Претрага

Упит dcterms_subject_txt:text corpora

70 items

  • New Language Models for South Slavic Languages

    Mihailo Škorić (2024)
    Izlaganje će predstaviti izazove i perspektive modelovanja južnoslovenskih jezika, sa posebnim osvrtom opšte jezičke modele građene na arhitekturi transformera (BERT, GPT), na dostupne skupove tekstova za obučavanje tih modela, te kvantitet i kvalitet tih skupova. Izlaganje će ponuditi pregled dostupnih skupova i modela, dok će posebna pažnja biti posvećena najnovijim korpusima tekstova. Prvi korpus, Kišobran, predstavlja krovni veb korpus južnoslovenskih jezika i ujedno trenutno najveći korpus tekstova na našim prostorima koji broji preko osamnaest milijardi reči i uključuje sve ...
    veliki korpusi teksta, jezički modeli, južnoslovenski jezici

  • SrpELTeC: A Serbian Literary Corpus for Distant Reading

    Ranka Stanković, Cvetana Krstev, Duško Vitas (2024)
    U članku je predstavljen SrpELTeC, korpus razvijen u okviru akcije COST Distant Reading for European Literary History (CA16204). Svi romani u SrpELTeC-u su odabrani, pripremljeni i obeleženi korišćenjem zajedničkih principa uspostavljenih za sve jezičke zbirke u Evropskoj zbirci književnog teksta (ELTeC). Navedeni su izazovi i rešenja u pripremi SrpELTeC od nule. Svi romani su ručno kodirani u TEI sa bogatim metapodacima i strukturnim napomenama. Automatska anotacija je uključivala POS-označavanje, lematizaciju i imenovane entitete, oslanjajući se na resurse za obradu ...
    digital humanities, Serbian literature, text corpora, distant reading , linked data, named entity recognition, text analytics

  • E-Connecting Balkan Languages

    Cvetana Krstev, Ranka Stanković, Duško Vitas, Svetla Koeva (2009)
    In this paper we present a versatile language processing tool that can be successfully used for many Balkan languages. This tool relies for its work on several sophisticated textual and lexical resources that were developed for most of Balkan languages. These resources are based on several de facto standards in natural language processing.
    Query expansion, e-dictionary, wordnet, proper name, aligned text
    ... the Multext-East project [5]. In meantime many multilingual corpora were compiled, from large corpora usually fully automatically prepared comprising from texts in some limited technical domain [18], to more versatile literary corpora [5] that are often more modest in size but minutely prepared ...
    ... novel Around the world in eighty days. This text was chosen for various reasons. First of all, the text is available in digital form for the majority of European languages, including Balkan languages. Regarding its content, it represents a suitable text for different types of analysis, especially ...
    ... Textual Resources – Aligned Texts The aligned texts as a special form of multilingual corpora were in focus of many projects in past couple of decades. A systematic approach to the development of multilingual corpora was initiated within the Multext project, which subsequently included East-European ...

  • Extraction of Bilingual Terminology Using Graphs, Dictionaries and GIZA++

    Branislava Šandrih, Ranka Stanković (2020)
    U nauci, industriji i mnogim istraživačkim oblastima, terminologija se brzo razvija. Najčešće, jezik koji je „lingua franca“ za većinu ovih oblasti je engleski. Kao posledica toga, za mnoga polja termini domena su koncipirani na engleskom, a kasnije se prevode na druge jezike. U ovom radu predstavljamo pristup za automatsko izdvajanje dvojezične terminologije za englesko-srpski jezički par koji se oslanja na usaglašeni dvojezični korpus domena, ekstraktor terminologije za ciljni jezik i alat za usklađivanje delova. Ispitujemo performanse metode na domenu ...
    ekstrakcija terminologije, validacija terminologije, GIZA++, grafovi, Unitex, klasifikacija teksta
    ... the 17th International Conference on Intelligent Text Processing and Computational Linguistics (CICLING2016), LNCS. Springer, 2016 Hazem, Amir and Emmanuel Morin. “Efficient Data Selection for Bilin- gual Terminology Extraction from Comparable Corpora”. In Proceedings of COLING 2016, the 26th International ...
    ... (for text). Table 1. Numerical data that describes the results of the term extraction system Experiment A B C I II III IV L I S -d ic t LIS-corp chunk 1 7 ,8 8 9 240,253 26,719 6,646 1,141 647 173 text 49,632 1,531 770 240 LIS-corp+ chunk 496,787 45,813 11,740 2,508 1,105 301 text 50,644 ...
    ... approach to other domains — mining, elec- tric power system and management — for which aligned domain corpora have already been prepared. Of course, the enrichment of sentence-aligned domain-specific corpora, bilingual word lists and monolingual dictionaries of MWTs are long-term activities. Acknowledgment ...

