Data Structures in Lexicography

Michal Měchura, M.Phil.

Disertační práce

Anotace:

Slovníky jsou nástroje, na které se lidé obracejí, aby uspokojili své informační potřeby ohledně slovní zásoby přirozeného jazyka. Tato práce se kriticky zabývá formálními metodami používanými v moderní digitální lexikografii pro reprezentaci struktury slovníků, a to na dvou úrovních: datové jazyky a datové modely. Na úrovni datových jazyků práce identifikuje několik problémů s tím, jak se pro kódování slovníků obvykle používá XML. Analyzujeme, jak se slovníkový obsah zásadně liší od jiných druhů textu, a shledáváme, že XML požadavkům lexikografie vlastně nevyhovuje. Zajímavé je, že jim plně nevyhovují ani ostatní známé datové jazyky jako JSON a YAML. Proto v práci navrhujeme nový jazyk nazvaný Name-Value Hierarchy (NVH), který dokáže reprezentovat slovníkový obsah účinněji. Na úrovni datových modelů práce kritizuje, jak se v lexikografie příliš spoléhá na stromové struktury. Stromové struktury se sice snadno serializují v jazycích jako XML, ale neposkytují uspokojivou reprezentaci některých jevů, které se nacházejí ve slovnících, například křížové odkazy mezi hesly. Navrhujeme alternativní, částečně grafový datový model s názvem DMLex, který v současné době prochází procesem standardizace u organizace OASIS. Tuto práci lze vnímat jako příspěvek k digitalizaci lexikografie. V současné době se digitální lexikografie orientuje především na kódování textu: jedná se o mělkou, na dokumenty orientovanou formu digitalizace. Tato práce ukazuje cestu k hlouběji digitalizované, datově orientované lexikografii budoucnosti.

Abstract:

Dictionaries are reference tools which humans turn to in order to satisfy their information needs with respect to the vocabulary of a natural language. This thesis takes a critical look at the formal methods used in modern digital lexicography for representing the structure of dictionaries in software. We do this on two levels: data languages and data models. At the level of data languages, the thesis identifies several problems with how XML is used for encoding dictionaries. We analyse how dictionary content is fundamentally different from other kinds of text and we argue that XML is not a good fit for the requirements of lexicography. Crucially, we observe that other data languages such as JSON and YAML do not meet those requirements either. We propose an alternative language called Name-Value Hierarchy (NVH) which represents dictionary content more efficiently. At the level of data models, the thesis critiques the over-reliance on tree structures in lexicography. Tree structures, while easy to serialise in languages such as XML, do not provide a satisfactory representation for some phenomena that occur in dictionaries, such as entry-to-entry cross-references. We propose an alternative, partially graph-based data model called DMLex which is currently in the process of being standardised by OASIS. This thesis can be seen as a contribution to the digitisation of lexicography. Currently, digital lexicography is mainly about text encoding: a shallow, document-oriented form of digitisation. This thesis shows the way towards a more deeply digitised, data-centric lexicography of the future.

Keywords

digitisation, data languages, language design, headedness, matryoshkization, XML, NVH, data modelling, DMLex

Jazyk práce: angličtina

Datum vytvoření / odevzdání či podání práce: 5. 4. 2024

Obhajoba závěrečné práce

• Obhajoba proběhla 29. 8. 2024
• Vedoucí: doc. Mgr. Pavel Rychlý, Ph.D.
• Oponent: PhD. Tomaž Erjavec, Dr. Michael Rundell

Masarykova univerzita

Fakulta informatiky

Doktorský studijní program / obor:
Informatika / Technologie a metodologie počítačových systémů