lang
string | year
string | title_en
string | title_cs
string | abstract_en
string | abstract_cs
string | authors
sequence | s2_url
string | title_fr
string | abstract_fr
string | title_ru
string | abstract_ru
string | title_sk
string | abstract_sk
string | title_de
string | abstract_de
string | title_dsb
string | abstract_dsb
string | title_lt
string | abstract_lt
string |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
en | 2006 | Valency of Deverbal Nouns in Czech | Valence deverbativních substantiv v češtině | The present paper is an overview of Doctoral Thesis Valence deverbativních substantiv v češtině successfully defended in October 2006, containing results obtained by the author during her doctoral study at the Faculty of Mathematics and Physics of the Charles University (MFF UK) in Prague from 1999 until 2006. | Tato stať je shrnutím disertační práce Valence deverbativních substantiv v češtině úspěšně obhájené v říjnu 2006. Obsahuje vlastní výsledky získané během autorčina doktorského studia na MFF UK v Praze v letech 1999–2006. | [
"Veronika Kolářová"
] | https://www.semanticscholar.org/paper/3c524016c61f8e7259489a17b8bf028202b72d0b/ | null | null | null | null | null | null | null | null | null | null | null | null |
en | 2006 | Tools and Data for Analysis of Spoken Czech and its Prosody | Nástroje a data analýzy mluvené češtiny a její prosodie | This work describes steps towards prosody models of spoken Czech language.
After a characterisation and discussion of recent prosody definitions and of area of prosody applications, I present the central point of the work, development of an easy-accessible and user-friendly research environment Dialogy.Org, supporting exploration of Czech prosody and its automatic analysis and modelling. | Předkládaná práce popisuje kroky směřující k modelování prosodie češtiny. Po charakteristice a rozboru současných prosodických teorií a aplikací představuji ústřední bod této práce, popis vývoje snadno přístupného a uživatelsky přívětivého výzkumného prostředí Dialogy.Org, které podporuje zkoumání české prosodie, její analýzu i modelování. | [
"Nino Peterek"
] | https://www.semanticscholar.org/paper/47fdd5382fc6dc5c38f98aae8784cd1fe21a8db0/ | null | null | null | null | null | null | null | null | null | null | null | null |
en | 2006 | Netgraph, version 1 | Netgraph, verze 1 | Netgraph is an easy to use and intuitive tool developed for searching in the Prague Dependency Treebank; it can be used for other corpora as well. It is platform-independent, based on the client-server architecture and works in the internet environment. | Netgraph je snadno ovladatelný a intuitivní nástroj vyvinutý pro vyhledávání v Pražském závislostním korpusu, je ho ale možno použít i pro korpusy jiné. Je platformově nezávislý, založený na architektuře klient-server a pracuje v prostředí internetu. | [
"Jiří Mírovský"
] | https://www.semanticscholar.org/paper/7d977d3df94227cea381636fdfa0de8f1022c525/ | null | null | null | null | null | null | null | null | null | null | null | null |
en | 2006 | Netgraph: A Tool for Searching in Prague Dependency Treebank 2.0 | Netgraph: Nástroj pro vyhledávání v Pražském závislostním korpusu 2.0 | We present Netgraph - a tool for searching in linguistically annotated treebanks. It works in the Internet environment, on multi-user and client-server basis.
Netgraph has a graphically oriented hardware independent user-friendly interface. The query system is very intuitive, easy to learn, understand and use, nevertheless it can perform advanced searches.
We show how Netgraph can be used for such complex annotation schemes as the Prague Dependency Treebank 2.0 with its non-1:1 relation among nodes on different layers. We also mention main properties of two other searching tools available for this treebank. | Představujeme Netgraph - nástroj pro vyhledávání v lingvisticky anotovaných treebancích. Pracuje v prostředí internetu, je víceuživatelský a založený na principu klient-server.
Netgraph má grafické hardwarově nezávislé uživatelsky přítulné rozhraní. Dotazovací systém je velice intuitivní, snadný k naučení, pochopení a použití, nicméně dokáže provádět pokročilá vyhledávání.
Ukážeme, jak může být Netgraph použit pro tak komplexní anotační schémata jako je Pražský závislostní korpus 2.0 se vztahem mezi uzly jednotlivých rovin jiného typu než 1:1. Zmíníme rovněž hlavní vlastnosti dvou dalších vyhledávacích nástrojů, které jsou pro tento treebank k dispozici. | [
"Jiří Mírovský"
] | https://www.semanticscholar.org/paper/9a361764a73351370f5cca4b7714742a35d53afb/ | null | null | null | null | null | null | null | null | null | null | null | null |
en | 2006 | Encode Arabic | Encode Arabic | Implementations for encodings of Arabic, in Haskell and Perl. Support for ArabTeX, Buckwalter, UTF and other encodings. Interpretable notations generating original orthography and/or phonetic transcriptions. | Implementace pro kódování arabštiny v jazycích Haskell a Perl. Podpora po ArabTeX, Buckwalter, UTF a další kódování. Interpretovatelné notace generující originální ortografii a/nebo fonetickou transkripci. | [
"Otakar Smrž"
] | https://www.semanticscholar.org/paper/980f6eedb7ae923299c41ae9ce274e7bcebe2c3c/ | null | null | null | null | null | null | null | null | null | null | null | null |
en | 2006 | Tips and Tricks of the Prague Arabic Dependency Treebank | Tipy a triky Pražského arabského závislostního korpusu | The contribution discusses several annotation details of the Prague Arabic Dependency Treebank, a morphologically and surface-syntactically annotated corpus of Modern Standard Arabic newswire texts. | Příspěvek pojednává o anotačních detailech Pražského arabského závislostního korpusu, morfologicky a povrchově syntakticky anotovaného korpusu arabských novinových textů. | [
"Otakar Smrž"
] | https://www.semanticscholar.org/paper/bd6e0af7913531f7f2171ce63aac104af8695d4d/ | null | null | null | null | null | null | null | null | null | null | null | null |
en | 2006 | When a statistically oriented parser was more efficient than a linguist: A case of treebank conversion | Větší efektivita je na straně statistického parsru: případ konverze závislostního korpusu | The aim of the present paper is to investigate a possibility to enlarge the data in the Prague Dependency Treebank by the data included in the Czech Academic Corpus. The Prague Dependency Treebank annotation is based on a complex three-layer scenario capturing the morphemic and syntactic properties (both of the surface and of the underlying, tectogrammatical structures) of Czech sentences. The characteristics included in the Czech Academic Corpus reflect basic (mostly intra-clausal) relations between sentence elements. The integration of the Czech Academic Corpus material into the Prague Dependency Treebank implies, of course, the necessity to make the two sets of annotated data compatible. This has already been done as for the morphemic layer. The question the paper poses and attempts to answer is whether an automatic transition of the syntactic Czech Academic Corpus data into the Prague Dependency Treebank format is more effective than a direct annotation of the same texts by a statistical parser. | Hlavním cílem příspěvku je ověřit možnost navýšení objemu Pražského závislostního korpusu o data obsažená v Českém akademickém korpusu.
Pražský závislostní korpus je komplexně anotován na třech rovinách, které zachycují moforlogické a syntaktické (povrchové i hloubkové) vlastnosti českých vět. Charakteristiky zachycené v anotacích Českého akademického korpusu odrážejí zejména vztahy mezi jednotkami vět.
Integrace ČAK do PDT implikuje kompatibilitu obou datových bank -- kompatibilita na rovině morofologické již byla zajištěna.
Ve věci syntaktické kompatibility se v příspěvku ptáme, je-li automatická konverze syntaktických anotací Českého akademického korpusu efektivnější než přímá aplikace statistického parseru. | [
"Kiril Ribarov",
"Alevtina Bémová",
"Barbora Hladká"
] | https://www.semanticscholar.org/paper/f020bd47d791106dff3c6bfd45dfe4602f321098/ | null | null | null | null | null | null | null | null | null | null | null | null |
en | 2006 | Annotation on the tectogrammatical level in the Prague Dependency Treebank. Annotation manual | Anotace na tektogramatické rovině Pražského závislostního korpusu. Anotátorská příručka | This technical document provides detailed documentation of the Prague Dependency Treebank, version 2.0 (PDT 2.0). It includes a detailed complex description of the rules that have been used so far for the annotation of Czech sentences on the tectogrammatical layer both in linguistic and technical respect. The annotated data do not always reflect the described state of the rules precisely, therefore the technical document includes also a detailed description of the tectogrammatical trees that are annotated in PDT 2.0. | Technická zpráva je dokumentací k Pražskému závislostnímu korpusu verze 2.0 (PDT 2.0). Obsahuje podrobný komplexní popis dosavadních pravidel anotování českých vět na tektogramatické rovině, a to především po stránce lingvistické, ale i po stránce technické. Anotovaná data neodráží vždy přesně popisovaný stav pravidel anotace, proto je v technické zprávě zahrnut i co nejpřesnější popis anotovaných tektogramatických stromů v korpusu PDT 2.0. | [
"Marie Mikulová",
"Alevtina Bémová",
"Jan Hajič",
"Eva Hajičová",
"Jiří Havelka",
"Veronika Kolářová",
"Lucie Kučová",
"Markéta Lopatková",
"Petr Pajas",
"Jarmila Panevová",
"Magda Razímová",
"Petr Sgall",
"Jan Štěpánek",
"Zdeňka Urešová",
"Kateřina Veselá",
"Zdeněk Žabokrtský"
] | https://www.semanticscholar.org/paper/69cb6fee91810c1a6630cffaf2f6a40e9f40f3ba/ | null | null | null | null | null | null | null | null | null | null | null | null |
en | 2006 | Annotation on the tectogrammatical level in the Prague Dependency Treebank. Reference book | Anotace na tektogramatické rovině Pražského závislostního korpusu. Referenční příručka | Technical report presents a short description of sentence representation at the tectogrammatical level in the Prague Dependecy Treebank 2.0 (PDT 2.0). It is aimed at those PDT users that look for a quick introduction into the used representation. | Technická zpráva je stručným popisem reprezentace věty na tektogramatické rovině Pražského závislostního korpusu verze 2.0 (PDT 2.0). Je určena uživatelům PDT, kteří se chtějí rychle zorientovat v námi použité reprezentaci. | [
"Marie Mikulová",
"Alevtina Bémová",
"Jan Hajič",
"Eva Hajičová",
"Jiří Havelka",
"Veronika Kolářová",
"Lucie Kučová",
"Markéta Lopatková",
"Petr Pajas",
"Jarmila Panevová",
"Magda Ševčíková",
"Petr Sgall",
"Jan Štěpánek",
"Zdeňka Urešová",
"Kateřina Veselá",
"Zdeněk Žabokrtský"
] | https://www.semanticscholar.org/paper/69cb6fee91810c1a6630cffaf2f6a40e9f40f3ba/ | null | null | null | null | null | null | null | null | null | null | null | null |
cs | 2006 | Annotation on the tectogrammatical level in the Prague Dependency Treebank. Reference book | Anotace na tektogramatické rovině Pražského závislostního korpusu. Referenční příručka | Technical report presents a short description of sentence representation at the tectogrammatical level in the Prague Dependecy Treebank 2.0(PDT 2.0). It is aimed at those PDT users that look for a quick introduction into the used representation. | Technická zpráva je stručným popisem reprezentace věty na tektogramatické rovině Pražského závislostního korpusu verze 2.0 (PDT 2.0). Je určena uživatelům PDT, kteří se chtějí rychle zorientovat v námi použité reprezentaci. | [
"Marie Mikulová",
"Alevtina Bémová",
"Jan Hajič",
"Eva Hajičová",
"Jiří Havelka",
"Veronika Kolářová",
"Lucie Kučová",
"Markéta Lopatková",
"Petr Pajas",
"Jarmila Panevová",
"Magda Ševčíková",
"Petr Sgall",
"Jan Štěpánek",
"Zdeňka Urešová",
"Kateřina Veselá",
"Zdeněk Žabokrtský"
] | https://www.semanticscholar.org/paper/69cb6fee91810c1a6630cffaf2f6a40e9f40f3ba/ | null | null | null | null | null | null | null | null | null | null | null | null |
en | 2006 | Recent developments of the theory of valency in the light of the Prague Dependency Treebank | Nedávný vývoj valenční teorie ve světle Pražského závislostního korpusu | The main features of the approach to the description of valency in the FGD and applied in the valency dictionary VALLEX are described. The quasivalency modifications are introduced and characterized with regard to their position between inner participants and free modifications. | Ve stati jsou uvedeny základní rysy valenčního přístupu užívaného ve Funkčním generativním popisu a aplikovaného ve valenčním slovníku VALLEX. Z hlediska teoretického je rámec rozšířen o tzv. kvazivalenční doplnění. Podává se jejich charakteristika vzhledem k participantům a volným doplněním. | [
"Markéta Lopatková",
"Jarmila Panevová"
] | https://www.semanticscholar.org/paper/4f5f0b406044f4a9238cefb1e1649a69e580a4f7/ | null | null | null | null | null | null | null | null | null | null | null | null |
en | 2006 | Valency Lexicon of Czech Verbs VALLEX 2.0 | Valenční slovník českých sloves VALLEX 2.0 | Valency Lexicon of Czech Verbs VALLEX 2.0, based on valency theory adopted from Functional Generative Description. VALLEX describes valency characteristics of frequent Czech verbs (number and type of complementations ant their morphemic realization). | Valenční slovník českých sloves VALLEX 2.0, založený na valenční teorii převzaté z funkčního generativního popisu. VALLEX zachycuje chování frekventovaných českých sloves (počet a typ doplnění a jejich merfematickou realizaci). | [
"Markéta Lopatková",
"Zdeněk Žabokrtský",
"Václava Benešová"
] | https://www.semanticscholar.org/paper/975e45e9396bcdd6f76be4f89deccd900b57613f/ | null | null | null | null | null | null | null | null | null | null | null | null |
en | 2006 | VALLEX 2.0 - Valency Lexicon of Czech Verbs | VALLEX 2.0 - Valenční slovník českých sloves | The Valency Lexicon of Czech Verbs, Version 2.0 (VALLEX 2.0) is a collection of linguistically annotated data and documentation, resulting from an attempt at formal description of valency frames of Czech verbs. VALLEX 2.0 has been developed at the Institute of Formal and Applied Linguistics, Faculty of Mathematics and Physics, Charles University, Prague. VALLEX 2.0 is successor of VALLEX 1.0, extended in both theoretical and quantitative aspects. | Valenční slovník českých sloves, obsahující přibližně 2730 záznamů o lexémech pokrývajících cca. 6460 lexikálních jednotek (významů). Slovník je volně k dispozici pro účely výzkumu.
