A Spell Checker for Esperanto

Mgr. Marek Blahuš

Bakalářská práce

Anotace:

Tato práce poskytuje stručný přehled softwaru pro kontrolu pravopisu a popisuje proces konstrukce kontroloru pravopisu pro jazyk Esperanto a jeho implementaci jako slovníku (tj. afixového souboru a seznamu slov) pro kontrolor pravopisu Hunspell. Použitý seznam slov vznikl adaptací slovních kořenů pocházejících z uznávaného esperantského slovníku PIV. Rozpoznávání morfologicky složitých slov, která jsou v Esperantu díky jeho aglutinačnímu charakteru běžná, je umožněno afixovým souborem, který byl vybudován na základě předpřipravené morfologické segmentace slovních tvarů vyskytujících se v témže zdroji. Pravidla odvozená během tohoto procesu byla vylepšena prostřednictvím sémantické klasifikace všech zúčastněných slov, pro kterou byl vytvořen systém založený na analýze korpusu a několika odborných slovnících, v kombinaci se znalostmi o schopnosti každého afixu přijímat kořeny z různých sémantických tříd, získanými z gramatické příručky PMEG. Výsledný kontrolor pravopisu je funkčním prototypem, který bude dále vylepšován a integrován do projektu kontroloru gramatiky organizace E@I.

Abstract:

This thesis provides a brief overview of spell checking software and describes the process of constructing a spell checker for the Esperanto language and its implementation as a dictionary (i.e. an affix file and a word list) for the Hunspell spell checker. The word list is an adaptation of word roots coming from the renowned Esperanto dictionary PIV. Recognition of morphologically complex words, which are common in Esperanto due to its agglutinative nature, is made possible by the affix file which has been built based on ready-made morpheme segmentation of word derivations appearing in the same source. Rules derived in the latter process have been improved by semantic classification of all involved roots, for which a system has been created based on corpus analysis and several specialized dictionaries, in combination with knowledge on the capability of each affix to accept roots from different semantic classes, acquired from the PMEG reference grammar. The resulting spell checker is a working proof of concept, to be further improved and integrated in the grammar checker project of the E@I organization.

Keywords

spell checker, Esperanto, Hunspell, corpus, morphology, semantic classification, kontrolor pravopisu, korpus, morfologie, sémantická klasifikace, literumkontrolilo, tekstaro, morfologio, semantika klasado

Jazyk práce: angličtina

Datum vytvoření / odevzdání či podání práce: 23. 5. 2008

Obhajoba závěrečné práce

• Obhajoba proběhla 26. 6. 2008
• Vedoucí: doc. RNDr. Petr Sojka, Ph.D.
• Oponent: Mgr. Marek Grác, Ph.D.

Masarykova univerzita

Fakulta informatiky

Bakalářský studijní program / obor:
Aplikovaná informatika / Aplikovaná informatika