systems face are differences in word order. When translating from a language with rather fixed SVO word order such as English, to a language where the preferred word order is dramatically different (such as the SOV order of Urdu, Hindi, Korean, ...), the system has to learn long-distance reordering of the words.

Jednou z obtíží, kterým čelí systémy statistického strojového překladu (SMT), jsou rozdíly ve slovosledu. Při překladu z jazyka, jako je angličtina, s pevným slovosledem typu SVO, do jazyka, jehož upřednostňovaný slovosled se dramaticky liší (např. slovosled typu SOV v urdštině, hindštině, korejštině, ...) se systém musí naučit přeuspořádávat slova a fráze na velkou vzdálenost v rámci celé věty.

https://www.semanticscholar.org/paper/198831b811624a86a88045bfc6c4006da86e1f79/

en

2010

UMC005: English-Urdu Parallel Corpus

UMC005: Anglicko-urdský paralelní korpus

English-Urdu Parallel Corpus serves training of statistical machine translation between these two languages. It consists of four parts: 1. English-Urdu part of the EMILLE corpus; 2. texts from the Wall Street Journal (Penn Treebank); 3. translations of the Quran; 4. translations of the Bible. Parallel data that existed before (EMILLE) have been completely and newly manually cleaned, corrected alignment and many sentences on the Urdu side.

Anglicko-urdský paralelní korpus slouží k trénování statistického strojového překladu mezi těmito dvěma jazyky. Skládá se ze čtyř částí: 1. Anglo-urdská část korpusu EMILLE; 2. texty z Wall Street Journalu (Penn Treebank); 3. překlady Koránu; 4. překlady Bible. Paralelní data, která existovala dříve (EMILLE) byla kompletně a nově ručně vyčištěna, opraveno zarovnání i řada vět na urdské straně.

https://www.semanticscholar.org/paper/a1750c9218b8737eb57829ba42cb52acf10b3930/

en

2010

On the Prague functional approach. In: Travaux linguistiques de Prague /3, pp. 291-297, 1968, reprinted

O pražském funkčním přístupu. V: Travaux linguistiques de Prague /3, pp. 291-297, 1968, přetištěno

Selected works of Pavel Novák (1932-2007) is the first standalone publication of the scientific papers by Czech linguist, Bohemist and Albanist who bound his research to the Faculty of Arts of the Charles University in Prague. His stimulating thoughts keep leading us to non-trivial thinking about language and linguistics.

Výbor z díla Pavla Nováka (1932–2007) představuje vůbec první samostatné vydání vědeckých příspěvků českého jazykovědce – obecného lingvisty, bohemisty a albanisty, který spojil své odborné působení především s Filozofickou fakultou Univerzity Karlovy. Jeho podnětné myšlenky stále otevírají cesty k netriviálnímu uvažování o jazyce a jazykovědě, avšak dnes jsou čtenářům spíše neznámé, protože jsou rozesety po různých časopisech a sbornících nebo zůstaly ukryty v těžko dostupných výzkumných zprávách. Hlavním cílem knihy je tak umožnit současnému a budoucímu českému jazykovědnému publiku poznávat osobitý naturel lingvistického myšlení Pavla Nováka. Výbor je koncipován jako průřezový, editoři J. Křivan, J. Januška a J. Chromý do něj vybrali texty z různých tematických oblastí (metodologie lingvistiky, jazykový význam, pády, teorie syntaxe, dějiny novodobé české jazykovědy, popularizační články o jazyce aj.), s důrazem na ty příspěvky, které stále vynikají svojí aktuálností. Kniha je uvedena studiemi doc. Z. Starého, prof. J. Kořenského, prof. P. Sgalla a průvodním komentářem hlavního editora J. Křivana. Součástí výboru je rovněž Novákův životopis a nově sestavená bibliografie.

en

2010

Exodus – Exploring SMT for EU Institutions

Exodus - využití SMT v institucích EU

In this paper, we describe Exodus, a joint pilot project of the European Commission’s Directorate-General for Translation (DGT) and the European Parliament’s Directorate- General for Translation (DG TRAD) which explores the potential of deploying new ap- proaches to machine translation in European institutions. We have participated in the English-to-French track of this year’s WMT10 shared translation task using a system trained on data previously extracted from large in- house translation memories.