V ramci ČR bylo nejvíce licencí vyžádáno z pracovišt Filozofické fakulty UK, Fakulty informatiky MU a Ústavu pro jazyk český AV, z desítek licencí pro zahraniční instituce pak lze uvést např. The Ohio State University, Saarland University, Zagreb University. | [
"Markéta Lopatková",
"Zdeněk Žabokrtský",
"Václava Benešová"
] | https://www.semanticscholar.org/paper/975e45e9396bcdd6f76be4f89deccd900b57613f/ | null | null | null | null | null | null | null | null | null | null | null | null |
en | 2006 | Valency Lexicon of Czech Verbs: Alternation-Based Model | Valenční slovník českých sloves: alternační model | The main objective of this paper is to introduce an alternation-based model of valency lexicon of Czech verbs VALLEX. Alternations describe regular changes in valency structure of verbs – they are seen as transformations taking one lexical unit and return a modified lexical unit as a result. We characterize and exemplify ‘syntactically-based’ and ‘semantically-based’ alternations and their effects on verb argument structure. The alternation-based model allows to distinguish a minimal form of lexicon, which provides compact characterization of valency structure of Czech verbs, and an expanded form of lexicon useful for some applications. | V tomto příspěvku představujeme alternační model valenčního slovníku VALLEX. Alternace popisují pravidelné změny ve valenční struktuře sloves. Charakterizujeme a exemplifikujeme ‘syntaktické‘ a ‚sémantické‘ alternace a jejich dopad na valenční strukturu sloves. | [
"Markéta Lopatková",
"Zdeněk Žabokrtský",
"Karolína Skwarska"
] | https://www.semanticscholar.org/paper/16d02081ad4c5e38af4f8c880db78de31027c747/ | null | null | null | null | null | null | null | null | null | null | null | null |
en | 2006 | Functional Generative Description, Restarting Automata and Analysis by Reduction | Funkční generativní popis, restartovací automaty and redukční analýza | We propose a new formal frame for FGD based on restarting automata. This new approach mirrors straightforwardly the so-called analysis by reduction, an implicit method used for linguistic research - analysis by reduction allows to obtain dependencies from the correct reductions of Czech sentences as well as to describe properly
the complex word-order variants of free a word order language. | V tomto příspěvku navrhujeme nový formální rámec pro FGD založený na restartovacích automatech. Tento přístup zrcadlí tzv. redukční analýzu, metodu implicitně využívanou lingvisty - tato analýza umožňuje odhalit závislostní vztahy ve větě na základě jejího postupného zjednodušování. | [
"Markéta Lopatková",
"Martin Plátek",
"Petr Sgall"
] | https://www.semanticscholar.org/paper/29d3ef3718a4ae981594f5065b1920157d812991/ | null | null | null | null | null | null | null | null | null | null | null | null |
en | 2006 | System of Pronominal Words in Czech with Respect to German and English | Systém pronominálních slov v češtině s ohledem na němčinu a angličtinu | Pronouns and other pronominal words are unproductive, closed classes with (at least to a certain extent) transparent derivational relations not only in Czech, but also in other languages. In the first part of our contribution, we introduce the representation of Czech pronominal words at the underlying syntactic layer (so called tectogrammatical layer, t-layer) of the Prague Dependency Treebank version 2.0, the annotation scenario of which was built on the theoretical basis of the Praguian Functional Generative Description. In the second part, we try to apply this representation to English and German pronominals in order to illustrate some of the common (universal) properties of the pronominal systems. | Zájmena a další zájmenná slova vytvářejí neproduktivní, uzavřené skupiny, v jejichž rámci lze (alespoň do jisté míry) identifikovat pravidelné slovotvorné a významové vztahy. V první části příspěvku je představena reprezentace českých zájmenných slov v rámci tektogramatické anotace Pražského závislostního korpusu (PDT 2.0). V druhé částí příspěvku se obdobným způsobem pokoušíme popsat anglická a německá zájmenná slova s cílem nastínit, že zájmenné systémy různých jazyků sdílejí celou řadu vlastností. | [
"Magda Razímová"
] | https://www.semanticscholar.org/paper/235a4f868f743fdbf71a4011913c6f34eb5ffa31/ | null | null | null | null | null | null | null | null | null | null | null | null |
en | 2006 | Annotation of Grammatemes in the Prague Dependency Treebank 2.0 | Anotace gramatémů v Pražském závislostním korpusu 2.0 | In this paper we report our work on the system of grammatemes (mostly semantically-oriented counterparts of morphological categories such as number, degree of comparison, or tense), the concept of which was introduced in Functional Generative Description, and has been recently further elaborated in the layered annotation scenario of the Prague Dependency Treebank 2.0. We present also a hierarchical typology of tectogrammatical nodes, which is used as a formal means for ensuring presence or absence of respective grammatemes. | V příspěvku je popsána práce na systému gramatémů, což jsou nejčastěji sémantické protějšky morfologických kategorií (substantivního čísla, slovesného času apod.). Gramatémy byly navrženy v rámci Funkčního generativního popisu a dále rozpracovány při víceúrovňové anotaci Pražského závislostního korpusu (PDT 2.0). Představena je také typologie tektogramatických uzlů, která je využívána jako formální prostředek pro rozlišení, které gramatémy danému uzlu náležejí a které nikoli. | [
"Magda Razímová",
"Zdeněk Žabokrtský"
] | null | null | null | null | null | null | null | null | null | null | null | null | null |
en | 2006 | Annotation of Temporal Relations within a Discourse | Anotace časových vztahů v diskurzu | In this paper we present an annotation scheme that captures general temporal relations between events expressed in a discourse. The proposed scheme aims to naturally extend the existing tectogrammatic annotation of the Prague Dependency Treebank and represents a step
towards capturing the cognitive (ontological) content of a discourse. The existence of such an annotation will allow the training and testing of algorithms for automatic extraction of temporal relations which, in turn, contributes to various NLP tasks such as information retrieval and machine translation. 233 sentences of Czech translations of the Wall Street Journal (Penn Treebank) have been annotated so far. We also present statistics on the distribution of respective temporal relations based on this
preliminary annotation data as well as the performance of a grammar-based algorithm. | Předkládáme anotační schéma, které zachycuje obecné časové vztahy mezi ději vyjádřenými v diskurzu. Jeho cílem je přirozeně rozšířit existující rovinu tektogramatické anotace Pražského závislostního korpusu. Představuje tak
krok k zachycení obsahu diskurzu. Existence korpusu anotovaného pomocí předkládaného schématu umožní trénování a testování algoritmů automatické extrakce časových vztahů, což přispěje k řešení mnoha úkolů ve zpracování přirozeného jazyka jako je získávání znalostí a strojový překlad. Celkem bylo zatím anotováno 233 vět českého překladu Wall Street Journalu (část Penn Treebanku). Překládáme informaci o statistickém rozdělení jednotlivých typů časových vztahů založenou na těchto prvních anotovaných datech a uvádíme též výsledek algoritmu pro automatické určování časových vztahů založeném na využití informace poskytované gramatikou. | [
"Petr Němec"
] | https://www.semanticscholar.org/paper/6c4a15673736ff3e8598a313a4c0dbc2cb6f0286/ | null | null | null | null | null | null | null | null | null | null | null | null |
en | 2006 | Tree Searching/Rewriting Formalism | Vyhledávací a přepisovací stromový formalismus | e presents a formalism capable of searching and
optionally replacing forests of subtrees within labelled trees. In particular, the formalism is developed to process linguistic treebanks. When used as a substitution tool, the interpreter
processes rewrite rules consisting of left and right side. The left side specifies a forest of subtrees to be searched for within a tree by imposing a set of constraints encoded as a query
formula. The right side contains the respective substitutions for these subtrees. In the search mode only the left side is present. The formalism is fully implemented. The performance of the
implemented tool allows to process even large linguistic corpora in acceptable time. The main contribution of the presented work consists of the expressiveness of the query formula, in the
elegant and intuitive way the rules are written (and their easy reversibility), and in the performance of the implemented tool. | Předkládáme formalismus určený k vyhledávání a případnému nahrazování podstromů v ohodnocených stromech. Zvláštní pozornost je věnována zpracování jazykových korpusů. Je-li interpret použit v nahrazovacím módu, zpracovává přepisovací pravidla obsahující levou a pravou stranu. Levá strana určuje vyhledávací formulí les podstromů, které mají být nalezeny. Pravá strana pak obsahuje odpovídající substituce. Ve vyhledávacím módu je přítomna pouze levá strana. Formalismus je plně implementován. Výkon implementovaného nástroje umožňuje zpracovat i rozsáhlé korpusy v přijatelném čase. Hlavním přínosem předkládané práce je dotazovací síla vyhledávací formule, elegantní a intuitivní podoba
pravidel (a jejich reverzibilita) a výkon implementovaného nástroje. | [
"Petr Němec"
] | https://www.semanticscholar.org/paper/fa66fce53cddffedb4a69f57b3a4c513639c163b/ | null | null | null | null | null | null | null | null | null | null | null | null |
en | 2006 | Czech Verbs of Communication and the Extraction of their Frames | Česká slovesa komunikace a automatické získávání jejich rámců | We aim at a procedure of automatic generation of valency
frames for verbs not covered in VALLEX, a lexicon of Czech verbs.We ex-
ploit the classification of verbs into syntactico-semantic classes. This arti-
cle describes our first step to automatically identify verbs of communica-
tion and to assign the prototypical frame to them. The method of identi-
fication is evaluated against two versions of VALLEX and FrameNet 1.2.
For the purpose of frame generation, a new metric based on the notion
of frame edit distance is outlined. | Tento příspěvek má za cíl představit návrh automatického generování valenčích rámců českých sloves, které dosud nejsou obsaženy ve valenčním slovníku VALLEX. V tomto návrhu využíváme syntakticko-sémantické klasifikace sloves. Popisujeme první krok v automatickém rozpoznávání valenčních rámců sloves mluvení a automatickém přiřazení valenčních rámců těmto slovesům. Představená metoda je vyhodnocena oproti dvěma verzím VALLEXu a FrameNetu 1.2. Pro účely generování valenčních rámců navrhujeme novou metriku založenou na konceptu vzdálenosti rámců. | [
"Václava Benešová",
"Ondřej Bojar"
] | https://www.semanticscholar.org/paper/60327813c6b4cf690ce1451b3751a2a19930da47/ | null | null | null | null | null | null | null | null | null | null | null | null |
en | 2006 | Automatic Verb Valency Frames Disambiguation from Czech | Automatická desambiguace valenčních rámců sloves v češtině | This paper deals with automatic disambiguation of verb valency frames on Czech data. Main contribution lies in determining of the most useful features for valency frame disambiguation. We experimented with diverse types of features, including morphological, syntax-based, idiomatic, animacy andWordNet-based. The considered features were classiffed using decision trees, rule-based learning and Naive Bayes classiffer.
On a set of 7 778 sentences we achieved accuracy of 79.86% against baseline 68.27% obtained by assigning the most frequent frame. | Článek se zabývá automatickou desambiguací slovesných valenčních rámců na českých datech. Hlavním přínosem je stanovení nejužitečnějších rysů pro zjednoznačnění valenčních rámců. | [
"Jiří Semecký"
] | https://www.semanticscholar.org/paper/0c3f0b3ee5e8c05a18c0150dd11c9bfe1091c874/ | null | null | null | null | null | null | null | null | null | null | null | null |
en | 2006 | On Automatic Assignment of Verb Valency Frames in Czech | O automatickém přiřazování valenčních rámců v češtině | Many recent NLP applications, including machine translation and information retrieval, could benefit from semantic analysis of language data on the sentence level. This paper presents a method for automatic disambiguation of verb valency frames on Czech data. For each verb occurrence, we extracted features describing its local context. We experimented with diverse types of features, including
morphological, syntax-based, idiomatic, animacy and WordNet-based features. The main contribution of the paper lies in determining which ones are most useful for the disambiguation task. The considered features were classified using decision trees, rule-based learning and a Naive Bayes classifier. We evaluated the methods using 10-fold cross-validation on VALEVAL, a manually annotated corpus of frame annotations containing 7,778 sentences. Syntax-based features have shown to be the most effective. When we used the full set of features, we achieved an accuracy of 80.55% against the baseline 67.87% obtained by assigning the most frequent frame. | Mnoho současných systémů pro zpracování přirozeného jazyka potřebuje informaci o slovesné valenci. Tento článek popisuje převod již existujícího valenčního slovníku angličtiny do struktury FGP. | [
"Jiří Semecký"
] | https://www.semanticscholar.org/paper/61768f7222a0958a8e63565731ec3404f91ae79b/ | null | null | null | null | null | null | null | null | null | null | null | null |
en | 2006 | Extensive Study on Automatic Verb Sense Disambiguation in Czech | Podrobná studie automatické desambiguace sloves v češtině | In this paper we compare automatic methods for disambiguation of verb senses, in particular we investigate Naive Bayes classifier, decision trees, and a rule-based method. Different types of features are proposed, including morphological, syntax-based, idiomatic, animacy, and WordNet-based features. We evaluate the methods together with individual feature types on two essentially different Czech corpora, VALEVAL and the Prague Dependency Treebank. The best performing methods and features are discussed. | V tomto článku srovnáváme automatické metody zjednoznačnění slovesných významů. Konkrétně zkoumáme naivní bayesovský klasifikátor, rozhodovací stromy a metodu založenou na pravidlech. Navrhujeme různé druhy rysů (morfologických, syntaktických, idiomatických a založených na WordNetu). Vyhodnocujeme metody i jednotlivé druhy rysů na dvou podstatně odlišných českých korpusech, VALEVALu a Pražském závislostním korpusu. | [
"Jiří Semecký",
"Petr Podveský"
] | https://www.semanticscholar.org/paper/9e5e181d67a0ab1fc0021bead568f5d6d104c152/ | null | null | null | null | null | null | null | null | null | null | null | null |
en | 2006 | Constructing an English Valency Lexicon | Budování anglického valenčního slovníku | This paper presents the English valency
lexicon EngValLex, built within the Functional
Generative Description framework.
The form of the lexicon, as well as the
process of its semi-automatic creation is
described. The lexicon describes valency
for verbs and also includes links to other
lexical sources, namely PropBank. Basic
statistics about the lexicon are given.