  • A Mathematical Learning Environment Based on Serbian Language Resources

    Radojičić Marija, Obradović Ivan, Stanković Ranka, Utvić Miloć, Kaplar Sebastijan (2018)
    In recent years, in line with ever growing usage of Information technology, the learning environments are changing. The amount of available learning materials in various forms has increased. These new environments demand comprehensive learning systems, which enable management of the learning corpus with special attention paid to relevant lexical resources. In this paper we present the concept of a Mathematical Learning Environment in Serbian (MLES), which is based on a corpus of mathematical materials and various lexical resources, enabling ...
    mathematical content, text processing, mathematical formulae
    ... interface designed specifically for CWB query processor - CQP [15]. CWB is suitable for encoding, indexing, compression and decoding large text corpora (up to 2 billion words) with multiple layers of word-level annotation. CQP is a powerful and efficient concordance system which can process ...
    ... indexed. User requests are also converted to LaTex, and the search proceeds as with ordinary text. Another relevant project is MathGo! that provides search and presentation of mathematical encoded text [8]. The software solution is based on the concepts of math block identification and vector ...
    ... mathematical support in solving real life problems from engineering practice. To that end complex issues had to be resolved, such as mathematical text analysis, processing of mathematical content in different formats, search of mathematical materials, indexing of mathematical content using Serbian ...

  • Digital Library From A Domain Of Criminalistics As A Foundation For A Forensic Text Analysis

    Dalibor Vorkapić, Aleksandra Tomašević, Miljana Mladenović, Ranka Stanković, Nikola Vulović (2017)
    U ovom radu predstavljen je model koji omogućava prikupljanje, pripremu, opis metapodataka, upravljanje i eksploataciju, uključujući pretragu punog teksta dokumenata iz domena kriminalistike napisanih na srpskom jeziku. Predloženi pristup primenjuje se na veb portalu koji sakuplja različite tekstove nastale iz časopisa Akademije za kriminalistiku i policijske studije, Krivičnog zakona Srbije, konferencija „Tara“ i „Reiss“, kao i iz nekih doktorskih disertacija vezanih za ovu oblast istraživanje. Nakon obrade teksta, korpus koji sadrži preko 5500 stranica običnog teksta, kreiran je i ...
    Omeka, Wordnet, pretraga punog teksta, morfološka i semantička pretraga teksta, proširenje upita
    ... corpora16 and CQP web corpora. Linguistic support is implemented via REST web service Vebran that interact from one side with lexical and linguistic resources and from the other with Omeka KPA digital library. 15 Cvetana Krstev. Processing of Serbian – Automata, Text and Electronic Dictionaries ...
    ... research. After text processing, a corpus containing over 5500 pages of plain text is created and prepared for publication as an online resource for full text search using Omeka, an open source content management system for on line digital library development. Search capabilities, both full text and metadata ...
    ... research. The text that is not in Serbian language was removed, as well as tables, figures, references and links, as usual preparation for corpus processing. After this preparation, the text collection contained 5,500 pages of plain text, in A4 format, which was used for further text analysis and ...