V tomto článku popisujeme Exodus, společný pilotní projekt generálního ředitelství pro překlad Evropské komise a generálního ředitelství pro překlad Evropského parlamentu, který zkoumá možnosti využití nových směrů strojového překladu v evropských institucích. Zúčastnili jsme se letošní soutěže WMT10 v překladu z angličtiny do francouzštiny s použitím trénovacích dat získaných z překladových pamětí institucí.

https://www.semanticscholar.org/paper/0e251ba2a23206445c40d0d64ddaf43cc48b9147/

ru

2010

Coreferential Relationships in Text – Comparative Analysis of Annotated Data

Koreferenční vztahy v textu – srovnávací analýza anotovaných dat

The research is based on a developing project that aims to annotate nominal coreference and bridging anaphora in the syntactically annotated corpus of Czech texts, PDT 2.0. In the process of annotating coreferential and bridging relations it became evident that the relatively low inter-annotator agreement is, to a large extent, due to the fact that a text may have a variety of legitimate objective interpretations, rather than the annotators’ mistakes or carelessness. A classification of discrepancy types and possible causes of emergence thereof is presented. Typical examples of multiple interpretations of coreferencial and bridging relations in a text are given.

Výzkum na základě probíhajícího projektu anotace rozšířené textové koreference a asociační anafory na PDT 2.0. V článku se rozebírají problematické případy a předkládá se typologie neshod mezi anotátory.

Кореферентные отношения в тексте – сравнительный анализ размеченных данных

Данная работа опирается на находящийся в разработке проект разметки именной кореференции и ассоциативной анафоры на материале синтаксически аннотированного корпуса чешских текстов PDT 2.0. В ходе работы над разметкой кореференции выяснилось, что относительно низкое соответствие между разметчиками объясняется не столько их ошибками и невнимательностью, сколько объективной неоднозначностью интерпретации текста. В докладе приводится классификация типов и возможных причин несоответветствий и рассматриваются некоторые типовые примеры множественности интерпретаций кореферентных отношений в тексте.

en

2010

Mapping between Dependency Structures and Compositional Semantic Representations.

Mapování mezi závislostní reprezentací a reprezentací založenou na kompozicionální sémantice

This paper investigates the mapping between two semantic formalisms, namely the tectogrammatical layer of the Prague Dependency Treebank 2.0 (PDT) and (Robust) Minimal Recursion Semantics ((R)MRS). It is a first attempt to relate the dependency-based annotation scheme of PDT to a compositional semantics approach like (R)MRS. A mapping algorithm that converts PDT trees to (R)MRS structures is developed, associating (R)MRSs to each node on the dependency tree. Furthermore, composition rules are formulated and the relation between dependency in PDT and semantic heads in (R)MRS is analyzed. It turns out that structure and dependencies, morphological categories and some coreferences can be preserved in the target structures. Moreover, valency and free modifications are distinguished using the valency dictionary of PDT as an additional resource. The validation results show that systematically correct underspecified target representations can be obtained by a rule-based mapping approach, which is an indicator that (R)MRS is indeed robust in relation to the formal representation of Czech data. This finding is novel, as Czech, with its free word order and rich morphology, is typologically different than languages analyzed with (R)MRS to date.

Tento příspěvek zkoumá mapováné mezi dvěma sémantickými reprezentacemi, jmenovitě tektogramatickou rovinou Pražského závislostního korpusu (PDT) a (Robustní) Sémantikou minimální rekurze ((R)MRS). Jde o první pokus porovnat závislostní anotační schéma PDT a přístup založený na kompozicionální sémantice. Příspěvek představuje algoritmus pro konverzi PDT stromů do (R)MRS struktur.

https://www.semanticscholar.org/paper/1e0733b8e1c3083aebb5b9792fbe217768a1112f/

cs

2010

The Task of Machine Translation

Aplikace strojového překladu

A brief introduction to the task of machine translation. Two rather different approaches to MT are described and empirically compared.

Seznámení s úlohou strojového překladu, její atraktivitou i problémy. Představení dvou velmi odlišných přístupů k překladu a jejich empirické porovnání.

https://www.semanticscholar.org/paper/82aabc5cffbc3cff3e8a7a8f015a40bda99e2752/

en

2010

English-to-Czech System Combination

Kombinace systému strojového překladu z angličtiny do češtiny

The results of two-month stay devoted to the combination of machine translation outputs when translating to Czech.