The lexicon will be later used for annotation
of the Wall Street Journal section
of the Penn Treebank in Praguian formalisms. | Systémy zpracování přirozených jazyků vyžadují informaci o slovesné valenci. Článek popisuje výrobu valenčního slovníku angličtiny EngVallex na základě již existujícího slovníku PropBank. | [
"Jiří Semecký",
"Silvie Cinková"
] | https://www.semanticscholar.org/paper/0c66f9a5ceb9e7f9c47394daa267e8fd830f17cf/ | null | null | null | null | null | null | null | null | null | null | null | null |
en | 2006 | Annotation Guidelines for Czech-English Word Alignment | Pokyny pro anotaci paralelního česko-anglického korpusu na úrovni slov | We report on our experience with manual alignment of Czech and English parallel corpus text. We applied existing guidelines for
English and French (Melamed 1998) and augmented them to cover systematically occurring cases in our corpus. We describe the main
extensions covered in our guidelines and provide examples. We evaluated both intra- and inter-annotator agreement and obtained very
good results of Kappa well above 0.9 and agreement of 95% and 93%, respectively. | Manuální anotace paralelního esko-anglického korpusu na úrovni slov. Pouili jsme existující pokyny pro anglitinu a francouztinu (Melamed 1998) a rozíili jsme je, aby pokrývaly pípady systematicky se objevující v naem korpusu. Popisujeme hlavní pípady rozíení a uvádíme píklady. Vyhodnotili jsme jak intra-, tak inter-anotatorskou shodu s velmi dobrými hodnotami Kappa výrazn nad 0,9 a shodou 95% pro intra-anotatorskou shodu a 93% pro inter-anotatorskou. | [
"Ivana Kruijffová",
"Klára Chvátalová",
"Oana Postolache"
] | https://www.semanticscholar.org/paper/2ebf0326c7aa77131527f71e1921f34ada2b90a0/ | null | null | null | null | null | null | null | null | null | null | null | null |
cs | 2006 | To discussion on standard and "prescribed" Czech | K diskusi o standardní a "spisovné" češtině | Several minor mistakes in the paper by the three authors may be revised without changing the conviction that the concept of "literary" language is getting obsolete. | Menší chyby v článku tří autorů lze opravit, aniž by se opouštělo přesvědčení, že pojem spisovnosti zastarává. | [
"František Čermák",
"Petr Sgall",
"Petr Vybíral"
] | null | null | null | null | null | null | null | null | null | null | null | null | null |
en | 2006 | Combining Czech Dependency Parsers | Kombinace českých závislostních analyzátorů | In this paper we describe in detail two
dependency parsing techniques developed
and evaluated using the Prague Dependency Treebank~2.0. Then we
propose two approaches for combining various existing parsers in order
to obtain better accuracy. The highest parsing accuracy reported in
this paper is 85.84~\%, which represents 1.86~\% improvement compared
to the best single state-of-the-art parser. To our knowledge, no better result
achieved on the same data has been published yet. | V článku jsou popsány dvě řešení syntaktické analýzy českých vět. Vyhodnocení je provedeno s pomocí dat Pražského závislostního korpusu. | [
"Tomáš Holan",
"Zdeněk Žabokrtský"
] | https://www.semanticscholar.org/paper/cf25e9aa933f4f67bc1fa727f306108b610ef6f2/ | null | null | null | null | null | null | null | null | null | null | null | null |
en | 2006 | Towards a Slovene Dependency Treebank | Slovinský závislostní korpus | The paper presents the initial release of the Slovene Dependency Treebank, currently containing 2000 sentences or 30.000 words. Our approach to annotation is based on the Prague Dependency Treebank, which serves as an excellent model due to the similarity of the languages, the existence of a detailed annotation guide and an annotation editor. The initial treebank contains a portion of the MULTEXT-East parallel word-level annotated corpus, namely the first part of the Slovene twas first parsed automatically, to arrive at the initial analytic level dependency trees. These were then hand corrected using the treeranslation
of Orwell’s “1984”. This corpus editor TrEd; simultaneously, the Czech annotation manual was modified for Slovene. The current version is available in XML/TEI, as well as derived formats, and has been used in a comparative evaluation using the MALT parser, and as one of the languages present in the CoNLL-X shared task on dependency parsing. The paper also discusses further work, in the first instance the composition of the corpus to be annotated next. | Článek popisuje první vydání Slovinského závislostního korpusu, který v současnosti obsahuje přibližně 2000 vět. Anotační postup je převzat z Pražského závislostní korpusu. | [
"Sašo Džeroski",
"Tomaž Erjavec",
"Nina Ledinek",
"Petr Pajas",
"Zdeněk Žabokrtský",
"Andreja Žele"
] | https://www.semanticscholar.org/paper/9bcf111bfe3d564cf163e2c133a04480582a7641/ | null | null | null | null | null | null | null | null | null | null | null | null |
en | 2006 | New Approach to Frequency Dictionaries - Czech Example | Nový přístup k frekvenčním slovníkům - český příklad | On the example of the recent edition of the Frequency Dictionary of Czech we describe and explain some new general principles that should be followed for getting better results for practical uses of frequency dictionaries. It is mainly adopting average reduced frequency instead of absolute frequency for ordering items. The formula for calculation of the average reduced frequencyis presented in the contribution together with a brief explanation, including examples clarifying the difference between the measures. Then, the Frequency Dictionary of Czech and its parts are described. | Na příkladu Frekvenčního slovníku češtiny ukážeme a vysvětlíme některé nové obecné principy, které poskytují lepší výsledky pro praktické použití frekvenčních slovníků. Jde především o použití průměrné redukované frekvence místo frekvence prosté. | [
"Jaroslava Hlaváčová"
] | https://www.semanticscholar.org/paper/b1b23a0f6ad1fec3ab7de09037fc7bfedc9d1851/ | null | null | null | null | null | null | null | null | null | null | null | null |
en | 2006 | From PropBank to EngValLex: Adapting the PropBank-Lexicon to the Valency Theory of the Functional Generative Description | Od PropBanku k EngValLexu: Adaptace PropBank-lexiconu na valenční teorii Funkčního generativního popisu | EngValLex is the name of an FGD-compliant valency lexicon of English verbs, built from the PropBank-Lexicon and following the structure of Vallex, the FGD-based lexicon of Czech verbs. EngValLex is interlinked with the PropBank-Lexicon, thus preserving the original links between the PropBank-Lexicon and the PropBank-Corpus. Therefore it is also supposed to be part of corpus annotation. This paper describes the automatic conversion of the PropBank-Lexicon into Pre-EngValLex, as well as the progress of its subsequent manual refinement (EngValLex). At the start, the Propbank-arguments were automatically re-labeled with functors (semantic labels of FGD) and the PropBank-rolesets were split into the respective example sentences, which became FGD-valency frames of Pre-EngValLex. Human annotators check and correct the labels and make the preliminary valency frames FGD-compliant. The most essential theoretical difference between the original and EngValLex is the syntactic alternations used by the PropBank-Lexicon, not yet employed within the Czech framework. The alternation-based approach substantially affects the conception of the frame, making in very different from the one applied within the FGD-framework. Preserving the valuable alternation information required special linguistic rules for keeping, altering and re-merging the automatically generated preliminary valency frames. | EngValLex je valenční slovník anglických sloves používaných v korpusu Penn Treebank, který jsme získali poloautomatickou konverzí již existujícího valenčního slovníku PropBank-Lexicon do formátu použitelného pro tektogramatickou anotaci podle Funkčního generativního popisu. Tento článek se věnuje automatické konverzi dat a lingvistické problematice jejich následné manuální korektury. | [
"Silvie Cinková"
] | https://www.semanticscholar.org/paper/eceda079865819e911320e514c4d488562323e99/ | null | null | null | null | null | null | null | null | null | null | null | null |
en | 2006 | Annotation of English on the tectogrammatical level | Anotace angličtiny na tektogramatické rovině | Technical report presents a preliminary short description of English sentence representation at the tectogrammatical level in the Prague English Dependecy Treebank. It is aimed at those PEDT users that look for a quick introduction into the used representation. | Technická zpráva je předběžným stručným popisem reprezentace anglické věty na tektogramatické rovině Pražského anglického závislostního korpusu verze. Je určena uživatelům PEDT, kteří se chtějí rychle zorientovat v námi použité reprezentaci. | [
"Silvie Cinková",
"Jan Hajič",
"Marie Mikulová",
"Lucie Mladová",
"Anja Nedolužko",
"Petr Pajas",
"Jarmila Panevová",
"Jiří Semecký",
"Jana Šindlerová",
"Josef Toman",
"Zdeňka Urešová",
"Zdeněk Žabokrtský"
] | null | null | null | null | null | null | null | null | null | null | null | null | null |
en | 2006 | Nouns as Components of Support Verb Constructions in the Prague Dependency Treebank | Substantiva jako součást složených predikátů v Pražském závislostním korpusu | Support Verb Constructions (SVCs) are combinations of a noun denoting an event or a state and a lexical verb. From the semantic point of view, the noun seems to be a part of a complex predicate rather than the object (or subject) of the verb, whatever the surface syntax may suggest. The meaning is concentrated in the noun component, whereas the semantic content of the verb is reduced or generalized.
In this article we deal with the question of how to treat SVCs in the Prague Dependency Treebank (PDT subsequently). In the second section we briefly describe what PDT is, what linguistic theory it is based on and what questions regarding the SVCs arose during the annotation. In the third section we explain how SVCs have been identified and inventoried in PDT. We also give a brief survey of how SVCs have been treated within other linguistic frameworks and, based on this knowledge, what conclusions were drawn for PDT. Of course, this survey does not claim to be exhaustive. The fourth section focuses on the semantic aspects of SVCs. The last section describes how the FGD-based valency theory has been implemented in the case of SVCs to provide both a consistent and a linguistically justified annotation in PDT. | Složenými predikáty (SP) rozumíme zejména konstrukce složené z významově vyprázdněného slovesa a nějakého abstraktního substantiva (často označujícího děj nebo stav). Toto substantivum může být jak deverbativní (např. učinit rozhodnutí, provést údržbu), tak nedeverbativní (např. dát pohlavek). Zmíněný typ predikátů je občas označován také za predikáty verbonominální, příp. analytické. V rámci anotací PDT volíme pro tyto predikáty název „složené predikáty“, a to z toho důvodu, že termín analytický je vyhrazen pro tzv. analytickou rovinu PDT a atributy s ní spojené, termín verbonominální pak zpravidla používáme pro označení jednoho z podtypů složených predikátů, a to predikátů tvořených sponovým slovesem být. V anglickém textu používáme pro označení všech typů složených predikátů termín complex predicates; pro složené predikáty, které nejsou tvořeny sponovým slovesem být, pak volíme obecně užívaný termín support verb constructions. V tomto příspěvku se věnujeme složeným predikátům bez sponového slovesa být. | [
"Silvie Cinková",
"Veronika Kolářová"
] | https://www.semanticscholar.org/paper/c71f90d1f01476e14b5ba789797e0d8217ef6099/ | null | null | null | null | null | null | null | null | null | null | null | null |
en | 2006 | Semi-automatic Building of Swedish Collocation Lexicon | Poloautomatické sestavování švédského kolokačního slovníku | This article presents a method of collocation extraction for a proposed Swedish valency lexicon. | Tento článek popisuje extrakci verbonominálních kolokací do švédského valenčního slovníku. | [
"Silvie Cinková",
"Petr Podveský",
"Pavel Pecina",
"Pavel Schlesinger"
] | https://www.semanticscholar.org/paper/ca869bbf0a519b1cb9c91ac329bdd616a441b2dc/ | null | null | null | null | null | null | null | null | null | null | null | null |
en | 2006 | LEMPAS: A Make-Do Lemmatizer for the Swedish PAROLE-Corpus | LEMPAS: Provizorní lematizátor pro švédský korpus PAROLE | LEMPAS, the lemmatizer for the Swedish corpus PAROLE, came into existence as a by-product of running the Sketch Engine (Kilgarriff et al., 2004) on Swedish, since many of the desirable features of the Sketch Engine, such as building word sketches, are only available for lemmatized corpora. We did not have access to any Swedish lexical sources and the time allowed for the lemmatization was very limited. Consequently, the lemmatizer had no great design ambitions. Initially, we were only attempting to bring related forms together under a prelemma, using general rules, and avoiding explicit lists where possible. When the initial rules gave surprisingly good lemmatizations of nouns, verbs and adjectives, we decided to transform the pre-lemmas into real lemmas. The improved lemmatizer made a very good impression. We have tested the program on the manually lemmatized Stockholm-Umeå Corpus (SUC), and have analyzed the results. | LEMPAS je pravidlový lematizátor pro švédský morfosyntakticky tagovaný korpus PAROLE. Vznikl jako jako provizorium při přípravě PAROLE pro kolokační analýzu prováděnou nástrojem Sketch Engine. Přesto dává poměrně uspokojivé výsledky v lematizaci substantiv, sloves a částečně i adjektiv, jak jsme zjistili jeho testováním na ručně lematizovaném korpusu SUC. | [
"Silvie Cinková",
"Jan Pomikálek"
] | https://www.semanticscholar.org/paper/1b534130454a00a4ef1f3c2e0a7cb1436d049aaf/ | null | null | null | null | null | null | null | null | null | null | null | null |
en | 2006 | Maximum Mutual Information and Word Classes | MMI a tridy slov | Herein, I
present some notes concerning implementation of now classical method of
data clustering, called Maximum Mutual Information Clustering. It was
introduced in [\markcite{{\it Mercer et al.}, 1992}] in context of language
modeling. The original article contained some cues concerning its implementation.
These are carried out in detail here, together with some new tricks. Results
of the test run on 110M words long Czech National Corpus are briefly
described then. Also, some problems of the original approach are identified
and their possible cause is suggested. | Zde, já
předložit některé poznámky týkající se provádění nyní klasické metody
Údaje shlukování, tzv. maximální vzájemné výměny informací clusteru. Bylo to
zaveden v [\ markcite ((\ it Mercer et al.)) 1992] v souvislosti s jazykem
modelování. Původní článek obsahuje některé podněty k jeho provádění.
Ty jsou prováděny v detailu tady, spolu s některými novými triky. Výsledky
z test na 110M slov dlouho Český národní korpus je stručně
pak popsány. Také jsou identifikovány některé problémy z původní přístup
a jejich možné příčiny se navrhuje. | [
"David Klusáček"
] | https://www.semanticscholar.org/paper/445ab708b53010643e6a168cd1a9b5dcb574fe67/ | null | null | null | null | null | null | null | null | null | null | null | null |
en | 2006 | On Distance between Deep Syntax and Semantic Representation | O vzdálenosti tektogramatické roviny od obsahu | We present a comparison of two formalisms
for representing natural language
utterances, namely deep syntactical Tectogrammatical
Layer of Functional Generative
Description (FGD) and a semantic
formalism, MultiNet. We discuss the
possible position of MultiNet in the FGD
framework and present a preliminary mapping
of representational means of these
two formalisms. | Prezentujeme srovnání dvou formalismů pro reprezentaci výpovědí v přirozeném jazyce, totiž hloubkově syntaktickou tektogramatickou rovinu Funkčního generativního popisu (FGD) a sémantický formalismus MultiNet. Probíráme možnou pozici MultiNetu v rámci FGD a prezentujeme předběžné zobrazení reprezentačních prostředků těchto dvou formalismů. | [
"Václav Novák"
] | https://www.semanticscholar.org/paper/9b8e492f432e2c36c8b0da26979b3c66c360e1e7/ | null | null | null | null | null | null | null | null | null | null | null | null |
en | 2006 | Perspectives of Turning Prague Dependency Treebank into a Knowledge Base | Možnosti využití Pražského závislostního korpusu jako shromaždiště znalostí | Recently, the Prague Dependency Treebank 2.0 (PDT 2.0) has emerged as the largest text corpora annotated on the level of tectogrammatical
representation ("linguistic meaning") described in Sgall et al. (2004) and containing about 0.8 milion words (see Hajic (2004)).
