Generování vzorů dělení slov v UNICODE

• Autoři: ANTOŠ David; SOJKA Petr
• Rok publikování: 2001
• Druh: Článek ve sborníku
• Konference: Sborník druhého semináře o Linuxu a TeXu, SLT 2001
• Fakulta / Pracoviště MU: Fakulta informatiky
• www: http://www.cstug.cz/slt/01/sltproc.html
• Obor: Využití počítačů, robotika a její aplikace
• Klíčová slova: patterns;UNICODE;finite automata;natural language processing;language engineering
• Popis: Článek popisuje techniku vzorů jako prostředek pro získávání informace z~rozsáhlých dat a zpětné rozpoznávání. Typickou aplikací této techniky je dělení slov. Dosud chybí generátor vzorů dělení pro systém $\Omega$ (pro UNICODE) a rozšíření programu PATGEN, omezeného osmibitovým ASCII, není únosné. Proto vyvíjíme knihovnu PATLIB pro obecnou manipulaci se vzory a na ní postavíme generátor vzorů dělení slov v~UNICODE. Popíšeme architekturu připravovaného systému a dále méně známou datovou strukturu dynamic packed trie, kterou lze výhodně použít pro efektivní ukládání konečných jazyků s výstupy. Vzory lze použít i pro rozpoznávání hranic složených slov, proto zmíníme návrhy na rozšíření následníků TeXu o klasifikované dělení s~více typy dělících bodů a o automatické potlačování ligatur na švech složených~slov.

Související projekty

• Laboratoř zpracování přirozeného jazyka (s aplikacemi pro podporu výuky zrakově postižených)
• Interakce člověka s počítačem, dialogové systémy a asistivní technologie