Prezentace výsledků dvouměsíční stáže zaměřené na kombinaci systémů strojového překladu do češtiny.

https://www.semanticscholar.org/paper/2ad590c1ad0cc4ef3893cf1a0360a089a2125fee/

cs

2010

How is machine translation done

Jak se dělá strojový překlad

An introduction to machine translation for the participants of seminar led by Lucie Mladová.

Přednáška pro frekventanty semináře Lucie Mladové.

https://www.semanticscholar.org/paper/e3d2d651999f9a9a99d1d3a0183dac6fc9a4cf65/

en

2010

Syntax and Rich Morphology in MT

Syntax a bohaté tvarosloví ve strojovém překladu

The talk describes in detail the issues specific to English-to-Czech MT: sentence syntax and target-side rich morphology.

Přednáška podrobně představuje problémy strojového překladu specifické pro překlad z angličtiny do češtiny: otázky větného rozboru a bohaté morfologie na cílové straně.

https://www.semanticscholar.org/paper/0fbeafeb9bf7a2cff07667374003c43cb69317fc/

cs

2010

The Master of Languages

Vládce jazyků

An interview about approaches to machine translation and its current and coming potence.

Rozhovor o přístupech ke strojovému překladu a jeho současných i budoucích možnostech.

https://www.semanticscholar.org/paper/ab37bae7bda3ea8b27dd2f4eb17d93f0de2a0147/

en

2010

Evaluating Utility of Data Sources in a Large Parallel Czech-English Corpus CzEng 0.9

Vyhodnocení přínosu jednotlivých zdrojů dat ve velkém paralelním česko-anglickém korpusu CzEng

CzEng 0.9 is the third release of a large parallel corpus of Czech and English. For the current release, CzEng was extended by significant amount of texts from various types of sources, including parallel web pages, electronically available books and subtitles. This paper describes and evaluates filtering techniques employed in the process in order to avoid misaligned or otherwise damaged parallel sentences in the collection. We estimate the precision and recall of two sets of filters. The first set was used to process the data before their inclusion into CzEng. The filters from the second set were newly created to improve the filtering process for future releases of CzEng. Given the overall amount and variance of sources of the data, our experiments illustrate the utility of parallel data sources with respect to extractable parallel segments. As a similar behaviour can be expected for other language pairs, our results can be interpreted as guidelines indicating which sources should other researchers exploit first.

CzEng 0.9 je třetí vydání velkého paralelního korpusu. V tomto vydání byl rozšířen o velké množství textů z různých typů zdrojů. Příspěvek popisuje a vyhodnocuje metody čištění paralelních dat a nabízí tak pohled na přínos jednotlivých typů zdrojů.

https://www.semanticscholar.org/paper/5c492a6f9720524ca29b35876c6ceaff1ce90862/

en

2010

CzEng 0.9 for AppTek

CzEng 0.9 pro AppTek

A part of CzEng 0.9 corpus data released for the company AppTek.

Část dat z korpusu CzEng 0.9 pro využití společností AppTek v jejích překladových systémech.

en

2010

Data Issues in English-to-Hindi Machine Translation

Problémy s daty při strojovém překladu z angličtiny do hindštiny

Statistical machine translation to morphologically richer languages is a challenging task and more so if the source and target languages differ in word order. Current state-of-the-art MT systems thus deliver mediocre results. Adding more parallel data often helps improve the results; if it doesn't, it may be caused by various problems such as different domains, bad alignment or noise in the new data. In this paper we evaluate the English-to-Hindi MT task from this data perspective. We discuss several available parallel data sources and provide cross-evaluation results on their combinations using two freely available statistical MT systems. Together with the error analysis, we also present a new tool for viewing aligned corpora, which makes it easier to detect difficult parts in the data even for a developer not speaking the target language.

