RapCor Support

Bc. Michal Hala

Master's thesis

Abstract:

RapCor je specializovaný korpus francouzského jazyka složený výhradně z rapových písní. V minulých letech byla vytvořena řada nástrojů pro správu a anotaci textů písní. Tato diplomová práce má čtyři hlavní cíle: vyzkoušet dostupné morfologické značkovače (TreeTagger, FreeLing, UDPipe) a vybrat jeden z nich pro účely RapCoru; implementovat nový vertikální formát, který zkrátí čas nutný k anotaci písní; zkombinovat nový značkovač a nový vertikální formát; a zjednodušit práci na RapCoru aktualizací stávajících a vývojem nových nástrojů. Všechny čtyři cíle byly úspěšně dosaženy. UDPipe2 byl vybrán jako nový značkovač a byl natrénován model pomocí korpusu UD French GSD. Nový vertikální formát byl vytvořen a zahrnuje i nové slovníky.

Abstract:

RapCor is a specialized corpus for the French language comprising entirely of rap songs. Over the past several years, many tools were created for management and annotation of the songs. This thesis has set four main goals: first, to examine available part of speech taggers (TreeTagger, FreeLing, UDPipe2) and choose one for the purposes of RapCor; second, to make the work of annotators easier by implementing a new vertical format, which will shorten the time needed for the annotation; third, to combine the new tagger and new vertical into a new pipeline; fourth, to improve overall quality of life of the RapCor annotators by updating existing tools or creating new ones to solve the matters of the day. All four goals set have been successfully achieved. UDPipe2 was chosen as the new part of speech tagger and a model was trained using the UD French GSD corpus. New vertical format was created, including the new dictionaries. Finally, both have been combined into the new French pipeline.

Keywords

NLP, corpora, morphological analysis, part of speech tagger, RapCor, FreeLing, UDPipe, korpus, morfologická analýza

Language used: English

Date on which the thesis was submitted / produced: 17. 5. 2022

Thesis defence

• Date of defence: 23. 6. 2022
• Supervisor: doc. Mgr. Pavel Rychlý, Ph.D.
• Reader: RNDr. Vojtěch Kovář, Ph.D.

Masaryk University

Faculty of Informatics

Master programme / field:
Artificial intelligence and data processing / Natural language processing