We hope that this level of annotation is so close to the meaning of the utterances contained in the corpora that it should enable us to automatically
transform texts contained in the corpora to the form of knowledge base, usable for information extraction, question answering,
summarization, etc. We can use Multilayered Extended Semantic Networks (MultiNet) described in Helbig (2006) as the target formalism.
In this paper we discuss the suitability of such approach and some of the main issues that will arise in the process. | Nedávno vydaný Pražský závislostní korpus 2.0 (PDT 2.0) je největším korpusem anotovaným na tektogramatické rovině ("rovině jazykového významu") popsané ve Sgall et al. (2004) a obsahuje asi 0,8 miliónu slov (viz Hajič (2004)). Doufáme, že tato rovina anotace je již natolik blízko významu výpovědí v korpusu obsažených, že umožní automatickou transformaci textů do báze znalostí použitelné pro extrakci informací, zodpovídání dotazů, sumarizaci atd. | [
"Václav Novák",
"Jan Hajič"
] | https://www.semanticscholar.org/paper/095b3c29106a2510e592eab4cc5b03f53fbe97d0/ | null | null | null | null | null | null | null | null | null | null | null | null |
en | 2006 | A corpus-based exercise book of Czech language | Cvičebnice češtiny založená na jazykovém korpusu | We present a system designed as an electronic corpus-based exercise book of Czech morphology and
syntax with the exercises directly selected from the Prague Dependency Treebank. In this way we want
to make schoolchildren familiar with such an important academic product. Obviously, we do not
expect that the schoolchildren (will) do grammar practicing so enthusiastically as they surf the
web, chat with friends or write a web log. However, we believe that an electronic exercise book can
make practicing more fun.
Two kinds of exercises are provided, morphological and syntactic, i. e. the exercises give practice
in classifying parts of speech and morphological categories of words and in parsing a sentence and
classifying syntactic functions of words. The Prague Dependency Treebank data cannot be used
directly though, because of the differences between the academic approach and the approach taught in
schools. Some of the sentences have to be completely discarded and several transformations have to
be applied to the others in order to convert the original representation to the form the
schoolchildren are familiar with. | Představujeme systém elektronické cvičebnice české morfologie a syntaxe. Jednotlivá cvičení jsou
vybrána přímo z Pražského závislostního korpusu. Chceme takto seznámit žáky s důležitým akademickým
produktem. Pochopitelně neočekáváme, že studenti si budou procvičovat gramatiku s takovým nadšením,
s jakým surfují po webu, povídají si s kamarády nebo si píší blog. Na druhou stranu věříme, že
elektronická cvičebnice může přinést zábavnější formu procvičování.
Poskytujeme dva typy cvičení: morfologická a syntaktická, tedy cvičení v určování slovních druhů a
jejich morfologických kategorií a v rozboru věty a určování větných členů. Vzhledem k rozdílům mezi
akademickým a školským přístupem nemohou být data Pražského závislostního korpusu použita přímo.
Některé věty musejí být zcela vynechány, na jiné je potřeba aplikovat řadu transformací a tím je
převést z původní reprezentace do podoby, na niž jsou žáci zvyklí. | [
"Ondřej Kučera"
] | https://www.semanticscholar.org/paper/a4c7d92c5707f11d1d2fda82f41503f84a808133/ | null | null | null | null | null | null | null | null | null | null | null | null |
cs | 2006 | Prague Dependency Treebank as an exercise book of Czech language | Pražský závislostní korpus jako cvičebnice jazyka českého | Prague Dependency Treebank (PDT) is one of the top
language corpora in the world. The aim of this work is to introduce
a software system that builds an exercise book of Czech
using the data of PDT. Two kinds of exercises are provided: morphology
(selecting correct parts of speech and their morphological categories)
and sentence parsing (selecting analytical functions and dependencies
between them). The PDT data cannot be used directly though, because
of the differences between the academic approach in sentence parsing
and the approach that is used in schools. Some of the sentences have
to be discarded completely, several transformations have to be applied
to the others in order to convert the original representation to the
form to which the students are used to from school. | Pražský závislostní korpus (PDT) patří mezi nejvýznamnější
jazykové korpusy na světě. Cílem této práce je představit softwarový
systém, který nad daty PDT tvoří cvičebnici českého jazyka. Procvičování
probíhá ve dvou oblastech: tvarosloví (určování slovních druhů a jejich
morfologických kategorií) a větný rozbor (určování větných členů a
závislostí mezi nimi). Vzhledem k odlišnostem mezi akademickými rozbory
vět a rozbory tak, jak jsou vyučovány ve školách, však nelze data
PDT použít zcela přímočaře. Mnoho vět je potřeba z dat úplně vyřadit,
na ostatních je nutné provést množství transformací, které převedou
původní reprezentaci do tvaru, na který jsou žáci zvyklí ze školy. | [
"Ondřej Kučera"
] | null | null | null | null | null | null | null | null | null | null | null | null | null |
cs | 2006 | Prague Dependency Treebank as an electronic exercise book of Czech language | Pražský závislostní korpus jako elektronická cvičebnice jazyka českého | Prague Dependency Treebank (PDT) is one of the most important language corpora in the world. The aim
of our work is to introduce a software system which builds an exercise book of Czech language upon
the PDT data. Two kinds of exercises are provided, morphological (classifying parts of speech and
morphological categories of words) and syntactic (parsing a sentence and classifying syntactic
functions of words). Due to the differences between the academic approach and the school approach
to the parsing of sentences, the PDT data cannot be used directly. Many sentences have to be
discarded completely, several transformations need to be applied to the others in order to convert
them to a form the students are familiar with. | Pražský závislostní korpus (PDT) patří mezi nejvýznamnější jazykové korpusy na světě. Cílem naší
práce je představit softwarový systém, který nad daty PDT vytvoří elektronickou cvičebnici českého
jazyka. Procvičování probíhá ve dvou oblastech: tvarosloví (určování slovních druhů a jejich
morfologických kategorií) a větný rozbor (určování větných členů a závislostí mezi nimi). Vzhledem k
odlišnostem mezi akademickými rozbory vět a rozbory tak, jak jsou vyučovány ve školách, však nelze
data PDT použít zcela přímočaře. Mnoho vět je potřeba z dat úplně vyřadit, na ostatních je nutné
provést množství transformací, které převedou původní reprezentaci do tvaru, na nějž jsou žáci
zvyklí ze školy. | [
"Ondřej Kučera"
] | https://www.semanticscholar.org/paper/19b67fdf9a10055018283dae6e460beae75fd94e/ | null | null | null | null | null | null | null | null | null | null | null | null |
en | 2006 | Web as a Corpus | Web jako korpus | The World Wide Web offers a unique possibility to create very large and high quality text collections with low manual work necessary. In this paper, we describe requirements for usable linguistic corpus and we present a routine for building such corpus from the web pages. Several important issues that must be resolved for successful processing are discussed. As a pilot study, we create a billion-token Slovenian corpus based solely on the contents of web pages. | Webové stránky přináší unikátní příležitost vytvořit velkou a kvalitní kolekci textů s malým úsilím. V tomto článku popisujeme nutné podmínky pro vytvoření dobrého korpusu textů a přinášíme program program pro jeho vytvoření z webových stránek. Jako pilotní studii jsme vytvořili slovinský korpus o velikosti přesahující miliardu slov. | [
"Miroslav Spousta"
] | https://www.semanticscholar.org/paper/61bf612e6456380d93d2240984391de303c4e54e/ | null | null | null | null | null | null | null | null | null | null | null | null |
cs | 2006 | Curves of ROC Type & Evaluation of Computational Linguistics Methods | Křivky typu ROC a evaluace metod komputační lingvistiky | In natural language processing task you can use so called association measures while studying collocation event. Those measures are often defined in branches as statistics, information theory and computational linguistics. Here we are presenting the processes of preparation, evaluation and visualisation of association measures that can be used in practical experiments. Moreover, we are proposing the way how to combine individual measures in order to result improvements. | Ve zpracování přirozeného jazyka se při studiu kolokačního jevu používají tzv. asociační míry, které jsou často původně definovány v oborech jako statistika, teorie informace nebo komputační lingvistiky. Zde přestavujeme procesy výroby, evaluace a vizualizace asociačních měr, které se dají prakticky využít. Zároveň navrhujeme způsob, jak míry kombinovat za účelem zlepšení výsledků. | [
"Pavel Schlesinger",
"Pavel Pecina"
] | https://www.semanticscholar.org/paper/f7b2c291d4890fc105acbe592caa9fa86f1d9532/ | null | null | null | null | null | null | null | null | null | null | null | null |
en | 2006 | Efficient Implementation of Optimal Linear Discriminant Analysis | Efektivní implementace optimální lineární diskriminační analýzy | Here we aim at optimizing the implementation of Fisher’s Linear Discriminant Analysis (FLDA) - based classification for the small sample size problem. Among methods for this problem it considers the one closest, in some sense, to the classical regular approach and improves its implementation with regards to computational and storage costs and numerical stability. | V tomto příspěvku je naším cílem optimalizovat implementování Fisherovy lineární diskriminační analýzy (FLDA), která je základní klasifikační metodou pro úlohu s malým vzorkem pozorovaných objektů. Mezi metodami řešícími tento problém představujeme metodu, která je v jistém smyslu nejblíž původnímu klasickému regulárnímu přístupu a jejíž implementace zlepšuje komputační a pamětové nároky a numerickou stabilitu. | [
"Jurjen Duintjer Tebbens",
"Pavel Schlesinger"
] | https://www.semanticscholar.org/paper/99e4712b9846e6815e76e11fff13af10d61fe396/ | null | null | null | null | null | null | null | null | null | null | null | null |
en | 2006 | Morphological Tagging Based on Averaged Perceptron | Morfologické značkování pomocí průměrovaného perceptronu | Czech (like other Slavic languages) is well known for its complex morphology. Text processing (e.g., automatic translation, syntactic analysis...) usually requires unambiguous selection of grammatical categories (so called morphological tag) for every word in a text. Morphological tagging consists of two parts – assigning all possible tags to every word in a text and selecting the right tag in a given context. Project Morče attempts to solve the second part, usually called disambiguation. Using a statistical method based on the combination of a Hidden Markov Model and the AveragedAveraged Perceptron algorithm, a number of experiments have been made exploring different parameter settings of the algorithm in order to obtain the best success rate possible. Final accuracy of Morče on data from PDT 2.0 was 95.431% (results of March 2006). So far, it is the best result for a standalone tagger. | Čeština (jako ostatní slovanské jazyky) je dobře známa svou morfologickou bohatostí. Zpracování textu (např. strojový překlad, syntaktická analýza) obvykle vyžaduje jednoznačný výběr gramatických kategorií (tzv. morfologické značky) pro každé slovo v textu. Morfologické značkování sestává ze dvou částí - přiřazení všech možných značek každému slovu v textu a volbu správné značky v daném kontextu. Projekt Morče řeší druhou část, obvykle zvanou disambiguace.
Byla použita statistická metoda založená na kombinaci skrytého Markovova modelu a průměrovaného perceptronu. Autor provedl mnoho experimentů porovnávajících různá nastavení parametrů algoritmu, aby dosáhl nejlepší možné úspěšnosti.
Výsledná úspěšnost Morčete na datech z PDT 2.0 byla 95,431 % (březen 2006), což je na češtině zatím nejlepší dosažený výsledek samostatného taggeru. | [
"Jan Votrubec"
] | https://www.semanticscholar.org/paper/c2f6f3c8f7026bdc2cd87cf17b2f53cacbfdf5a1/ | null | null | null | null | null | null | null | null | null | null | null | null |
en | 2006 | Analytical and Tectogrammatical Analysis of a Natural Language | Analytická a tektogramatická analýza přirozeného jazyka | The thesis presents tools for analysis at analytical and tectogrammatical layers that the Prague Dependency Treebank is based on.
The tools for analytical annotation consist of two parsers and a tool for assigning syntactic tags. Although the performance of the parsers is far below that of the state-of-the-art parsers, they both can be considered a certain contribution to parsing, since the methods they are based on are novel. The tool for assigning syntactic tags makes 15% less errors than a tool used for this purpose previously.
The tool developed for tectogrammatical annotation is the only one that can currently perform this task in such a breadth. Although other, specialized tools may have a better performance of some of its particular subtasks, my tool makes 29% and 47% less errors for the Czech language than the combination of existing tools for annotating the tectogrammatical structure and deep functors, respectively, which are the core of the tectogrammatical layer.
The proposed tools are designed the way they can be used for other languages as well. | Tato práce předkládá nástroje pro analýzu na analytické a tektogramatické rovině, které jsou základem Pražského závislostního korpusu.
Nástroje pro analytickou anotaci sestávají ze dvou parserů a nástroje přiřazujícího tzv. analytické funkce. Ačkoli úspěšnost parserů je daleko za úspěšností nejlepších parserů, oba mohou být chápány jako určitý přínos k parsingu, neboť jsou založeny na nových metodách. Nástroj přiřazující analytické funkce dělá o 15 % chyb méně než nástroj, který se k tomuto účelu používal dosud.
Nástroj vyvinutý pro tektogramatickou anotaci je jediný, který tuto úlohu nyní zvládá v takové šíři. Ačkoli jiné, specializované nástroje možná řeší některé její podúlohy lépe, pro češtinu dělá můj nástroj o 29 %, resp. 47 % méně chyb než kombinace existujících nástrojů určujících tektogramatickou strukturu, resp. hloubkové funktory, což je obojí jádrem tektogramatické roviny.