  • Contrastive Analysis of Syntax Patterns in Comparable Football Corpora in Spanish and Serbian Languages

    Jelena Lazarević, Olivera Kitanović (2024.)
    Cilj rada je istraživanje kolokabilnosti kao načina na koji se leksičke jedinice povezuju sa rečima iz različitih kategorija, formirajući veće jedinice. Istraživanje semantičkih i sintaksičkih principa ovih kombinacija u španskom i srpskom jeziku fudbala izvedeno je na komparabilnim fudbalskim korpusima SrFudKo i EsFudko, razvijenim u okviru doktorske disertacije Jelene Lazarević pod nazivom: Jezičke odlike diskursa novih medija o fudbalu: kontrastivna analiza na korpusu srpskog i španskog jezika. Korpus fudbala SrFudKo, kreiran na osnovu tekstova o fudbalu sa pet srpskih veb-portala: ...
    fudbal, korpusi, terminologija, kolokacije, srpski, španski

  • Towards Semantic Interoperability: Parallel Corpora as Linked Data Incorporating Named Entity Linking

    Ranka Stanković, Milica Ikonić Nešić, Olja Perisic, Mihailo Škorić, Olivera Kitanović (2024)
    U radu se prikazuju rezultati istraživanja vezanih za pripremu paralelnih korpusa, fokusirajući se na transformaciju u RDF grafove koristeći NLP Interchange Format (NIF) za lingvističku anotaciju. Pružamo pregled paralelnog korpusa koji je korišćen u ovom studijskom slučaju, kao i proces označavanja delova govora, lematizacije i prepoznavanja imenovanih entiteta (NER). Zatim opisujemo povezivanje imenovanih entiteta (NEL), konverziju podataka u RDF, i uključivanje NIF anotacija. Proizvedene NIF datoteke su evaluirane kroz istraživanje triplestore-a korišćenjem SPARQL upita. Na kraju, razmatra se povezivanje Linked ...
    paralelni korpusi, povezivanje imenovanih entiteta, prepoznavanje imenovanih entiteta, NER, NEL, povezani podaci, NIF, Vikipodaci

  • Multiword Expressions between the Corpus and the Lexicon: Universality, Idiosyncrasy and the Lexicon-Corpus Interface

    Verginica Barbu Mititelu, Voula Giouli, Kilian Evang, Daniel Zeman, Petya Osenova, Carole Tiberius, Simon Krek, Stella Markantonatou, Ivelina Stoyanova, Ranka Stankovic, Christian Chiarcos (2024)
    Predstavljamo trenutne aktivnosti na definisanju interfejsa leksikona i korpusa koji će služiti kao referenca u prikazu polileksemskih jedinica - višečlanih izraza - (različitih tipova - imenskih, glagolskih, itd.) u specijalizovanim leksikonima i povezivanju ovih unosa sa njihovim pojavljivanjima u korpusima. Konačni cilj je korišćenje ovakvih resursa za automatsko identifikovanje višečlanih izraza u tekstu. Uključivanje nekoliko prirodnih jezika ima za cilj univerzalnost rešenja koje nije usredsređeno na određeni jezik, kao i prilagođavanje idiosinkrazijama. Raspravljaju se izazovi u leksikografskom opisu višerečnih ...
    multiword expression lexicon, corpus, proof-of-concept lexicon encoding

  • The Many Faces of SrpKor

    Duško Vitas, Ranka Stanković, Cvetana Krstev (2024.)
    Акроним СрпКор означава фамилију електронских корпуса савременог српског језика чија је изградња почела крајем седамдесетих година прошлога века, а која је постала шире видљива заинтересованој истраживачкој заједници објављивањем његове прве верзије на вебу 2002. године. У овом дугом периоду, посебно пре појаве корисних текстуелних ресурса на вебу, развој корпуса се састојао у прикупљању и обради грађе као и у развоју метода обраде корпуса. Наиме, електронски корпус није само колекција текстова у дигиталном облику (како се то, на пример, наводи ...
    СрпКор, корпуси, српски, лематизација, Лексимирка

  • Semi-Automatic Extraction of Multiword Terms from Domain-Specific Corpora

    Vesna Pajić, Staša Vujičić Stanković, Ranka Stanković, Miloš Pajić (2018)

  • Bilingual lexical extraction based on word alignment for improving corpus search

    Jelena Andonovski, Branislava Šandrih, Olivera Kitanović (2019)
    Library and Information Sciences,Computer Science Applications

  • Social-Emo.Sr: Emotional Multi-Label Categorization of Conversational Messages from Social Networks X and Reddit