Statistický strojový překlad do morfologicky bohatších jazyků je obtížná úloha, a to tím více, jestliže se zdrojový a cílový jazyk liší pořádkem slov. Nejlepší současné systémy proto neprodukují optimální výsledky. Mnohdy pomůže přidat paralelní data; pokud to nepomůže, může to být způsobeno různými problémy jako rozdílné domény, špatné párování slov nebo šum v nových datech. V tomto článku vyhodnocujeme úlohu strojového překladu z angličtiny do hindštiny z této datové perspektivy. Probíráme několik existujících zdrojů paralelních dat a poskytujeme výsledky křížových testů nad kombinacemi korpusů s použitím dvou volně dostupných statistických překladových systémů. Spolu s analýzou chyb také prezentujeme nový nástroj pro prohlížení spárovaných korpusů, díky čemuž je snadnější objevit problematické či obtížné pasáže v textech i pro vývojáře, který neovládá cílový jazyk překladu.

https://www.semanticscholar.org/paper/d728096dab4762d3775a057288c1b66df47fccbc/

en

2010

UMC004: Hindi Web Texts

UMC004: Hindské texty z webu

A corpus of Hindi texts from the web suitable for language modelling: segmented into sentences and tokenized.

Korpus hindských textů z webu vhodný k jazykovému modelování: segmentovaný na věty a tokenizovaný.

https://www.semanticscholar.org/paper/45fc3c0369ca57f261fa0484a2f0cd453347f9a1/

en

2010

UMC002: English-Hindi Parallel Corpus

UMC002: Anglicko-hindský paralelní korpus

English-Hindi parallel corpus collected from several sources. Tokenized and sentence-aligned.

Anglicko-hindský paralelní korpus sestavený z několika zdrojů, tokenizovaný a zarovnaný po větách.

https://www.semanticscholar.org/paper/25c0e5ad89b77ae9c7ff91765ebd4e1e21abdcb3/

en

2010

Building a Bilingual ValLex Using Treebank Token Alignment: First Observations

Budování dvojjazyčného valenčního slovníku zarovnáváním uzlů v závislostním korpusu: První pozorování

In this paper we explore the potential and limitations of a concept of building a bilingual valency lexicon based on the alignment of nodes in a parallel treebank. Our aim is to build an electronic Czech<->English Valency Lexicon by collecting equivalences from bilingual treebank data and storing them in two already existing electronic valency lexicons, PDT-VALLEX and Engvallex. For this task a special annotation interface has been built upon the TrEd editor, allowing quick and easy collecting of frame equivalences in either of the source lexicons. The issues questioning the annotation practice encountered during the first months of annotation include limitations of technical character, theory-dependent limitations and limitations concerning the achievable degree of quality of human annotation. The issues of special interest for both linguists and MT specialists involved in the project include linguistically motivated non-balance between the frame equivalents, either in number or in type of valency participants. The first phases of annotation so far attest the assumption that there is a unique correspondence between the functors of the translation-equivalent frames. Also, hardly any linguistically significant non-balance between the frames has been found, which is partly promising considering the linguistic theory used and partly caused by little stylistic variety of the annotated corpus texts.

V příspěvku studujeme potenciál a omezení nápadu budovat dvojjazyčný valenční slovník pomocí zarovnávání uzlů v paralelním závislostním korpusu.

https://www.semanticscholar.org/paper/98abeedce584519e2e489fe1d8a57cd4d7cbe140/

en

2010

2010 Failures in English-Czech Phrase-Based MT

2010 neúspěchů v anglicko-českém frázovém překladu

The paper describes our experiments with English-Czech machine translation for WMT10 in 2010. Focusing primarily on the translation to Czech, our additions to the standard Moses phrase-based MT pipeline include two-step translation to overcome target-side data sparseness and optimization towards SemPOS, a metric better suited for evaluating Czech. Unfortunately, none of the approaches bring a significant improvement over our standard setup.

Příspěvek popisuje naše pokusy s anglicko-českým překladem pro soutěž WMT10: dvoukrokový překlad a optimalizaci na SemPOS.

https://www.semanticscholar.org/paper/fab7c3326048ce861be389ebda5301f733ad63f2/

en

2010

Tackling Sparse Data Issue in Machine Translation Evaluation

K problému řídkých dat při vyhodnocování kvalitz strojového překladu

We illustrate and explain problems of n-grams-based machine translation (MT) metrics (e.g. BLEU) when applied to morphologically rich languages such as Czech. A novel metric SemPOS based on the deep-syntactic representation of the sentence tackles the issue and retains the performance for translation to English as well.