Předkládané nástroje jsou navrženy tak, aby je bylo možno použít i pro jiné jazyky. | [
"Václav Klimeš"
] | https://www.semanticscholar.org/paper/427d13b5b0b057c5ca53491f85b0432fdad3ddc4/ | null | null | null | null | null | null | null | null | null | null | null | null |
en | 2006 | Automatic analyser of Czech language at the tectogrammatical layer | Automatický analyzátor češtiny na tektogramatické rovině | The tool, using training data for creation of its language model, adds annotation at the tectogrammatical layer (as it is defined in the Prague Dependency Treebank) to Czech text annotated at morphological and analytical layers. | Nástroj používající trénovací data pro vytvoření svého jazykového modelu přidává anotaci na tektogramatické rovině (tak, jak je definována v Pražském závislostním korpusu) k textům v češtině anotovaným na morfologické a analytické rovině. | [
"Václav Klimeš"
] | null | null | null | null | null | null | null | null | null | null | null | null | null |
en | 2006 | Rule-Based Analytical Parsing of Czech | Analytický parsing češtiny založený na pravidlech | This paper introduces two methods of dependency parsing by means of rules automatically inferred from training data. For Czech the accuracy of the proposed parsers is considerably behind that of the state-of-the-art parsers, but the paper brings a new method of inference of rules and applies transformation-based learning to parsing in a novel way. Moreover, the parsers use properties of Czech language in a very limited way and thus can easily be used for parsing another language. The paper also introduces a method of assigning so called analytical functions
that outperforms that currently used. | Tento článek představuje dvě metody závislostní syntaktické analýzy pomocí pravidel automaticky odvozených z trénovacích dat. Úspěšnost takto získaných analyzátorů na češtině je zřetelně pozadu za nejlepšími známými parsery, avšak článek přináší novou metodu odvozování pravidel a novátorským způsobem aplikuje transformační učení na syntaktickou analýzu. Navíc parsery využívají vlastnosti češtiny jen ve velmi omezené míře, takže mohou být snadno nasazeny na jiný jazyk. Článek také představuje metodu přiřazení takzvaných analytických funkcí, která vykazuje lepší výsledky než metody používané dosud. | [
"Václav Klimeš"
] | https://www.semanticscholar.org/paper/d37d124d9e9699df8b1fb3f66dea962c1273b61b/ | null | null | null | null | null | null | null | null | null | null | null | null |
en | 2006 | Transformation-Based Tectogrammatical Analysis of Czech | Tektogramatická analýza češtiny založená na transformacích | There are several tools that support manual annotation of data at the Tectogrammatical Layer as it is defined in the Prague Dependency Treebank. Using transformation-based learning, we have developed a tool which outperforms the combination of existing tools for pre-annotation of the tectogrammatical structure by 29%
(measured as a relative error reduction) and for the deep functor (i.e., the semantic function) by 47%. Moreover, using machine-learning technique makes our tool almost independent of the language being processed. This paper gives details
of the algorithm and the tool. | Existuje několik nástrojů, které podporují ruční anotaci dat na tektogramatické rovině, jak ji definuje Pražský závislostní korpus. S pomocí transformačního strojového učení jsme vyvinuli nový nástroj, který zlepšuje dosavadní výsledky preanotace tektogramatických struktur o 29 % (měřeno jako relativní snížení chybovosti) a hloubkových funktorů (tj. sémantických funkcí) o 47 %. | [
"Václav Klimeš"
] | https://www.semanticscholar.org/paper/5b760a420691969280429beabcb271aceb08953d/ | null | null | null | null | null | null | null | null | null | null | null | null |
de | 2006 | Language situation in Teshen Silesia from historical perspective | Jazyková situace v Těšínském Slezsku z historické perspektivy | The paper describes the language situation of the Polish minority in Teshen Silesia, its history and development up to the present day. | Článek popisuje situaci polské národnostní menšiny na Těšínsku, historický vývoj dialektu a jeho současný stav. | [
"Petr Homola"
] | null | null | null | null | null | null | null | Die Sprachsituation im Teschener Schlesien aus historischer Perspektive | Der Artikel beschreibt die Situation der polnischen Minderheit in der Teschener Region, die historische Entwicklung und den derzeitigen Stand des Dialektes. | null | null | null | null |
en | 2006 | A Structural Similarity Measure | Míra strukturní podobnosti | This paper outlines a measure of language similarity based on structural similarity of surface syntactic dependency trees. Unlike the more tradi- tional string-based measures, this measure tries to reflect deeper correspondences among languages. The development of this measure has been inspired by the experience from MT of syntactically similar languages. This experience shows that the lexical similarity is less important than syntactic similarity. This claim is supported by a number of examples illustrating the problems which may arise when a measure of language similarity relies too much on a simple similarity of texts in different languages. | Článek navrhuje míru pro měření podobnosti jazyků založenou na strukturní podobnosti povrchových závislostních stromů. | [
"Petr Homola",
"Vladislav Kuboň"
] | https://www.semanticscholar.org/paper/a5b9553f361be5e943b6c899e5b028c19b0465a5/ | null | null | null | null | null | null | null | null | null | null | null | null |
en | 2006 | Exploiting Similarity in the MT into a Minority Language | Průzkum podobnosti v systému strojového překladu do menšinového jazyka | This paper describes an architecture of a machine translation system designed primarily for Slavic languages. The architecture is based upon a shallow transfer module and a stochastic ranker. The shallow transfer module helps to resolve the problems, which arise even in the translation of related languages, the stochastic ranker then chooses the best translation out of a set provided by a shallow transfer. The results of the evaluation support the claim that both modules newly introduced into the system result in an improvement of the translation quality. | Článek popisuje architekturu systému strojového překladu pro slovanské jazyky. | [
"Boštjan Dvořák",
"Petr Homola",
"Vladislav Kuboň"
] | https://www.semanticscholar.org/paper/f749e08db8298ad86af8fbf945d4aab57d454b08/ | null | null | null | null | null | null | null | null | null | null | null | null |
cs | 2006 | On segmentation of Czech sentences | O segmentaci českých vět | On segmentation of Czech sentences. The paper introduces a concept of segments, linguistically motivated and easily detectable language units. These segments may be subsequently combined into clauses and thus provide a structure of a complex sentence with regard to the mutual relationship of individual clauses. The method has been developed for Czech as a language representing languages with relatively high degree of word-order freedom.
The paper introduces important terms and describes a segmentation chart. It also contains a simple set of rules applied for the
segmentation of a small set of Czech sentences. The segmentation results are evaluated against
a small hand-annotated corpus of Czech complex sentences. | Příspěvek zavádí pojem (větného) segmentu, jednotky, která je lingvisticky motivovaná a přitom snadno automaticky rozpoznatelná.
Rozpoznání segmentů umožňuje určovat segmentační strukturu věty (reprezentovanou segmentačním schématem), na jejímž základě lze
vymezit jednotlivé klauze souvětí a jejich vzájemný vztah, a tím i syntaktickou strukturu souvětí. Metoda segmentace je navržena
pro automatické zpracování češtiny, jazyka s relativně velmi volným slovosledem.
V příspěvku je dále popsána sada jednoduchých pravidel, která je využita pro budování segmentačních schémat. Výsledky segmentace
jsou vyhodnoceny vzhledem k malému ručně anotovanému korpusu českých vět. | [
"Vladislav Kuboň",
"Markéta Lopatková",
"Martin Plátek",
"Patrice Pognan"
] | https://www.semanticscholar.org/paper/f75c5b4de4e94f8f1639ef626dddd2d823865fa0/ | null | null | null | null | null | null | null | null | null | null | null | null |
en | 2006 | Segmentation of Complex Sentences | Segmentace komplexních vět | The paper describes a method of dividing complex sentences into segments, easily detectable and
linguistically motivated units that may be subsequently combined into clauses and thus provide
a structure of a complex sentence with regard to the mutual relationship of individual clauses.
The method has been developed for Czech as a language representing languages with relatively
high degree of word-order freedom. The paper introduces important terms, describes a
segmentation chart, the data structure used for the description of mutual relationship between
individual segments and separators. It also contains a simple set of rules applied for the
segmentation of a small set of Czech sentences. The segmentation results are evaluated against
a small hand-annotated corpus of Czech complex sentences. | Článek popisuje metodu zpracování souvětí založenou na identifikaci segmentů.
Metoda byla vyvinuta pro český jazyk, který je charakteristický volností slovosledu. Příspěvek zavádí důležité pojmy a popisuje
datovou struktury používanou pro popis vzájemného vztahu mezi jednotlivými segmenty. Obsahuje také základní soubor pravidel pro
segmentaci a vyhodnocení na malém souboru českých vět. | [
"Vladislav Kuboň",
"Markéta Lopatková",
"Martin Plátek",
"Patrice Pognan"
] | https://www.semanticscholar.org/paper/1f77fe4ade47958db7c7a0b13a60937634b882be/ | null | null | null | null | null | null | null | null | null | null | null | null |
cs | 2006 | Automatic Word Sense Disambiguation | Automatické přiřazování významu - "Sense-tagging" | This thesis deals with word sense disambiguation of nouns and
adjectives.
We make use of the two approaches to distinguish word senses: the first
method is derived from synsets from the Czech WordNet, the second one uses
valency frames from the PDT-VALLEX dictionary.
This means we have the two separate tasks, the goal of which is to assign
appropriate senses (synsets/frames) to ambiguous lemmas.
We are employing machine learning methods, the most notable of which are
the decision trees.
For this purpose we are using two types of data, namely the PDT corpus
with rich annotations on several language layers, and also the part of
the PDT manually annotated using the CWN.
In the first part we are trying to merge both corpora, since they are stored
in the different formats.
In the second part we are using syntactic and morphologic features to assign
CWN synsets.
We reach 91,4% accuracy (compared to 90,0% baseline) for nouns and 93,9%
(compared to 93,2%) for adjectives.
In other words this means that we can correct 13,7% (10,0% respectively)
of errors made by the baseline.
This method is applied on the t-layer, where lack of data is obvious.
In the third part we are assigning valency frames to nouns using information
from deep syntactic layer.
The accuracy gained by us has grown to 86,9% compared to 84,9% baseline.
At the very end, we compare the both dictionaries obtained. | Tato práce se zabývá desambiguací významu substantiv a adjektiv.
Významy rozlišuje dvojím způsobem, na základě synsetů z Českého WordNetu
a podle valenčních rámců zachycených v
PDT-VALLEXU.
Tím vznikají dvě oddělené úlohy, spočívající v přiřazování synsetů/rámců
víceznačným lemmatům.
Řešíme je metodou strojového učení, konkrétně využíváme rozhodovací stromy.
K disposici máme korpus PDT s bohatou anotací na více jazykových rovinách
obsahující i valenční rámce a dále část PDT s ruční anotací pomocí ČWN.
V první části práce se zabýváme spojením obou korpusů, neboť jsou v různých
formátech.
Ve druhé části s použitím syntaktických závislostí věty a morfologických
informací přiřazujeme synsety z ČWN.
Dosahujeme úspěšnosti 91,4% (proti 90,0% baseline) pro substantiva a 93,9%
(proti 93,2%) pro adjektiva.
To představuje opravení 13,7% (resp.
10,0%) chyb vůči baseline.
Krátce tuto metodu aplikujeme také na t-rovinu, kde je však patrný nedostatek
dat.
Ve třetí části přiřazujeme valenční rámce substantivům na základě informací
z hloubkové roviny významu.
Dosahujeme úspěšnosti 86,9% proti 84,9% baseline.
Na závěr porovnáváme oba použité slovníky. | [
"Eduard Bejček"
] | https://www.semanticscholar.org/paper/e48919d398b16561d36a1bc58373580618157914/ | null | null | null | null | null | null | null | null | null | null | null | null |
en | 2006 | The lexico-semantic annotation of PDT: Some results, problems and solutions | Lexikálně-semantická anotace Pražského závislostního treebanku | This paper presents our experience with the lexico-semantic annotation of
the Prague Dependency Treebank (PDT). We have used the Czech WordNet (CWN)
as an annotation lexicon (repository of lexical meanings) and we annotate each word
which is included in the CWN. Based on the error analysis we have performed some
experiments with modification of the annotation lexicon (CWN) and consequent re-
annotation of occurrences of selected lemmas. We present the results of the annotations
and improvements achieved by our corrections. | Tento článek popisuje zkušenost s lexikálně-sémantickou anotací Pražského závislostního korpusu (Prague Dependency Treebank, PDT). Jako slovník jsme používali Český WordNet (ČWN) a anotovali jsme každé slovo vyskytující se v ČWN. Na základě chybové analýzy jsme anotační slovník upravili a následně přeanotovali vybraná lemmata. Předkládáme výsledky anotací a zlepšení dosažená díky opravám. | [
"Eduard Bejček",
"Petra Möllerová",
"Pavel Straňák"
] | https://www.semanticscholar.org/paper/2bd00544dccd2864a0741c9f0587984eb9e19f48/ | null | null | null | null | null | null | null | null | null | null | null | null |
en | 2006 | Systematic Parameterized Description of Pro-forms in the Prague Dependency Treebank 2.0 | Systematický parametrický popis pronominálních slov v Pražském závislostním korpusu 2.0 | In this paper, we present a formal linguistic system for the annotation of proforms which has been developed and implemented in the framework of the tectogrammatical layer of the Prague Dependency Treebank 2.0. The main motivation of our approach is the following: if there is a semantically relevant regularity within a certain subset of pro-forms, then it is more useful – at least from the viewpoint of treebank users interested in natural language semantics, in conversions into logical forms etc. – if such information is available in the treebank in an explicit, machine-tractable form. In this case, the semantic features originally present in the word form (given its context) are extracted and stored as values of inner parameters of tectogrammatical nodes corresponding to the given word form. | Přípěvek představuje formální lingvistický systém pro anotaci zájmenných slov, který byl vyvinut a implementován v rámci tektogramatické roviny Pražského závislostního korpusu (PDT 2.0). Z hlediska vytváření anotovaných korpusů a jejich užívání se ukazuje jako užitečné, pokud jsou pravidelnosti, které lze uvnitř určité podskupiny zájmenných slov sledovat, explicitně popsány. Při takovém postupu jsou významové rysy, které jednotlivá zájmenná slova sdílejí, z těchto slov extrahovány a zachyceny hodnotou atributů. V příspěvku je sada atributů navržených pro tyto účely podrobně popsána. | [
"Magda Ševčíková-Razímová",
"Zdeněk Žabokrtský"
] | https://www.semanticscholar.org/paper/773e4720026d9d0424aa61cb8915544643dfa6a9/ | null | null | null | null | null | null | null | null | null | null | null | null |
cs | 2006 | Miroslav Červenka died | Zemřel Miroslav Červenka | Miroslav Červenka’s publications are of great importance for the theory of verse and for Czech literary science in general. | Publikace Miroslava Červenky mají základní význam pro teorii verše a pro literarni vědu obecně. | [
"Květa Sgallová",
"Petr Sgall"
] | https://www.semanticscholar.org/paper/a9d8dee17df536da993fa0612138802b26b94968/ | null | null | null | null | null | null | null | null | null | null | null | null |
en | 2006 | Leveraging Recurrent Phrase Structure in Large-scale Ontology Translation | Využití rekurentní struktury frází v překladu rozsáhlé ontologie | This paper presents a process for leveraging structural relationships and reusable
phrases when translating large-scale ontologies. Digital libraries are becoming more and
more prevalent. An important step in providing universal access to such material is to provide
multi-lingual access to the underlying principles of organization via ontologies,
thesauri, and controlled vocabularies. Machine translation of these resources requires high
accuracy and a deep vocabulary. Human input is often required, but full manual translation
can be slow and expensive. We report on a cost-effective approach to ontology translation.
We describe our technique of prioritization, our process of collecting aligned translations
and generating a new lexicon, and the resulting improvement to translation system output.
