PL EN


Journal
2012 | 92 | 1 | 11–19
Article title

Automatyczna lematyzacja tekstu w zapisie fonetycznym. Korpus polskiej gwary południowokresowej

Title variants
EN
Automatic lemmatization of a text in phonetic transcription. A corpus of Polish local dialect from the Southern Borderland
Languages of publication
PL
Abstracts
PL
Artykuł przedstawia sposób budowy elektronicznego korpusu tekstów polskiej gwary wsi Maćkowce na Ukrainie. Do tego celu został stworzony pakiet programów FonOrt autorstwa M. Wieczorka. Teksty, przepisane w transkrypcji fonetycznej do plików MS Word, zostały następnie przekształcone do formatu XML i poddane lematyzacji. Zastosowano automatyczne przypisanie każdej formie wyrazowej tekstu (ciągowi znaków) takiego odpowiedniego ciągu znaków, który może być zinterpretowany przez analizator morfologiczny języka polskiego. Zwykle była to odpowiednia forma ogólnopolska (np. kubita → kobieta, chudz'ima → chodzimy). Tak uzyskanym formom przypisana została odpowiednia forma hasłowa, do czego użyto biblioteki analizatora MorfeuszSIAT M. Wolińskiego. Do lematyzacji leksemów dyferencjalnych (wyekscerpowanych z tekstów ręcznie) została automatycznie stworzona lista ich form wyrazowych. Rezultatem jest korpus, w którym każdemu ciągowi znaków przypisany jest odpowiedni leksem, a także informacje dodatkowe, np. o osobie mówiącej. Korpus można przeszukiwać za pomocą programu Poliqarp.
EN
The paper presents an electronic corpus of the Polish dialect of the village of Maćkowce in Ukraine. For this purpose a computer tool FonOrt was created, the author of which is M. Wieczorek. The texts, transcribed in phonetic transcription in MS Word files, were afterwards converted to XML and lemmatized. Lemmatization was achieved by attributing to each token an appropriate sequence of signs which could be interpreted by a morphological analyzer of Polish. It was usually an appropriate standard Polish form (e.g. kubita → kobieta, chudz’ima → chodzimy). Thereafter the program imputed lemmas to attained word forms using the Morfeusz SIaT analyzer. To lemmatize lexical borrowings and Polish dialectal words (selected from the texts manually) a list of their word forms was automatically created. In the corpus created using the methods described above each token is annotated with an appropriate lemma and additional information like the speaker. One can search the corpus using the tool Poliqarp.
Journal
Year
Volume
92
Issue
1
Pages
11–19
Physical description
Contributors
  • Instytut Podstaw Informatyki Polskiej Akademii Nauk, ul. Jana Kazimierza 5, 01-248 Warszawa, Poland
References
Document Type
Publication order reference
Identifiers
YADDA identifier
bwmeta1.element.desklight-dbd310a2-bbce-430a-87cb-0125512c3288
JavaScript is turned off in your web browser. Turn it on to take full advantage of this site, then refresh the page.