Ilustrujeme a vysvětlujeme problémy n-gramových metrik strojového překladu (např. BLEU), když jsou použity na jazyky s bohatou morfologií, jako je čeština. Nová metrika SemPOS problém omezuje a účinná je i angličtinu.

https://www.semanticscholar.org/paper/befe7b3f6827a434f0a97b4eca17e7c1d7b1be22/

en

2010

Czech-English-Russian Corpus for AppTek

Česko-anglicko-ruský korpus pro AppTek

Czech-English-Russian corpus UMC001 released for the company AppTek.

Česko-anglicko-ruský korpus UMC001 pro využití společností AppTek v jejích překladových systémech.

https://www.semanticscholar.org/paper/86db27f3f5c0470a709631748f4b0eecf79e949e/

cs

2010

Senior Companion CZ

Senior Companion CZ

The Czech Companion demonstrates that recent advances in Czech language: Automatic Speech Recognition (ASR), Natural Language Understanding (NLU), Natural Language Generation (NLG) and Text to Speech (TTS) synthesis can be combined with existing dialogue management (DM) techniques to build a dialogue system for natural-sounding dialogue. Certain components specifically developed in the Companions project surpassed the best existing results, as measured by the standard quantitative metrics used in the field (e.g., Czech and English full POS and morphological taggers, etc.).

Senior Companion CZ kombinuje v jedné aplikaci poslední výsledky výzkumu v českém jazyce v oblasti: Automatické rozpoznávání řeči (ASR), Pochopení přirozeného jazyka (NLU), Generování přirozeného jazyka (NLG) a Text-to-Speech (TTS), a magement dialogu (DM) pro přirozený dialog s člověkem. Některé součásti, speciálně vyvinuté v projektu Senior Companion CZ předčí nejlépší stávající výsledky, měřeno standardními kvantitativními metrikami používanými v této vědní oblasti (např. POS, morfologické taggery, atd.).

https://www.semanticscholar.org/paper/2148716742868a1b7bcddc061d73d833500671f0/

cs

2010

"To Be a Bearer of Good News is Pleasant for me" (A few remarks on infinitive constructions)

"Být posel dobrých zpráv je mi příjemné" (Několik poznámek k infinitivním konstrukcím)

P. Karlík's criteria for the distinction between raising and control constructions, and between monoclausal and biclausal constructions are tested on selecte Cyech examples where the infinitive fills the function of surface subject.

Ve stati se analyzují české konstrukce s infinitivem ve funkci subjektu (typy Je příjemné poslouchat hudbu a Vadilo mu jít na koncert) a konfrontují se s Karlíkovými kritérii pro zjištění, zda jde o konstrukce typu "raising" nebo "control" popř. o konstrukce monoklauzální nebo biklauzální.

cs

2010

Functional onomatology and functional syntax (How František Daneš develops Mathesius' work)

Kategorie pojmenovávací a usouvztažňovací (Jak František Daneš rozvíjí Viléma Mathesia)

Daneš's approach to Mathesius' principles of functional onomatolgy and functional syntax is used for the description of the procedure of senetence generation in Functional generative description. All three principles used there are exemplified by the simple Czech sentence.

Ve stati se analyzuje Danešovo pojetí Mathesiova učení o funkční onomatologii a funkční syntaxi. Na jednoduchém českém příkladu se ukazuje, jak jsou ve Funkčním generativním popisu aplikovány všechny tři principy rozvíjené Danešem (jazykové pojmenování, usouvztažnění pomocí kategoríí syntakticky závisle proměnných a nezávislých).

cs

2010

On the relation between cognitive content and linguistic meaning

Ke vztahu kognitivního obsahu a jazykového významu

The necessity to distinguish between ontological (cognitive, extralinguistic) content and linguistic (‚literal’) meaning has its sources in European structural linguistics. The present contribution cannot be aimed at the solution of these non-trivial distinctions; we only present some Czech examples as a challenge for consideration, which we believe to be useful for the determination of this boundary. Despite of these problems, we are convinced that without keeping the distinction between linguistic meaning and cognitive content during the analysis of language data the description of the language system is impossible.

