IndoWordNet - IndoWordNet
IndoWordNet on linkitetty leksikaalinen tietopohja 18 Intian ajoitetun kielen sanaverkkoista , nimittäin assamilaiset, banglat, bodot , gujarati, hindi, kannada, kašmiri, konkani, malajalam, Meitei (manipuri), marathi, nepali, odia, punjabi, Sanskritin, tamilin, telugu ja urdu.
Dravidian WordNet on dravidilaisten kielten WordNet.
Tausta
90-luvun alussa englanninkielisen sanaverkon, nimeltään Princeton WordNet, loivat Princetonin yliopistossa George Miller ja Christiane Fellbaum, jotka saivat arvostetun Zampoli-palkinnon vuonna 2006. Sen jälkeen seurasi EuroWordNet - eurooppalaisten kielisanaverkostojen ryhmittymä - joka sai luotiin 1998. Wordnets ovat nyt välttämättömiä resursseja luonnollisen kielen käsittely , Information Extraction , Sanojen merkityksen ratkaiseminen sekä muut laskutoimituksia, joissa tekstiä.
Intian kielten merkitys
Intialaiset kielet muodostavat erittäin merkittävän osan maailman kielimaisemasta. Intian niemimaalla toimii 4 kielityypivirtaa - indoeurooppalainen, dravidialainen, Tiibeto Burman ja austroasialainen. Monet kielet sijoittuvat maailman kymmenen parhaan joukkoon heidän puhuvan väestönsä suhteen, esim. Hindi-urdu 5., Bangla 7., marathi 12. ja niin edelleen kielten luettelon mukaan äidinkielenään . Intialaisten kielten sanaverkkojen luominen on siksi erittäin tärkeä teknistieteellinen ja kielellinen projekti.
Intian kielen sanaverkkojen synty
Tällainen projekti käynnistyi vuonna 2000 Hindi WordNetin luodessa luonnollisen kielen käsittelyryhmän Intian kieliteknologian keskuksessa (CFILT) IIT Bombayn tietojenkäsittelytieteen osastolla . Se asetettiin julkisesti saataville vuonna 2006 GNU-lisenssillä. Hindi WordNet luotiin Intian viestintä- ja tietotekniikkaministeriön TDIL-projektin ja osittain Intian henkilöstöresurssien kehityksen ministeriön tuella.
Sitten seurasivat Intian muiden kielten sanaverkot. Intian kielen sanaverkkojen rakentamista koskevaa laajaa valtakunnallista hanketta kutsuttiin IndoWordNet-projektiksi. IndoWordNet on linkitetty leksikaalinen tietokanta 18 Intian ajoitetun kielen sanaverkkoihin , nimittäin assamilaiset, banglat, bodot , gujarati, hindi, kannada, kašmiri, konkani, malajalam, meitei, marathi, nepali, oria, punjabi, sanskrit, tamili , Telugu ja urdu. Sanaverkkoja luodaan käyttämällä Hindi WordNetin laajennusmenetelmää . Hindi WordNet luotiin ensimmäisistä periaatteista (mainittu jäljempänä) ja se oli ensimmäinen intialaisen kielen sanaverkko. Hyväksytty menetelmä oli sama kuin Princeton WordNet for English.
Puolalainen WordNet on kartoitettu Princeton WordNetiin IndoWordNetin noudattaman strategian perusteella.
Sanaverkon rakentamisen periaatteet
Sanaverkot noudattavat synteettisarjojen minimaalisuuden, kattavuuden ja vaihdettavuuden periaatteita. Tämä tarkoittaa, että synsetissä pitäisi olla ainakin "ydin" joukko leksemejä, jotka antavat ainutlaatuisen synsetin edustaman käsitteen (minimaalisuus), esimerkiksi {talo, perhe}, joka seisoo perheen käsitteen puolesta ("hän on jaloista taloista "). Tällöin synsetin tulisi kattaa KAIKKI kielen käsitteen edustavat sanat (kattavuus), esim. Sanan 'menage' on oltava 'perheen' synsetissä, vaikkakin synsetin loppua kohti, koska sen käyttö on harvinaista . Lopuksi, synsetin alkupuolella olevien sanojen tulisi kyetä korvaamaan toiset kohtuullisella määrällä ruumiita (vaihdettavuus), esim. "Talo" ja "perhe" voivat korvata toisensa lauseessa "hän on jaloista talosta". .
Intian kielen sanaverkkojen tilastot
Syntetisaattoreiden määrä (elokuusta 2014 alkaen) kielillä ja instituutit, jotka luovat kielen WordNets, ovat seuraavat:
Yhteenveto
IndoWordNet on hyvin samanlainen kuin EuroWordNet . Kääntökieli on kuitenkin hindi, joka tietysti liittyy englanninkieliseen WordNetiin. Myös tyypillisiä intialaisen kielen ilmiöitä, kuten monimutkaisia predikaatteja ja syy-verbejä, kaapataan IndoWordNetissä.
IndoWordNet on julkisesti selattava. Intialaisen sanaverkon rakentaminen, joka muodostaa IndoWordNet-projektin alikomponentit, ovat: Koillis-WordNet-projekti, Dravidian WordNet-projekti ja Indradhanush-projekti, jotka kaikki rahoitetaan TDIL-projektilla.
