IndoWordNet - IndoWordNet
IndoWordNet to połączona baza wiedzy leksykalnej z sieciami słowników 18 zaplanowanych języków Indii , a mianowicie, asamski, bengalski, bodo, gudżarati, hindi, kannada, kaszmirski, konkani, malajalam, meitei (manipuri), marathi, nepalski, odia, pendżabski, Sanskryt, tamilski, telugu i urdu.
Dravidian WordNet to WordNet dla języków drawidyjskich.
tło
We wczesnych latach 90-tych wordnet dla angielski- nazywa Princeton WordNet - powstał w Princeton University George'a Millera i Christiane Fellbaum który udał się do dostać prestiżową Nagrodę Zampoli w 2006. Następnie po EuroWordNet - konglomerat European Language wordnets- który dostał utworzono w 1998 r. Sieci słowne są obecnie niezbędnymi zasobami do przetwarzania języka naturalnego , ekstrakcji informacji , ujednoznaczniania sensu słów i innych obliczeń związanych z tekstem.
Znaczenie języków indyjskich
Języki indyjskie stanowią bardzo ważny składnik językowego krajobrazu świata. Na subkontynencie indyjskim działają 4 strumienie typologii języków - indoeuropejski, drawidyjski, tybetański birmański i austroazjatycki. Wiele języków plasuje się w pierwszej dziesiątce na świecie pod względem liczby osób, które nimi posługują się, np. Hindi-urdu 5, bangla 7, marathi 12 i tak dalej, zgodnie z listą języków według liczby rodzimych użytkowników języka . Tworzenie sieci słówek języków indyjskich jest zatem bardzo ważnym projektem techniczno-naukowym i językowym.
Geneza sieci słowników języka indyjskiego
Taki projekt rzeczywiście ruszył w 2000 r., Gdy hindi WordNet został stworzony przez grupę przetwarzania języka naturalnego w Centrum Technologii Języka Indyjskiego (CFILT) na Wydziale Informatyki i Inżynierii IIT Bombay . Został udostępniony publicznie w 2006 roku na licencji GNU. Hindi WordNet powstał przy wsparciu projektu TDIL Ministerstwa Komunikacji i Technologii Informacyjnych Indii, a także częściowo z Ministerstwa Rozwoju Zasobów Ludzkich Indii.
W ślad za tym poszły sieci słowne innych języków Indii. Duży ogólnopolski projekt budowy sieci słownych w języku indyjskim nazwano projektem IndoWordNet. IndoWordNet to połączona baza wiedzy leksykalnej z sieciami słowników 18 zaplanowanych języków Indii , a mianowicie, asamski, bengalski, bodo, gudżarati, hindi, kannada, kaszmirski, konkani, malajalam, meitei, marathi, nepalski, orija, pendżabski, sanskryt, tamilski , Telugu i urdu. Sieci słów są tworzone przy użyciu podejścia ekspansji z hindi WordNet. Sieć WordNet w języku hindi została utworzona na podstawie pierwszych zasad (wymienionych poniżej) i była pierwszą siecią WordNet w języku indyjskim. Przyjęta metoda była taka sama jak w Princeton WordNet dla języka angielskiego.
Polski WordNet jest mapowany na Princeton WordNet w oparciu o strategię IndoWordNet.
Zasady budowy wordnetów
Sieci słowne są zgodne z zasadami minimalności, pokrycia i zastępowalności synsetów. Oznacza to, że w zsynchronizowaniu powinien istnieć co najmniej „podstawowy” zestaw leksemów, który jednoznacznie nadaje pojęciu reprezentowanemu przez synset (minimalność), np. {Dom, rodzina} oznaczający pojęcie „rodzina” („ona jest ze szlacheckiego domu ”). Następnie synchronizacja powinna obejmować WSZYSTKIE słowa reprezentujące pojęcie w języku (pokrycie), np. Słowo `` menage '' będzie musiało pojawić się w synecie `` rodzinnym '', aczkolwiek pod koniec synchronizacji, ponieważ jego użycie jest rzadkie . Wreszcie, słowa na początku synetu powinny móc się wzajemnie zastępować w rozsądnej ilości korpusów (zastępowalność), np. „Dom” i „rodzina” mogą się wzajemnie zastępować w zdaniu „ona jest z rodu szlacheckiego” .
Statystyki sieci słowników języka indyjskiego
Liczba synchronizacji (stan na sierpień 2014 r.) W językach i instytutach tworzących język WordNets jest następująca:
Podsumowanie
IndoWordNet jest bardzo podobny do EuroWordNet . Jednak językiem pośrednim jest hindi, które jest oczywiście powiązane z angielskim WordNetem. Również typowe indyjskie zjawiska językowe, takie jak złożone predykaty i czasowniki sprawcze, są uchwycone w IndoWordNet.
IndoWordNet można przeglądać publicznie. Wysiłki budowania sieci wordnet w języku indyjskim tworzące podskładniki projektu IndoWordNet to: projekt North East WordNet, projekt Dravidian WordNet i projekt Indradhanush, z których wszystkie są finansowane w ramach projektu TDIL.