Nutnost rozlišovat mezi ontologickým obsahem a jazykovým významem je zakotvena v evropské strukturní lingvistice. Příspěvek si neklade za cíl dospět k řešení této netriviální distinkce. Navzdory řadě problémů, které zmiňujeme, jsme ovšem přesvědčeni, že lingvistická analýza není bez zachování této distinkce možná.

ru

2010

On Resultative Constructions (first of all) in Czech

O rezultativnosti (především) v češtině

On the plenary session within the Annual Meeting of the Committee of the Grammatical Structure of Slavonic Languages and the conference about Serbian Syntax the contribution analyzing the character of grammatical diathesis with the stress on resultative one was presented. Their morfological and syntactic features were discussed.

V plenárním referátu na zasedání Komise pro gramatickou stavbu slovanských jazyků a Syntaxi srbštiny byl přednesen příspěvek o povaze gramatických diatezí. Z nich byla soustředěna pozornost na diatezi rezulatativní a její vlastnosti morfologické a syntaktické.

O kategorii rezul'tativa (prezhde vsego) v cheshskom jazyke

cs

2010

A n Anniversary of Adela Rechziegelová

Významné životní jubileum Adely Rechziegelové

In the connection of the life anniversary of Dr. Adela Rechziegelová her achievements within Czech linguistcs at home and especially abroad (in Netherlands, where she has lived for a long time) are reminded.

Stať v rubrice Kronika připomíná životní jubileum doc. dr. Adely Rechziegelové a její zásluhy o českou bohemistiku doma a zejména za jejího dlouholetého působení v Holandsku.

en

2010

A Few Czech Additions to Nedjalkov's Typology of Reciprocals and Reflexives

Několik poznámek o češině k Nedjalkovově typologii reciprok a reflexiv

The features of Czech reciprocals are compared with their typological markers given by Nedjalkov. There are similar ambiguities between reflexives and reciprocs in Czech as in other languages, however with the different preferences. The occurence of "reciprocal" adverbs in Czech is different from French and Bulagarian. So-called "local" reciprocals are marginaly in Czech.

V článku se porovnávají české reciproční konstrukce s jednotlivými charakteristikami, které z hlediska typologie jazyků s různou strukturou podává V. P. Nedjalkov. Konstatuje se, že homonymie mezi reflexivitou a reciprocitou je češtině rovněž vlastní, preference se řídí jinými principy. Shledávají se rysy odlišné od polštiny, porovnává se užití recipročních adverbií v češtině s francouzštinou a bulharštinou. "Lokální" reciproka jsou v češtině okrajová.

en

2010

Annotation of Morphological Meanings of Verbs Revisited

Revize anotace morfologických významů sloves

Meanings of morphological categories are an indispensable component of representation of sentence semantics. In the Prague Dependency Treebank 2.0, sentence semantics is represented as a dependency tree consisting of labeled nodes and edges. Meanings of morphological categories are captured as attributes of tree nodes; these attributes are called grammatemes. The present paper focuses on morphological meanings of verbs, i.e. on meanings of the morphological category of tense, mood, aspect etc. After several introductory remarks, seven verbal grammatemes used in the PDT 2.0 annotation scenario are briefly introduced. After that, each of the grammatemes is examined. Three verbal grammatemes of the original set were included in the new set without changes, one of the grammatemes was extended, and three of them were substituted for three new ones. The revised grammateme set is to be included in the forthcoming version of PDT (tentatively called PDT 3.0). Rules for automatic and manual assignment of the revised grammatemes are further discussed in the paper.

Významy morfologických kategorií jsou nepostradatelnou součástí popisu větného významu. V Pražském závislostním korpusu 2.0 (PDT 2.0) je význam věty zachycován jako závislostní struktura sestávající z ohodnocených uzlů a hran. Významy morfologických kategorií jsou zachycovány v atributech těchto uzlů, v tzv. gramatémech. V příspěvku představujeme revizi slovesných gramatémů, revidovaná sada gramatémů bude použita při anotaci nové verze Pražského závislostního korpusu, verze PDT 3.0.

https://www.semanticscholar.org/paper/2a41b539da439f28d5540bb53f40b98da4327ddd/

cs

2010

Revision of morphological grammatemes for Prague Dependency Treebank 3.0

Revize morfologických gramatémů pro Pražský závislostní korpus 3.0

In the present talk the revision of so-called grammatemes is introduced. Grammatemes are attributes of nodes of tectorammatical trees, in these attributes the meaning of morphological categories, such as tense or number, are captured. The revised set of grammatemes will be incorporated in the new version of Prague Dependency Treebank PDT 3.0.

