Velký mnohojazyčný korpus
| Thesis title in Czech: | Velký mnohojazyčný korpus |
|---|---|
| Thesis title in English: | Large Multilingual Corpus |
| Key words: | jazykový korpus, distribuované zpracování |
| English key words: | language corpus, distributed processing |
| Academic year of topic announcement: | 2010/2011 |
| Thesis type: | diploma thesis |
| Thesis language: | angličtina |
| Department: | Institute of Formal and Applied Linguistics (32-UFAL) |
| Supervisor: | prof. Ing. Zdeněk Žabokrtský, Ph.D. |
| Author: | hidden - assigned and confirmed by the Study Dept. |
| Date of registration: | 22.03.2011 |
| Date of assignment: | 22.03.2011 |
| Date and time of defence: | 06.09.2011 00:00 |
| Date of electronic submission: | 05.08.2011 |
| Date of submission of printed version: | 05.08.2011 |
| Date of proceeded defence: | 06.09.2011 |
| Opponents: | RNDr. Miroslav Spousta |
| Guidelines |
| Cílem práce je navrhnout a implementovat softwarový systém, který s využitím textů dostupných na WWW sestaví mnohojazyčný neanotovaný korpus.
V korpusu bude obsaženo několik stovek jazyků. Minimální celková velikost textů pro každý jednotlivý jazyk bude deset miliónů slov. S ohledem na velké množství dat bude korpus vytvářen distribuovaným způsobem. Vedle kvantitativní a kvalitativní analýzy shromážděného materiálu bude práce dokumentovat i řešení dílčích problémů vyvstávajících pro jednotlivé jazyky nebo jazykové skupiny. |
| References |
| Wynne, M (editor). Developing Linguistic Corpora: a Guide to Good Practice. Oxford: Oxbow Books. 2005
Lin, J.; Dryer, C.: Data-Intensive Text Processing with MapReduce. Synthesis Lectures on Human Language Technologies. Morgan & Claypool Publishers. 2010 Český národní korpus: Úvod a příručka uživatele. FF UK. 2000 Conway, D.: Perl Best Practices. Standards and Styles for Developing Maintainable Code. O'Reilly Media. 2005 |