Our preliminary evaluation indicates that this technique provides significant cost savings
for human-assisted translation. The process we developed can be applied to ontologies in
other domains and is easily incorporated into other translation systems. | Tento článek popisuje efektivní postup využívající strukturální podobnosti a znovuvyužitelných manuálních překladů pro překlad rozsáhlých ontologií. | [
"Craig G. Murray",
"Bonnie J. Dorr",
"Jimmy Lin",
"Pavel Pecina",
"Jan Hajič"
] | https://www.semanticscholar.org/paper/3bbace0cf844abc6cdc5f4fd3ec53dcd54a83eb7/ | null | null | null | null | null | null | null | null | null | null | null | null |
en | 2006 | Leveraging Reusability: Cost-Effective Lexical Acquisition for Large-scale Ontology Translation | Efektivní získávání lexikálních dat pro překlad rozsáhlé ontologie | Thesauri and ontologies provide important
value in facilitating access to digital
archives by representing underlying principles
of organization. Translation of
such resources into multiple languages is
an important component for providing
multilingual access. However, the specificity
of vocabulary terms in most ontologies
precludes fully-automated machine
translation using general-domain
lexical resources. In this paper, we present
an efficient process for leveraging
human translations when constructing
domain-specific lexical resources. We
evaluate the effectiveness of this process
by producing a probabilistic phrase dictionary
and translating a thesaurus of
56,000 concepts used to catalogue a large
archive of oral histories. Our experiments
demonstrate a cost-effective technique
for accurate machine translation of
large ontologies. | Tento článek popisuje efektivní postup využívající manuálních překladů pro konstrukci doménově specifických lexikálních zdrojů. | [
"Craig G. Murray",
"Bonnie J. Dorr",
"Jimmy Lin",
"Pavel Pecina",
"Jan Hajič"
] | https://www.semanticscholar.org/paper/800d5005e834aadf5477b5e7866a2a35f0795fbb/ | null | null | null | null | null | null | null | null | null | null | null | null |
en | 2006 | Open Source Toolkit for Statistical Machine Translation: Factored Translation Models and Confusion Network Decoding | Volně dostupné nástroje pro statistický strojový překlad: překladové modely o více faktorech a překlad pomocí confusion networks | The final report of JHU workshop. The report describes the implementation and experiments with a phrase-based MT system Moses. | Závěrečná zpráva z workshopu JHU. Popisuje implementaci a experimenty s frázovým systémem Moses, který podporuje dodatečnou anotaci vstupu i výstupu pomocí tzv. faktorů. | [
"Philipp Koehn",
"Marcello Federico",
"Wade Shen",
"Nicola Bertoldi",
"Ondřej Bojar",
"Chris Callison-Burch",
"Brooke Cowan",
"Chris Dyer",
"Hieu Hoang",
"Richard Zens",
"Alexandra Constantin",
"Christine Corbett Moran",
"Evan Herbst"
] | https://www.semanticscholar.org/paper/4ee2eab4c298c1824a9fb8799ad8eed21be38d21/ | null | null | null | null | null | null | null | null | null | null | null | null |
en | 2006 | Synthesis of Czech Sentences from Tectogrammatical Trees | Syntéza českých vět z tektogramatických stromů | In this paper we deal with a new rule-based approach to the~Natural
Language Generation problem. The presented system synthesizes Czech
sentences from Czech tectogrammatical trees supplied by the Prague
Dependency Treebank~2.0 (PDT~2.0). Linguistically relevant phenomena including
valency, diathesis, condensation, agreement, word order, punctuation
and vocalization have been studied and implemented in Perl using
software tools shipped with PDT~2.0. BLEU score metric is used for the
evaluation of the generated sentences. | V tomto článku je popsán nový pravidlový přístup k úloze generování přirozeného textu ze vstupní reprezentace v podobě tektogramatických stromů. | [
"Jan Ptáček",
"Zdeněk Žabokrtský"
] | https://www.semanticscholar.org/paper/c10c64caa02b9348c23ef17268f24ffc25b810b4/ | null | null | null | null | null | null | null | null | null | null | null | null |
en | 2006 | Post-annotation checking of Prague Dependency Treebank 2.0 data | Poanotační kontroly dat Pražského závislostního korpusu verze 2.0 | Various methods and tools used for the post-annotation checking of Prague Dependency Treebank 2.0 data are being described in this article. The annotation process of the treebank was complicated by several factors: for example, the corpus was divided into several layers that must reflect each other. Moreover, the annotation rules changed and evolved during the annotation. In addition, some parts of the data were annotated separately and in parallel and had to be merged with the data later. The conversion of the data from an old format to a new one was another source of possible problems besides omnipresent human inadvertence. The checking procedures used to ensure data integrity and correctness are classified according to several aspects, e.g. their linguistic relevance and their role in the checking process, and prominent examples are given. In the last part of the article, the methods are compared and scored. | Článek popisuje různé metody a nástroje používané k poanotačním opravám dat PDT 2.0. Anotační proces treebanku byl komplikován několika faktory, například rozdělením dat na několik rovin, které si odpovídají. Pravidla pro anotaci se navíc během anotačního procesu měnila a vyvíjela. Některé části dat byly navíc anotovány odděleně a paralelně, takže se později musely s daty slévat. Dalším zdrojem chyb byl převod ze starého anotačního formátu do nového, kromě všudypřítomné lidské chybovosti. Kontrolní procedury zajišťující integritu a korektnost dat jsou dále klasifikovány z různých hledisek, např. podle jejich lingvistické relevance a role v kontrolním procesu. V poslední části článku jsou metody porovnány a ohodnoceny. | [
"Jan Štěpánek"
] | https://www.semanticscholar.org/paper/8ff866fdc1115ddda60267f651b64f56fb3ae579/ | null | null | null | null | null | null | null | null | null | null | null | null |
en | 2006 | Post-annotation Checking of Prague Dependency Treebank 2.0 Data | Poanotační kontroly dat Pražského závislostního korpusu verze 2.0 | This paper describes methods and tools used for the post-annotation
checking of Prague Dependency Treebank~2.0 data. The annotation
process was complicated by many factors: for example, the corpus is
divided into several layers that must reflect each other; the
annotation rules changed and evolved during the annotation process;
some parts of the data were annotated separately and in parallel and
had to be merged with the data later. The conversion of the data
from the old format to a new one was another source of possible
problems besides omnipresent human inadvertence. The checking
procedures are classified according to several aspects, e.g. their
linguistic relevance and their role in the checking process, and
prominent examples are given. In the last part of the paper, the
methods are compared and scored. | Článek popisuje metody a nástroje používané k poanotačním opravám dat PDT 2.0. Anotační proces byl komplikován několika faktory, například rozdělením treebanku na několik rovin, které si musejí odpovídat. Anotační pravidla se v průběhu anotace měnila a vyvíjela, části dat byly anotovány odděleně a paralelně, takže se musely slévat dohromady. Dalším zdrojem problémů byl převod ze starého datového formátu do nového. Kontrolní procedury jsou klasifikovány podle různých faktorů, např. jejich lingvistické relevance či role v kontrolním procesu, a jsou představeny některé příklady. V závěru článku jsou metody číselně porovnány. | [
"Jan Štěpánek"
] | https://www.semanticscholar.org/paper/8ff866fdc1115ddda60267f651b64f56fb3ae579/ | null | null | null | null | null | null | null | null | null | null | null | null |
cs | 2006 | Capturing a Sentence Structure by a Dependency Relation in an Annotated Syntactical Corpus (Tools Guaranteeing Data Consistence) | Závislostní zachycení větné struktury v anotovaném syntaktickém korpusu (nástroje pro zajištění konzistence dat) | This work describes various methods and tools used during the
annotation and post-annotation checking of Prague Dependency
Treebank 2.0 data. The annotation process of the treebank was
complicated by several factors: for example, the corpus was divided
into several layers that must reflect each other. Moreover, the
annotation rules changed and evolved during the annotation. In
addition, some parts of the data were being annotated separately and
in parallel and had to be merged with the data later. Conversion of
the data from an old format to a new one was another source of
possible problems besides omnipresent human inadvertence.
In the first chapter, the theoretical background of the Prague
Dependency Treebank is given. Differences between theoretical
assumptions and their realization in the treebank are described
together with various aspects of annotation schemata and data format.
The second chapter describes the tools used for annotation and during
the post-annotation checking. Special attention is paid to
coordination- and apposition-like constructions: several possible
approaches are compared and functions for resolving complex structures
(encoded according to the used approach) are presented.
The third chapter expounds the post-annotation checking procedures
used to ensure data integrity and correctness. The procedures are
classified by several criteria and many linguistically inspired
examples are given. In the last part of the chapter, the impact of the
checking procedures is measured by counting the number of changes in
the data, the procedures are compared and their contribution and
usefulness is discussed. | Práce popisuje nejrůznější metody a nástroje používané při anotaci a poanotačních opravách dat Pražského závislostního korpusu 2.0. Anotační proces byl komplikován několika faktory: například rozdělením treebanku na několik rovin, které si odpovídají. Anotační pravidla se navíc měnila a vyvíjela v průběhu anotačního procesu. Některé části dat byly navíc anotovány odděleně a paralelně, takže se s daty později slévaly. Vedle nevyhnutelné lidské chybovosti byl dalším potenciálním zdrojem problémů převod dat ze starého formátu do nového
V první kapitole je představeno teoretické pozadí PDT. Jsou popsány rozdíly mezi teoretickými předpoklady a jejich realizací v treebanku a různé vlastnosti anotačních schémat a datových formátů.
Druhá kapitola popisuje nástroje používané k anotaci a poanotačním opravám. Zvláštní pozornost je věnována koordinačním a apozičním konstrukcím, porovnává se několik možných přístupů a uvádějí se funkce, které byly k jejich zachycení použity.
Třetí kapitola popisuje poanotační kontroly, které zaručovaly integritu a korektnost dat. Procedury jsou klasifikovány podle různých kritérií a uvedeno je mnoho lingvisticky motivovaných příkladů. V poslední části kapitoly se studuje dopad kontrolních procedur na počet změn v datech, procedury se porovnávají a zkoumá se jejich přínos. | [
"Jan Štěpánek"
] | null | null | null | null | null | null | null | null | null | null | null | null | null |
en | 2006 | Development of Data-Driven Prosody Model for German TTS Synthesis | Vývoj datového prozodického modelu pro TTS syntézu němčiny | We have recently introduced our new data-driven prosody model for text-to-speech synthesis. The model is based on text parametrisation using a generative prosodic grammar and on automatic speech corpora analysis methods. The model has been successfully tested for Czech language with highly assessed naturalness of resulting speech. The current stage of the model development involves the first experiments with its application to German synthesis. The results of these experiments are presented in the paper. | V nedávné době jsme představili náš nový datový model prozodie pro systémy převodu textu na řeč. Tento model je založen na parametrizaci textu používající generativní prozodickou gramatiku a na metodách automatické analýzy řečových korpusů. Model byl úspěšně testován a kladně hodnocen při syntéze češtiny. V předkládaném článku jsou prezentovány první výsledky jeho aplikace na syntézu němčiny. | [
"Jan Romportl",
"Jindřich Matoušek"
] | https://www.semanticscholar.org/paper/3d0a2222830cdc12e4a697c8d0b1f2f91196d8ae/ | null | null | null | null | null | null | null | null | null | null | null | null |
cs | 2006 | The word Order in Older Czech (1500-1620): Location of the Synthetic Predicate in the Main Clause | Slovosled ve starší češtině (1500-1620): Postavení syntetického přísudku ve větě hlavní | Analysis of the location of the predicate verb in different language genres, depending on the information structure and other linguistic phenomena. | Analýza umístění přísudkového slovesa v různých jazykových žánrech, a to v závislosti na aktuálním členění a dalších jazykových jevech. | [
"Šárka Zikánová"
] | null | null | null | null | null | null | null | null | null | null | null | null | null |
en | 2006 | What do the data in Prague Dependency Treebank say about systemic ordering in Czech? | Co vypovídají data v Pražském závislostním korpusu o systémovém uspořádání češtině? | Non-typical word order of contextually non-bound actor, addresee and patient in Czech. | Netypické slovosledné uspořádání kontextově nezapojeného aktora, adresáta a patientu v češtině. | [
"Šárka Zikánová"
] | https://www.semanticscholar.org/paper/98e836c511312c9799273d13871884f40e5dd6e9/ | null | null | null | null | null | null | null | null | null | null | null | null |
cs | 2005 | Building a Czech-English Machine Translation Dictionary | Budování česko-anglického slovníku pro strojový překlad | The paper describes ongoing work on our Czech-English translation dictionary aimed at machine translation. | Příspěvek popisuje probíhající práce na česko-anglickém slovníku pro strojový
překlad. Slovník vychází z dostupných strojově čitelných slovníků, kombinací
ručních a automatických metod jsou doplňovány informace nutné pro nasazení
slovníku v automatickém systému. Jedná se zejména o morfologická omezení nutná
pro uplatnění hesel, popis syntaktické struktury hesel a překladové ekvivalenty
slovesných rámců. | [
"Ondřej Bojar"
] | https://www.semanticscholar.org/paper/d5c8d0ad47ce4c0f5d7bae89492d69f2f6fdde5d/ | null | null | null | null | null | null | null | null | null | null | null | null |
en | 2005 | Extracting Translations Verb Frames | Extrakce překladů slovesných rámců | We describe a method for extracting translation verb frames (parallel
subcategorization frames) from a parallel dependency treebank. The extracted
frames constitute an important part of machine translation dictionary for a
structural machine translation system. We evaluate our method independently,
using
a manually annotated test dataset, and conclude that the bottleneck of the method
lies in quality of automatic word alignment of the training data. | Popisujeme metodu extrakce překladových slovesných rámců (paralelních valenčních rámců) z paralelního závislostního korpusu. | [
"Ondřej Bojar",
"Jan Hajič"
] | https://www.semanticscholar.org/paper/dbe67468ab7f12a7ddc3f0ca05aff5aeb653b86b/ | null | null | null | null | null | null | null | null | null | null | null | null |
en | 2005 | The Project ENTs: Towards Modelling Human-like Artificial Agents | Projekt ENTs: K modelování umělých agentů s lidskými vlastnostmi | The Project ENTs aims at providing a universal high-level tool for
prototyping human-like artificial agents. The main features of this tool are a
virtual test-bed environment and E language, which enables description of
human-like agents’ behaviours using various techniques, in particular reactiveThe Project ENTs aims at providing a universal high-level tool for
prototyping human-like artificial agents. The main features of this tool are a
virtual test-bed environment and E language, which enables description of
human-like agents’ behaviours using various techniques, in particular reactive
planning and BDI-architecture. In this paper, we present first generation of this
tool together with an example agent—an artificial gardener that acts in a virtual
family house. We then briefly discuss applicability of this tool and introduce
some requirements for its second generation.
