Extending Czech WordNet Using a Bilingual Dictionary

Bc. Marek Blahuš

Master's thesis

Abstract:

Tato práce je snahou o automatické rozšíření lexikální databáze Český WordNet (48.000 literálů ve 28.000 synsetů) překladem anglických literálů ze synsetů pocházejících z Princetonského WordNetu. Ze strojově čitelné podoby dvojjazyčného slovníku extrahujeme anglicko-české překladové dvojice, vyhledáme mezi nimi anglické literály nacházející se v Princetonském WordNetu a v případě důvěryhodné shody převedeme dotyčný literál do Českého WordNetu. Společně s literály v Českém WordNetu vytváříme také nové synsety, paralelní k těm anglickým a identifikované prostřednictvím ILI (Inter-Lingual Index); přenášíme taktéž informace o ILR (Internal Language Relations) jako je hyperonymie/hyponymie, do kterých synsety vstupují. Práce popisuje parsing slovníkových dat, extrakci překladových párů a kritéria používaná pro stanovení míry důvěryhodnosti shody. Výsledkem práce je 36.228 přidaných literálů a 12.403 vytvořených synsetů. Součástí práce je také přehled podobných dřívějších pokusů pro jiné jazyky.

Abstract:

This thesis is an attempt at automatically extending the Czech WordNet lexical database (48,000 literals in 28,000 synsets) by translation of English literals from existing synsets in Princeton WordNet. We make use of a machine-readable bilingual dictionary to extract English-Czech translation pairs, search the English literals in Princeton WordNet and in case of a high-confidence match we transfer the literal into Czech WordNet. Along with literals, new synsets parallel to the English ones and identified by ILI (Inter-Lingual Index) are introduced into Czech WordNet, including information on their ILR (Internal Language Relations) such as hypernymy/hyponymy. The thesis describes the parsing of dictionary data, extraction of translation pairs and the criteria used for estimating the confidence level of a match. Results of the work are 36,228 added literals and 12,403 created synsets. An overview of previous similar attempts for other languages is also included.

Keywords

WordNet, Czech WordNet, Český WordNet, extension, rozšíření, translation, překlad, bilingual dictionary, dvojjazyčný slovník

Language used: English

Date on which the thesis was submitted / produced: 30. 5. 2011

Thesis defence

• Date of defence: 30. 6. 2011
• Supervisor: prof. PhDr. Karel Pala, CSc.
• Reader: RNDr. Zuzana Nevěřilová, Ph.D.

Masaryk University

Faculty of Informatics

Master programme / field:
Applied Informatics / Applied Informatics