Morfologická analýza neologismů v internetovém jazyce

Bc. Miroslava Kachlířová

Bakalářská práce

The morphological analysis of neologisms in the internet language

Anotace:

Bakalářská diplomová práce Morfologická analýza neologismů v internetovém jazyce se zabývá zpracováním výrazů, s nimiž současné morfologické analyzátory nedokáží pracovat. Jedná se zde o tři typy výrazů příznačných pro internetovou komunikaci: těmi jsou zkratky; slova, v nichž některé písmeno podlehlo zmnožení; a slova, u nichž proběhlo jisté nahrazení. Poslední typ výrazů ukazuje na jazykovou hru charakteristickou pro anglický jazyk: například "d8" užívá grafickou substituci části slova "ate" číslovkou "8"; tento fenomén proniká však již i do českého jazyka: například zkratka "pro1t" vznikla grafickým nahrazením části slova "jedna" číslovkou "1". Výzkum byl prováděn analýzou subkorpusu ManijKorpus, který byl pro tyto účely vytvořen z webového korpusu czTenTen12 v9. Cílem bylo navrhnout takové algoritmy, které problémová slova přetvoří na výrazy vhodné pro další analýzu již existujícími nástroji. Byly získány statistické údaje o výskytech zkratek v internetovém diskurzu a na základě těchto údajů byl posléze sestaven frekvenční slovník. Dále byl implementován program, který z tohoto slovníku generuje data ve formátu w:l,t pro existující analyzátor Majka, a program, který v zadaných slovech rozpozná a odstraní grafické substituce.

Abstract:

The morphological analysis of neologisms in the internet language deals with processing of expressions which the contemporary morphological analyzers are unable to work with. There are three types of expressions specific for the internet language: these are abbreviations; words the letters of which underwent a certain multiplication; and words in which a substitution occured. The last type of expressions deals with a specific language game which is very typical for English language. For example the abbreviation "d8" contains a graphical substitution of the word part "ate" by the number "8"; this phenomen, however, has also started appearing in the Czech language. For example, "pro1t" includes a graphical substitution of the word part "jedna" by the number "1". The research was carried out by analysis of the subcorpus ManijKorpus, which had been created for this purpose from the web corpus czTenTen12 v9. The aim of this work was to design such algorithms, which would recreate the problematic words into expressions suitable for futher analysis with the usage of already existing tools. The statistical data about occurrences of abbreviations in the internet discourse was obtained and on the basis of that data the frequency dictionary was then created. Afterwards, a program that generates data in the format w:l,t from tgis dictionary for the existing analyzer Majka and a program which in a given word recognizes and deletes graphical substitutions were implemented.

Klíčová slova

morfologická analýza, značkování, internetový jazyk, neologismus, czTenTen12 v9, lemma, morfologický analyzátor, ManijKorpus, zmnožení, substituce, morphological analysis, tagging, internet language, neologism, morphological analyzer, iteration, substitution

Jazyk práce: čeština

Datum vytvoření / odevzdání či podání práce: 14. 1. 2019

Obhajoba závěrečné práce

• Obhajoba proběhla 1. 2. 2019
• Vedoucí: RNDr. Zuzana Nevěřilová, Ph.D.
• Oponent: RNDr. Adam Rambousek, Ph.D.

Masarykova univerzita

Filozofická fakulta

Bakalářský studijní program / obor:
Filologie / Český jazyk se specializací počítačová lingvistika