planning and BDI-architecture. In this paper, we present first generation of this
tool together with an example agent—an artificial gardener that acts in a virtual
family house. We then briefly discuss applicability of this tool and introduce
some requirements for its second generation. | Projekt Enti má za cíl vytvořit nástroj pro navrhování umělých agentů podobných lidem. Hlavní komponenty tohoto nástroje jsou virtuální prostředí pro agenty a programovací jazyk E pro popis chování agentů. Příspěvek popisuje první verzi tohoto nástroje. | [
"Ondřej Bojar",
"Cyril Brom",
"Milan Hladík",
"Vojtěch Toman"
] | https://www.semanticscholar.org/paper/e47025c3ff735db68736bfbdaa2f82421b0b3b48/ | null | null | null | null | null | null | null | null | null | null | null | null |
en | 2005 | VALEVAL: Testing VALLEX Consistency and Experimenting with Word-Frame Disambiguation | VALEVAL: Testování konzistence VALLEXu a pokusy se zjednoznačňováním slovních rámců | An experiment with manual annotation of verb examples using entries in the lexicon VALLEX aimed at an estimate of inter-annotator agreement and the quality of VALLEX entries. | Souhrn experimentu s ruční anotací příkladů sloves hesly slovníku VALLEX pro změření mezianotátorské shody a kontrolu kvality slovníkových hesel. | [
"Ondřej Bojar",
"Jiří Semecký",
"Václava Benešová"
] | https://www.semanticscholar.org/paper/a96df0adf9ea1ecc0c94102593909282882c34ba/ | null | null | null | null | null | null | null | null | null | null | null | null |
en | 2005 | An MT System Recycled | Recyklovaný systém strojového překladu | This paper describes an attempt to recycle parts of the Czech-to-Russian machine translation system (MT) in the new Czech-to-English MT system. The paper describes the overall architecture of the new system and the details of the modules which have been added. A special attention is paid to the problem of named entity recognition and to the method of automatic acquisition of lexico-syntactic information for the bilingual dictionary of the system. | Popis pokusu o recyklaci částí systému strojového překladu z češtiny do ruštiny v nového systému do angličtiny. | [
"Ondřej Bojar",
"Petr Homola",
"Vladislav Kuboň"
] | https://www.semanticscholar.org/paper/6fce36e6428351e9c7506954b30be168849bb482/ | null | null | null | null | null | null | null | null | null | null | null | null |
en | 2005 | Problems of Reusing an existing MT System | Problémy znovuvyužití existujícího systému strojového překladu | This paper describes an attempt to recycle parts of the Czech-to-Russian machine translation system (MT) in the new Czech-to-English MT system. The paper describes the overall architecture of the new system and the details of the modules which have been added. A special attention is paid to the problem of named entity recognition and to the method of automatic acquisition of lexico-syntactic information for the bilingual dictionary of the system. | Článek popisuje pokus o recyklaci systému strojového překladu z češtiny do ruštiny. | [
"Ondřej Bojar",
"Petr Homola",
"Vladislav Kuboň"
] | https://www.semanticscholar.org/paper/9167121882bd9b84a94917c8afca21dd3c175dbc/ | null | null | null | null | null | null | null | null | null | null | null | null |
cs | 2005 | Problems of Recyclation of an MT System | Problémy recyklování systému automatického překladu | A summary of attempts at revitalizing an older implementation of an MT system. | Popis pokusů o revitalizaci staršího systému strojového překladu. | [
"Ondřej Bojar",
"Petr Homola",
"Vladislav Kuboň"
] | null | null | null | null | null | null | null | null | null | null | null | null | null |
en | 2005 | Feature-based Tagger of Approximations of Functional Arabic Morphology | Na rysech založený tagger aproximací funkcionální arabské morfologie | The field of morphological disambiguation of Arabic has recently witnessed significant achievements. Through them, the Penn Arabic Treebank is being confirmed as a standard for development and evaluation of systems for automatic morphological processing of Arabic, and the Buckwalter Arabic Morphological Analyzer is becoming the most respected lexical resource of its kind. | Oblast morfologického zjednoznačňování arabštiny zaznamenala v poslední době výrazné úspěchy. Díky nim se Penn Arabic Treebank etabluje jako standard pro vývoj a vyhodnocování systémů pro automatické zpracování arabské morfologie a Buckwalterův arabský morfologický analyzátor se stává nejrespektovanějším lexikálním zdrojem svého druhu. | [
"Jan Hajič",
"Otakar Smrž",
"Tim Buckwalter",
"Hubert Jin"
] | https://www.semanticscholar.org/paper/dd946afacfada11b6a4feafd785a1acb5703131e/ | null | null | null | null | null | null | null | null | null | null | null | null |
en | 2005 | Microsoft Office Add-on: Czech Grammar Checker | Doplněk sady Office 2003: Kontrola české gramatiky | This downloadable software provides the first publicly available grammar checker for Czech for the Microsoft Office 2003. The grammar checker analyzes the text and underlines in green the strings, which may not be grammatically correct. | Tento software ke stažení poskytuje první dostupnou kontrolu české gramatiky pro sadu Microsoft Office 2003. Kontrola české gramatiky analyzuje text a zeleně podtrhává úseky, které nemusejí být gramaticky správně. | [
"Jan Hajič",
"Vladislav Kuboň"
] | https://www.semanticscholar.org/paper/6d8df79b68d55297af7f530043eaa03135c23a69/ | null | null | null | null | null | null | null | null | null | null | null | null |
lt | 2005 | Classification and recognition of morphological collocations | Klasifikace a rozpoznávání morfologických kolokací | The paper describes a method of classification and recognition of morphological collocations. The problems are explained by means of Lithuanian examples. | Článek popisuje metodu klasifikace a rozpoznávání morfologických kolokací. Problémy jsou popsány pomocí příkladů v litevštině. | [
"Erika Rimkutė",
"Giedrė Jarašiūnaitė",
"Petr Homola"
] | https://www.semanticscholar.org/paper/d3f7e465a470cfa67377dac3a224620e54f66c4e/ | null | null | null | null | null | null | null | null | null | null | Morfologinių samplaikų atpažinimas ir klasifikavimas | Dokumente aprašoma klasifikavimo ir pripažinimo morfologinės kolokacijos metodą. problemas galima paaiškinti naudojant Lietuvos pavyzdžių. |
cs | 2005 | Verb: center of sentence; Valency: central notion of syntax | Sloveso: centrum věty, valence: centrální pojem syntaxe | Two approaches to the description of verbal valency are compared. The former (the approach of the authors of the Valency dictionary of Slovac verbs) is considered as more lexicologically and semantically based, the latter (valency theory in the Functional Generative Description) is considered as more syntactically based. The necessity of providing clear boundaries between the phenomena constituting the sentence nucleus and the other phenomena belonging to the sentence periphery s is stressed. | Ve stati se porovnávají dva přístupy k popisu valence: Přístup autorek Valenčního slovníku slovenských sloves je charakterizován jako více lexikologicky a sémanticky orientovaný, zatímco přístup Funkčního generativního popisu je pokládán za syntakticky založený. Hledání hranic a operačních kritérií je nezbytné pro oba přístupy. | [
"Jarmila Panevová"
] | https://www.semanticscholar.org/paper/573ac50ccd4cdf3c2f9d0944be51aac1cfa0f383/ | null | null | null | null | null | null | null | null | null | null | null | null |
en | 2005 | Prague Dependency Treebank as an Exercise Book of Czech | Pražský závislostní korpus jako cvičebnice češtiny | The schoolchildren can use a computer to write, to draw, to play games, to page encyclopedia, to
compose music - why they could not use it to parse a sentence, to determine gender, number, case, …?
We are presenting a system "Styx" that is designed
to be an exercise book of Czech morphology and syntax with the exercises directly selected from
PDT. | Děti používají počítač ke psaní, kreslení, hraní her, listování v encyklopediích, skládání hudby - proč by jej nemohli používat k procvičování větných rozborů a určování rodu, čísla, pádu, ...?
Představujeme systém STYX, který je navržen jako elektronická cvičebnice českého tvarosloví a české syntaxe. Příklady jsou vybrány z Pražského závislostního korpusu. | [
"Barbora Vidová Hladká",
"Ondřej Kučera"
] | https://www.semanticscholar.org/paper/19b67fdf9a10055018283dae6e460beae75fd94e/ | null | null | null | null | null | null | null | null | null | null | null | null |
en | 2005 | Building a parallel bilingual syntactically annontated corpus | Budování paralelního dvojjazyčného syntakticky anotovaného korpusu | This paper introduces the Prague Czech-English Dependency Treebank
(PCEDT), a new Czech-English parallel resource suitable for
experiments in structural machine translation. We describe the process
of building the core parts of the resources -- a bilingual
syntactically annotated corpus and translation dictionaries. A part of
the Penn Treebank has been translated into Czech, the dependency
annotation of the Czech translation has been done automatically from
plain text. The annotation of Penn Treebank has been tranformed into
dependency annotation scheme. A subset of corresponding Czech and
English sentences has been annotated by humans. First experiments in
Czech-English machine translation using these data have already been
carried out. The resources being created at Charles University in
Prague are scheduled for release as Linguistic Data Consortium data
collection in 2004. | Tento článek představuje Prague Czech-English Dependency Treebank (PCEDT), nový zdroj dat pro experimenty se strojovým překladem využívajícím větnou strukturu. Popisujeme popis tvorby základních částí -- paralelního syntakticky anotovaného korpusu a překladových slovníků. Část Penn Treebanku byla přeložena do češtiny, anotace české části byla vytvořena utomatickými nástroji, anotace anglické části byla automaticky převedena z formalismu Penn Treebanku do formalismu Pražského závislostního korpusu. Podmnožina paralelních dat byla anotována ručně. První experimenty s česko-anglickým strojovým překladem proběhly. Tento datový zdoj byl vytvořen na Karlově Universitě v Praze a jeho vydání v Linguistic Data Consortium je plánováno na rok 2004. | [
"Jan Cuřín",
"Martin Čmejrek",
"Jiří Havelka",
"Vladislav Kuboň"
] | https://www.semanticscholar.org/paper/6e7830b4c91d6782a6c673ab8f71252c5ad2ed0a/ | null | null | null | null | null | null | null | null | null | null | null | null |
en | 2005 | Projectivity in Totally Ordered Rooted Trees: An Alternative Definition of Projectivity and Optimal Algorithms for Detecting Non-Projective Edges and Projectivizing Totally Ordered Rooted Trees | Projektivita v úplně uspořádaných kořenových stromech: Alternativní definice projektivity a optimální algoritmus na zjišťování neprojektivních hran a projektivizaci úplně uspořádaných kořenových stromů | The paper discusses the notion of projectivity and algorithms for projectivizing and detecting non-projective edges in totally ordered rooted trees (such trees are used in dependency syntax analysis of natural language, where they are called dependency trees). We define the canonical projectivization of a totally ordered rooted tree (preserving the tree structure and the relative ordering for all inner nodes and their immediate dependents) and show its uniqueness; we also give a generalization of this result. We then discuss some properties of non-projective edges relevant for the newly presented algorithms:The first algorithm computes the projectivization of the input tree, the second algorithm detects non-projective edges of certain types in the input tree (we also give a hint on finding all non-projective edges using its output). Both algorithms can be used for checking projectivity. We prove that the algorithms are optimal: they have time complexities O(n). | V práci se zabýváme projektivitou a algoritmy pro projektivizaci a nalezení neprojektivních hran v úplně uspořádaných kořenových stromech (takové stromy se používají v syntaktické analýze přirozeného jazyka, kde se pro ně užívá název závislostní stromy). Definujeme kanonickou projektivizaci úplně uspořádaného kořenového stromu (zachovávající stromovou strukturu a pro všechny vnitřní vrcholy relativní uspořádání těchto vrcholů a jejich dětí) a dokazujeme její jednoznačnost; uvádíme také zobecnění tohoto výsledku. Dále se zabýváme vlastnostmi neprojektivních hran, které jsou podstatné pro nově představené algoritmy: První algoritmus pro vstupní strom vrací jeho projektivizaci, druhý algoritmus ve vstupním stromu nalezne neprojektivní hrany dvou ze tří zavedených typů (ukazujeme také, jak je možné výstup algoritmu využít k nalezení všech neprojektivních hran). Dokazujeme, že algoritmy jsou optimální: jejich časová složitost je O(n). | [
"Jiří Havelka"
] | https://www.semanticscholar.org/paper/8e78524a2cb928d1b38c8b97796c6de0188baf87/ | null | null | null | null | null | null | null | null | null | null | null | null |
cs | 2005 | Projectivity in Totally Ordered Rooted Trees: An Alternative Definition of Projectivity and Optimal Algorithms for Detecting Non-Projective Edges and Projectivizing Totally Ordered Rooted Trees | Projektivita v úplně uspořádaných kořenových stromech: alternativní definice projektivity a optimální algoritmy pro zprojektivnění a nalezení neprojektivních hran | The paper discusses the notion of projectivity and algorithms for projectivizing and detecting non-projective edges in totally ordered rooted trees (such trees are used in dependency syntax analysis of natural language, where they are called dependency trees). We define the canonical projectivization of a totally ordered rooted tree (preserving the tree structure and the relative ordering for all inner nodes and their immediate dependents) and show its uniqueness; we also give a generalization of this result. We then discuss some properties of non-projective edges relevant for the newly presented algorithms:The first algorithm computes the projectivization of the input tree, the second algorithm detects non-projective edges of certain types in the input tree (we also give a hint on finding all non-projective edges using its output). Both algorithms can be used for checking projectivity. We prove that the algorithms are optimal: they have time complexities O(n). | V práci se zabýváme projektivitou a algoritmy pro projektivizaci a nalezení neprojektivních hran v úplně uspořádaných kořenových stromech (takové stromy se používají v syntaktické analýze přirozeného jazyka, kde se pro ně užívá název závislostní stromy). Definujeme kanonickou projektivizaci úplně uspořádaného kořenového stromu (zachovávající stromovou strukturu a pro všechny vnitřní vrcholy relativní uspořádání těchto vrcholů a jejich dětí) a dokazujeme její jednoznačnost; uvádíme také zobecnění tohoto výsledku. Dále se zabýváme vlastnostmi neprojektivních hran, které jsou podstatné pro nově představené algoritmy: První algoritmus pro vstupní strom vrací jeho projektivizaci, druhý algoritmus ve vstupním stromu nalezne neprojektivní hrany dvou ze tří zavedených typů (ukazujeme také, jak je možné výstup algoritmu využít k nalezení všech neprojektivních hran). Dokazujeme, že algoritmy jsou optimální: jejich časová složitost je O(n). | [
"Jiří Havelka"
] | https://www.semanticscholar.org/paper/8e78524a2cb928d1b38c8b97796c6de0188baf87/ | null | null | null | null | null | null | null | null | null | null | null | null |
cs | 2005 | Machine Translation (50 years after) | Strojový překlad (50 let od zrodu) | The development of machine translation systems is discussed. The rule-based systems of machine translation used since 60-ies last century and the statisticaly based systems used nowadays are compared. The existence of paralel corpora is a useful tool for the developmnet of such systems. | V příspěvku se hodnotí vývoj strojového překladu od jeho začátků přes novější systémy až po současný stav, v němž převažují metody statistické založené na paralelních korpusech. | [