    Milena Šošić, Ranka Stanković, Jelena Graovac (2024)
    U digitalnom okruženju južnoslovenskih jezika, analiza emocija u tekstovima na društvenim mrežama postaje sve važnija za razumevanje javnog mnjenja, kreiranje personalizovanog sadržaja i analizu međusobnih interakcija korisnika. U okviru ovog rada predstavljamo detaljnu metodologiju i rezultate označavanja korpusa na srpskom jeziku prema Plutčikovom modelu kategorizacije, koji prepoznaje osam osnovnih emocionalnih kategorija, kao što su radost, tuga, bes, strah, poverenje, gađenje, iščekivanje i iznenađenje. Cilj istraživanja je da se analizira emocionalni sadržaj tekstova preuzetih sa društvenih mreža X (nekada Twitter) ...
    emocije, Plutčikov model, označavanje, korpus, društvene mreže, srpski jezik

  • Vebran Web Services for Corpus Query Expansion

    Ranka Stanković, Miloš Utvić (2020)
    U ovom radu se govori o razvoju veb usluga Vebran i njihovoj primeni u poboljšanju pretraživanja korpusa. Veb-servisi Vebran koriste se za konsultovanje spoljnih leksičkih izvora za srpski jezik (uglavnom elektronski morfološki rečnici i srpski Vordnet) i proširivanje korisničkih upita radi dobijanja relevantnijih rezultata iz srpskih korpusa.
    corpus search, web service, Serbian lexical resources, query expansion
    ... finite-state machines; 2) Use variables instanced with a part of the text or with any characters; 3) Use regular expressions and graphs of automata and transducers for searching and extraction; and 4) Build cascades of rules. Corpora SrpKor2013 (cf. 2.1) and RudKor (cf. 2.2) can be searched by OCWB, while ...
    ... remarks concerning the future work. 2 Corpora Numerous corpora are developed within research activities of Human Language Technology (HLT) Group at the University of Belgrade and the Language Resources and Technologies Society (JeRTeh): – monolingual general corpora: Corpus of Contemporary Serbian (versions ...
    ... concerning the functional style to which the text belongs, as well as an indicator whether corpus text is written in Serbian or represents a translation from another language. The SrpKor2013 is not structurally annotated, although some or all lev- els of the text structure (section, title, paragraph, sentence) ...

  • Towards the semantic annotation of SR-ELEXIS corpus: Insights into Multiword Expressions and Named Entities

    Cvetana Krstev, Ranka Stanković, Aleksandra Marković, Teodora Mihajlov (2024)
    Овај рад представља активности на развоју корпуса ELEXIS-sr, српском додатку вишејезичном анотираном корпусу ELEXIS-а, који се састоји од семантичких анотација и репозиторија значења речи. ELEXIS је паралелни вишејезични анотирани корпус на десет европских језика, који може да се користи као вишејезички репер за евалуацију европских језика са мање и средње развијеним ресурсима. Фокус овог рада је на вишечланим изразима и именованим ентитетима, њиховом препознавању у скупу реченица ELEXIS-sr и поређењу са анотацијама на другим језицима. Разматрају се први кораци ...
    полилексемске језинице, именовани ентитет, вишезначност значења речи, складиште смисла, LLOD

  • Using Query Expansion for Cross-Lingual Mathematical Terminology Extraction

    Velislava Stoykova, Ranka Stanković (2018)

  • Bridging Computational Lexicography and Corpus Linguistics: A Query Extension for OntoLex-FrAC

    Christian Chiarcos, Ranka Stanković, Maxim Ionov, Gilles Sérasset (2024)
    OntoLex, dominantni standard zajednice za mašinski čitljive leksičke resurse u kontekstu RDF-a, Linked Data i tehnologija Semantičkog veba, trenutno se proširuje sa posebnim modulom za Frekvencije, Primere i Informacije zasnovane na Korpusu (OntoLex-FrAC). Predlažemo novi komponent za OntoLex-FrAC, koji se bavi inkorporacijom korpusnih upita za (a) povezivanje rečnika sa korpusnim mašinama, (b) omogućavanje RDF baziranih web servisa da dinamički razmenjuju korpusne upite i podatke odgovora, i (c) korišćenje konvencionalnih upitačkih jezika za formalizaciju unutrašnje strukture kolokacija, skica reči i ...
    standardizacija, digitalna leksikografija, OntoLex, upiti korpusa, povezani podaci, Lingvistički povezani otvoreni podaci