Připravovaný Pražský závislostní korpus 3.0 (PDT 3.0) se bude od stávající verze tohoto korpusu PDT 2.0 lišit jednak objemem anotovaných dat, jednak změnami v anotačním schématu. V přednášce představíme změny týkající se morfologických gramatémů. Morfologické gramatémy jsou atributy uzlů tektogramatického stromu, v těchto atributech jsou zachyceny významy sémanticky relevantních morfologických kategorií (např. kategorie substantivního čísla a slovesného způsobu). Podrobně popíšeme probíhající revizi slovesných gramatémů: zejména výsledky teoretického výzkumu slovesných diatezí a slovesného způsobu a promítnutí těchto výsledků do tektogramatické anotace. Naznačíme rovněž navrhované změny v zachycování kategorie čísla substantiv.

cs

2010

Usefulness of electronic language corpora and their annotation

Užitečnost jazykových elektronických korpusu a jejich anotování

The talk deals with electronic language corpora and their usage, especially within linguistic research. Special attention is paid to Prague Dependency Treebank, its structure, annotation process and versions (PDT 1.0, 2.0), changes proposed for the new version (PDT 3.0) will be introduced.

Přednáška se zabývá elektronickýmmi jazykovými korpusy a jejich využitím, zejména pro lingvistickou práci. Zvláštní pozornost bude věnována Pražskému závislostnímu korpusu (PDT), představíme jeho strukturu, proces anotace a publikované verze (PDT 1.0, 2.0), zmíněny budou rovněž změny chystané pro další verzi tohoto korpusu PDT 3.0.

en

2010

From Treebanking to Machine Translation

Od syntaktických korpusů ke strojovému překladu

The presented work is composed of two parts. In the first part we discuss one of the possible approaches to using the annotation scheme of the Prague Dependency Treebank for the task of Machine Translation (MT), and demonstrate it in detail within our highly modular transfer-based MT system called TectoMT. The second part of the work consists of a sample of our publications, representing our research work from 2000 to 2009. Each article is accompanied with short comments on its context from a present day perspective. The articles are classified into four thematic groups: nnotating Prague Dependency Treebank, Parsing and Transformations of Syntactic Trees, Verb Valency, and Machine Translation. The two parts naturally connect at numerous points, since most of the topics tackled in the second part---be it sentence analysis or synthesis, coreference resolution, etc.---have their obvious places in the mosaic of the translation process and are now in some way implemented in the TectoMT system described in the first part.

Předložená práce se skládá ze dvou částí. První část popisuje jeden z možných přístupů ke strojovému překladu, a sice překlad s využitím tektogramatické roviny jako roviny transferu. Druhá část je souborem vybraných článků autora z let 2000-2009.

https://www.semanticscholar.org/paper/86527d1ea1ec853cb532093f832e155d17f19a4f/

en

2010

TectoMT - An Open-source Framework for Natural Language Processing

TectoMT - otevřený systém pro zpracování přirozených jazyků

I will introduce TectoMT, which is a highly modular NLP (Natural Language Processing) software system implemented in Perl programming language under Linux. It is primarily aimed at Machine Translation, making use of the ideas and technology created during the Prague Dependency Treebank project. At the same time, it is also hoped to significantly facilitate and accelerate development of software solutions of many other NLP tasks, especially due to re-usability of the numerous integrated processing modules (such as taggers, parsers, or named-entity recognizers), which are all equipped with uniform object-oriented interfaces.

Přednáška je věnována TectoMT, vysoce modulárnímu systému pro zpracovávání textů v přirozeném jazyce. Systém je implementován v Perlu. Primárně ja zaměřen na strojový překlad, využívá k tomu teoretický rámec a softwarové nástroje Pražského závislostního korpusu.

https://www.semanticscholar.org/paper/be4c8eeb9506166789965b7931e9beb6f4c45128/