"Martin Čmejrek",
"Jarmila Panevová"
] | https://www.semanticscholar.org/paper/5dedfc95fab61ce3ef82deab58e468bb2451c920/ | null | null | null | null | null | null | null | null | null | null | null | null |
en | 2005 | Prague Czech-English Dependency Treebank: Resource for Structure-based MT | Pražský česko-anglický závislostní korpus: Zdroj pro strojový překlad založený na syntaktické struktuře | The Prague Czech-English Dependency Treebank (PCEDT) is a syntactically annotated Czech-English parallel corpus. The Penn Treebank has been translated to Czech, and its annotation automatically transformed into dependency annotation scheme. The dependency annotation of Czech is done from plain text by automatic procedures. A small subset of corresponding Czech and English sentences has been annotated by humans. First experiments in Czech-English machine translation using these data have already been carried out. The resources have been created at Charles University in Prague and released by Linguistic Data Consortium in 2004. | Pražský česko-anglický závislostní korpus (Prague Czech-English Dependency Treebank, PCEDT) je syntakticky anotovaný česko-anglický paralelní korpus. Jedná se o Penn Treebank, který byl přeložen do češtiny a jeho anotace automaticky transformována do závislostní anotace. Závislostní anotace češtiny byla provedena plně automaticky. Malá množina paralelních vět byla anotována ručně. Na tomto korpusu byly provedeny první pokusy se strojovým překladem z češtiny do angličtiny. Jazykové zdroje byly vytvořeny na Univerzitě Karlově v Praze a publikovány prostřednictvím Linguistic Data Consortium v roce 2004. | [
"Martin Čmejrek",
"Jan Cuřín",
"Jan Hajič",
"Jiří Havelka"
] | https://www.semanticscholar.org/paper/c60ca28eb2b2fd6c85d8040621717f3f8b9174a5/ | null | null | null | null | null | null | null | null | null | null | null | null |
en | 2005 | Resemblances between Meaning-Text Theory and Functional Generative Description | Podobnosti Meaning-Text Theory a Funkčního generativního popisu | Functional Generative Description (FGD) is a stratificational dependency-based approach to natural language description, which has been developed by Petr Sgall and his collaborators in Prague since 1960's. Although FGD bears surprisingly many resemblances with the Meaning-Text Theory, to our knowledge there is no reasonably detailed comparative study available so far. In this paper, we try to point out at least the basic obvious parallels (and also differences),
which - in our opinion - remain generally unknown. | Funční generativní popis (FGP) je stratifikační závislostní přístup k popisu přirozeného jazyka. V tomto článku uvádíme některé jeho vlastnosti společné s teorií Smysl-Text. | [
"Zdeněk Žabokrtský"
] | https://www.semanticscholar.org/paper/25908794952350d2aac763f6f5825e0440c027b1/ | null | null | null | null | null | null | null | null | null | null | null | null |
en | 2005 | Valency Lexicon of Czech Verbs (PhD thesis) | Valenční slovník českých sloves (doktorská disertace) | Valency is a property of language units reflecting their combinatorial potential in language utterances. The availability of the information about valency is supposed to be crucial in various Natural Language Processing tasks. In general, valency of language units cannot be automatically predicted, and therefore it has to be stored in a lexicon. The primary goal of the presented work is to create a both human- and machine-readable lexicon capturing valency of the most frequent Czech verbs. For this purpose, valency theory developed within Functional Generative Description (FGD) is used as the theoretical framework. The thesis consists of three major parts. The first part contains a survey of literature and language resources related to valency in Czech and other languages. Basic properties of as many as eighteen different language resources are mentioned in this part. In the second part, we gather the dispersed linguistic knowledge necessary for building valency lexicons. We demonstrate that if manifestations of valency are to be studied in detail, it is necessary to distinguish two levels of valency. We introduce a new terminology for describing such manifestations in dependency trees; special attention is paid to coordination structures. We also preliminarily propose the alternation-based lexicon model, which is novel in the context of FGD and the main goal of which is to reduce the lexicon redundancy. The third part of the thesis deals with the newly created valency lexicon of the most frequent Czech verbs. The lexicon is called VALLEX and its latest version contains around 1600 verb lexemes (corresponding to roughly 1800 morphological
lemmas); valency frames of around 4400 lexical units (corresponding to the individual senses of the lexemes) are stored in the lexicon. The main software components of the dictionary production system developed for VALLEX are outlined, and selected quantitative properties of the current version of the lexicon are discussed. | V práci je představen valenční slovník českých sloves VALLEX. V první části je uveden přehled literatury související s valenčními slovníky. V druhé části je podrobně popsána struktura navrženého slovníku, softwarové nástroje pro jeho vytváření a jeho základní kvantitativní vlastnosti. | [
"Zdeněk Žabokrtský"
] | https://www.semanticscholar.org/paper/56169f3d400096ffaec7f6d8fda43af91ca4332b/ | null | null | null | null | null | null | null | null | null | null | null | null |
cs | 2005 | Syntactic annotation of texts from the Czech National Corpus: from analytical to tectogrammatical level | K syntaktické anotaci textu Českého národniho korpusu: od analytické k tektogramatické rovině | We present a description of how we dealt with the valency of verbs during the annotation of the PDT and the way the verbal part of the valency dictionary was built. We focus on some specific problems related to verbal valency (as well as some other verbal complementations) from the point of view of the PDT. | Popisujeme, jak přistupujeme k valenci v rámci anotování PZK. Zaměřujeme se zejména na valenci sloves a na specifické problémy spojené s touto problematikou. | [
"Veronika Řezníčková",
"Zdeňka Urešová"
] | https://www.semanticscholar.org/paper/e17611d5c8a9bbc1720c427e9774840cdf76b4bd/ | null | null | null | null | null | null | null | null | null | null | null | null |
en | 2005 | A note on the destruction and the revival of the Prague Linguistic Circle | Poznámka o destrukci a oživení Pražského lingvistického kroužku | The activity of the Prague Linguistic Circle was stopped in the Communist years, but it was possible to resume it in 1989-90. | Činnost Pražského lingvistického kroužku byla zastavena v komunistickém období, ale v r. 1989-90 byla plně obnovena. | [
"Petr Sgall"
] | https://www.semanticscholar.org/paper/d7273a868b38038b9ae836e1764a8752b7a10f9a/ | null | null | null | null | null | null | null | null | null | null | null | null |
en | 2005 | Eva Hajičova's birthday | Narozeniny Evy Hajičové | Eva Hajičová has achieved an anniversary after bringing a major contribution to the Czech linguistics. | Jubilea se dožívá Eva Hajičová, vynikající lingvistka, které česká věda vděčí za podstatný přínos. | [
"Petr Sgall"
] | https://www.semanticscholar.org/paper/6ce22317636126d78503c89ac7bee2af9f9fee1b/ | null | null | null | null | null | null | null | null | null | null | null | null |
cs | 2005 | Review of: R. Nicolaï and P. Zima (eds.): Lexical and structural diffusion: Interplay of internal and external factors of language development in the west African Sahel. Corpus. Les cahiers 1. Nice: Faculté des lettres, arts et sciences humaines de Nice | Recenze: R. Nicolaï and P. Zima (eds.): Lexical and structural diffusion: Interplay of internal and external factors of language development in the west African Sahel. Corpus. Les cahiers 1. Nice: Faculté des lettres, arts et sciences humaines de Nice | The authors describe the language situation of and development in a large part of West Africa. | Autoři popisují jazykovou situaci ve velké části západní Afriky a její vývoj. | [
"Petr Sgall"
] | null | null | null | null | null | null | null | null | null | null | null | null | null |
en | 2005 | Models, Similarity, and Topics of Texts (PhD thesis) | Modely, podobnost a témata textů (doktorská disertace) | In the thesis we focus mainly on the area of document models, document
similarity and topics, and related things.
We first analyze what information can be extracted from natural
language texts using automatic linguistic processing. Then we try to
directly and explicitly capture the topics of the texts in the
document models for this information seems to be of critical
importance. We view a text collection as a graph and try to discover
topics in the text collection as a specific subgraphs.
We also developed some model data that capture the human understanding
about document similarity and topics. The data is used for tests and
for learning parameters. | Dizertace je zaměřena na problematiku modelování dokumentů, podobnosti dokumentů, témat dokumentů a souvisejících věcí. Nejprve analyzujeme, jaký druh informací může být z dokumentů extrahován s použitím automatických method lingvistické analýzy. Dále je dizertace zaměřena na explicitní identifikaci témat textů v modelech dokumentů. Specifická témata se hledají jako podgrafy v grafy celé kolekce textových dokumentů. | [
"Martin Holub"
] | https://www.semanticscholar.org/paper/7e31ad099ab227eecb4426e268800cde8188e90f/ | null | null | null | null | null | null | null | null | null | null | null | null |
en | 2005 | Review of Peter Jackson and Isabelle Moulinier: Natural Language Processing for Online Applications: Text Retrieval, Extraction and Categorization | Recenze Peter Jackson a Isabelle Moulinier: Zpracování přirozeného jazyka pro on-line aplikace: vyhledávání, extrakce a kategorizace textů | This book covers the emerging technologies of document retrieval, information extraction, and text categorization in a way which highlights commonalities in terms of both general principles and practical issues. | Kniha pokrývá nové technologie z oblasti zpracování přirozeného jazyka. Zaměřuje se na vyhledánání informací, automatickou extrakci informací z textu a klasifikaci textů podle tématu. | [
"Martin Holub"
] | https://www.semanticscholar.org/paper/15b1b9579b223e320ec380a34ba6b31b7e5e7db5/ | null | null | null | null | null | null | null | null | null | null | null | null |
en | 2005 | Edward Göbbel: Syntactic and focus-structural aspects of triadic constructions | Edward Göbbel: Syntaktické a ohniskově-strukturální aspekty triadických konstrukcí | A review of a monograph the author of which presents its proposalw to
represent the information structure of the sentence based on triadic
structures. | Recenze monografie, v níž autor prezentuje svůj návrh na reprezentaci
informatické struktury věty na základě triadických struktur. | [
"Eva Hajičová"
] | https://www.semanticscholar.org/paper/01474b2385be6390ebeef0b2f913c8a221edb29b/ | null | null | null | null | null | null | null | null | null | null | null | null |
en | 2005 | Harvesting the fruit from Treebanks: Information structure and the stock of shared knowledge | Sklizeň plodů treebanků: Aktuální členění a zásobárna sdílených znalostí | Annotated corpora are discussed from the viewpoint of their contribution to linguistic theories. | Přínos anotovaných jazykových korpusů pro lingvistické studium aktuálního členění. | [
"Eva Hajičová"
] | null | null | null | null | null | null | null | null | null | null | null | null | null |
en | 2005 | On some aspects of translation | K některým aspektům překladu | The process of translation is viewed from the point of view of understanding and a representation of meaning is argued for. | Proces překladu je nahlížen z hlediska porozumění; je navržen možný přístup k reprezentaci významu textu. | [
"Eva Hajičová"
] | https://www.semanticscholar.org/paper/ff503219856286ca168dafa9c6a381ca435e0780/ | null | null | null | null | null | null | null | null | null | null | null | null |
en | 2005 | What Golem was not yet able to do (and what e-Golem should learn) | Co Golem ještě neuměl (a co by se e-Golem měl naučit) | An analysis of several linguistic issues that must be taken into account in any automatic natural language understanding system. | Rozbor jazykových problémů, které je třeba řešit pro automatické porozumění textů v přirozeném jazyce. | [
"Eva Hajičová"
] | null | null | null | null | null | null | null | null | null | null | null | null | null |
en | 2005 | Written and spoken language: The case of ambiguities | Psaný a mluvený jazyk: Případ nejednoznačností | Language is characterized by several types of asymmetries, one of the most important is the case of homonymy, which can be found both in spoken and in written languge. | Vztah mezi mluveným a psaných jazykem z hlediska jazykové víceznačnosti. | [
"Eva Hajičová"
] | https://www.semanticscholar.org/paper/e27f827ede549d7fbf83dbe60f36e71fa6b6af2c/ | null | null | null | null | null | null | null | null | null | null | null | null |
en | 2005 | Corpus Evidence of Contextual Boundness and Focus | Doklady kontextové zapojenosti a ohniska z korpusu | A computational implementation of the algorithm for determination of topic
and focus on the basis of the primary marker of contextual boundness. | Počítačové ověření algoritmu pro určení základu a ohniska výpovědi na
základě primárniho příznaku kontextoveho zapojeni. | [
"Eva Hajičová",
"Jiří Havelka",
"Kateřina Veselá"
] | https://www.semanticscholar.org/paper/3c517da2e0e0b8e83d9dc8a9d705f6333b38cc45/ | null | null | null | null | null | null | null | null | null | null | null | null |
en | 2005 | The position of information structure in the core of language | Postavení informační struktury v centru jazyka | The status of the representation of topic/focu articulation in the overall
underlying representation of the structure of the sentence. | Postavení aktuálního členění věty v popisu hloubkové (podkladové)struktury jazyka. | [
"Eva Hajičová",
"Petr Sgall"
] | https://www.semanticscholar.org/paper/4197dfc62fa7cd33d2cee8f4d18ee59fbc520a79/ | null | null | null | null | null | null | null | null | null | null | null | null |
en | 2005 | A Generic XML-Based Format for Structured Linguistic Annotation and Its Application to Prague Dependency Treebank 2.0 | Obecný formát pro strukturovanou lingvistickou anotaci založený na XML a jeho využití v Pražském závislostním korpusu 2.0 | In the first part of this technical report we describe our approach to design
a new data format, based on XML (Extensible Markup Language)
and aimed to provide a better and unifying alternative to
various legacy data formats used in various areas of
corpus linguistics and specifically in the field of
structured annotation.
We introduce the first version of the format, called Prague
Markup Language (PML). This version has already been employed as
the main data format for the upcoming Prague Dependency
Treebank 2.0 (PDT).
Finally we outline our ideas and proposals for further improvement of
PML, based on our current experience with using and
processing data in PML format in the PDT 2.0 project.
The second part of the technical report contains the state-of-the-art
specification of PML. | Technická zpráva popisuje design nového datového formátu založeného na XML, který má zajistit lepší interoperabilitu a nahradit rozličné starší datové formáty používané v různých oblastech korpusové lingvistiky se strukturovanou anotací.
Zpráva představuje první verzi formátu pod názvem Prague Markup Language (PML) a to včetně aktuální verze technické specifikace. | [
"Petr Pajas",
"Jan Štěpánek"
] | https://www.semanticscholar.org/paper/fed9fc6d29d10fbb1b6b5b36f0875c3cad50e5a9/ | null | null | null | null | null | null | null | null | null | null | null | null |