  • Integrisano okruženje za pripremu paralelizovanog korpusa

    Ivan Obradović, Ranka Stanković, Miloš Utvić (2007)
    Razvoj paralelizovanih korpusa zahteva pripremu paralelnih tekstova za njihovu integraciju u paralelizovani korpus. Reč je o jednom kompleksnom zadatku koji se može rešiti na različite načine, i koji mora da se odvija u nekoliko koraka. U ovom radu najpre je iznet postupak pripreme paralelnih tekstova za paralelizovani korpus koji se koristi u Grupi za jezičke tehnologije Univerziteta u Beogradu. Potom je dat kratak pregled programa (XAlign, Concordancier, WS4LR), odnosno softverskih alata koji se pri tome koriste. Nedostatak udobnog okruženja ...
    ... E. W. (eds.) (1996). Lexikon und Text: wiederverwendbare Methoden und Ressourcen zur linguistischen Erschließung des Deutschen, Tübingen: Niemeyer, pp. 121-134. [2] Gale William A., Kenneth W. Church (1993): “A program for aligning sentences in bilingual corpora, Computational Linguistics”, Vol ...
    ... outline the procedure for preparation of parallel texts for aligned corpora which is being used in the Human Language Technology Group at the University of Belgrade. Texts are marked using XML tags, in accordance with the TEI (Text Encoding Initiative) consortium recommendations, and their alignment ...
    ... IJS-ELAN Parallel Corpus. Informatica, 26(3), pp. 299-307, 2002. SUMMARY The development of aligned corpora requires a preparation of parallel texts for their integration into aligned corpora. This is a very complex task, which can be solved in different ways, and which has to be realized in several ...

  • A Data Driven Approach for Raw Material Terminology

    Olivera Kitanović, Ranka Stanković, Aleksandra Tomašević, Mihailo Škorić, Ivan Babić, Ljiljana Kolonja (2021)
    The research presented in this paper aims at creating a bilingual (sr-en), easily searchable, hypertext, born-digital, corpus-based terminological database of raw material terminology for dictionary production. The approach is based on linking dictionaries related to the raw material domain, both digitally born and printed, into a lexicon structure, aligning terminology from different dictionaries as much as possible. This paper presents the main features of this approach, data used for compilation of the terminological database, the procedure by which it has ...
    sirovine, rudarstvo, terminologija, rečnik, terminološka aplikacija, mobilna aplikacija, digitizacija, leksički podaci, korpusi, otvoreni povezani podaci
    ... Treetagger [36,37]. Texts included in corpora are also processed using electronic dictionaries and local grammars. It is important to note that text processing and related mining vocabulary ex- pansion is an iterative process. Namely, among other tasks, corpora are used for extraction of mining terminology ...
    ... from the raw material and energy domains. The crucial linguistic preprocessing steps within corpora enlargement are part-of- speech tagging and lemmatization. Part-of-speech tagging represents an automatic text annotation process in which words or tokens are marked by part of speech tags, which typically ...
    ... gives an overview of available resources: paper and electronic dictionaries, as well as corpora used. Section 3 outlines preparation of resources, which includes digitization of paper dictionaries, enlargement of corpora, adding domain terms to general purpose morphological e-dictionaries and extraction ...

  • Keyword-Based Search on Bilingual Digital Libraries

    Ranka Stanković, Cvetana Krstev, Duško Vitas, Nikola Vulović, Olivera Kitanović (2017)
    This paper outlines the main features of Biblisha, a tool that offers various possibilities of enhancing queries submitted to large collections of aligned parallel text residing in bilingual digital library. Biblishsa supports keyword queries as an intuitive way of specifying information needs. The keyword queries initiated, in Serbian or English, can be expanded, both semantically, morphologically and in other language, using different supporting monolingual and bilingual resources. Terminological and lexical resources are of various types, such as wordnets, electronic ...