JAZZ Integrace jazykových zdrojů za účelem extrakce informací z přirozených textů Projekt Informační společnosti Grantové agentury Akademie věd ČR

• Základní informace
• Výroční zprávy
• Složení týmu
• Publikace
• >> Stránky PML
• >> Stránky TectoMT
• Ostatní

Slíbeno na rok 2007 v původním zadání:

3.rok

• Implementace konkrétních schémat dílčích anotací a anotačních slovníků.
• Návrh a testování aplikačního rozhraní pro zpracování integrovaných datových zdrojů.
• Vytvoření základních nástrojů (indexace, vyhledávání, zpracování prostřednictvím maker).
• Zahájení prácí na převodu anotačních nástrojů.
• Pokračování ruční anotace vybraných textů (20 tisíc vět z PDT).
• Testování automatických metod na ručně anotovaných textech.
• Vyhodnocení testů, případné modifikace systému podle dosažených výsledků.

Upřesnění ve zprávě za loňský (2006) rok pro rok 2007

A. Pojmenované entity

• další vývoj systému pro automatické rozpoznávání entit,
• implementace prostředí pro vizualizaci a anotaci pojmenovaných entit na tekto gramatické rovině v editoru stromů TrEd, případně i pilotní ruční anotace na té to rovině,
• zahájení systematického shromažďování lexikálních zdrojů (rejstříky geografických názvů atd.),
• ruční anotace dalších vět obsahujících pojmenované entity.

B. Jednotný formát

• další experimenty a vyhodncení možností zpracování dat ve formátu PML ve velkých objemech,
• experimenty s PML ve vztahu k relační databázi,
• rozšíření PML formátu o slovníkové a další relační role,
• převod existujících anotačních slovníků do PML,
• návrh a testování aplikačního rozhraní pro zpracování integrovaných datovýchzdrojů,
• práce na PML podpoře v nástrojích (anotační nástroje TrEd s podporou maker a MEdit byly již pro PML upraveny).

Z původního návrhu na další rok (2008):

4.rok

• Převod PDT, PADT, PCEDT a souvisejících slovníků do nového systému.
• Implementace vyhledávacích nástrojů s uživatelským rozhraním, určených pro širší, zejm. lingvisticky orientovanou veřejnost.
• Propojení systému s dalšími existujícími datovými zdroji a nástroji (včetně zahraničních).
• Využití automatických metod na detekci a klasifikaci pojmenovaných entit pro označkování celého ČNK.