Comparaison d'étiqueteurs automatiques pour des corpus de textes en français et en tchèque

Bc. Lenka Vymazalová

Bakalářská práce

Comparison of automatic taggers for text corpora in French and in Czech

Abstract:

This bachelor thesis focuses on comparing the capabilities of taggers to perform morphosyntactic annotation and lemmatization of selected linguistic phenomena. The thesis describes the history of Czech and French tools for automatic language processing and includes a trilingual terminological glossary. The aim is to propose improvements in the annotation and lemmatization of English compounds in French and Czech and homonymous verb forms in French. Using a corpus-based method, tags and lemmas of selected English compounds are compared across the corpora French Web 2012, French Web 2023, Czech Web 2023 and InterCorp v16ud – Czech (annotated by taggers TreeTagger, FreeLing, Majka and UDPipe). A corpus-driven approach combined with sampling was used to analyze over 52 000 concordance lines with different lemmas of homonymous verb forms. These were examined from a preprocessed table called TagDiff which presents annotation differences between taggers TreeTagger and FreeLing in a subcorpus of a new RapCor Boosted v1 corpus (a corpus of French rap lyrics). The principal outcome of this thesis is a proposal of linguistically motivated rules for both methods that can be used to improve weak points of the taggers and for a future training of a large language model.

Abstract:

Tato bakalářská práce se zaměřuje na srovnání schopností taggerů morfosyntakticky anotovat a lemmatizovat vybrané jazykové jevy. Práce popisuje historii českých a francouzských nástrojů pro automatické zpracování jazyka a zahrnuje trojjazyčný terminologický slovníček. Cílem je navrhnout zlepšení anotací a lemmatizací anglických kompozit ve francouzštině a češtině a homonymních slovesných tvarů ve francouzštině. Metodou corpus-based jsou porovnány tagy a lemmata vybraných anglických kompozit v korpusech French Web 2012, French Web 2023, Czech Web 2023 a InterCorp v16ud – Czech (anotovaných taggery TreeTagger, FreeLing, Majka a UDPipe). Metodou corpus-driven a vzorkováním bylo analyzováno více než 52 000 konkordančních řádků s rozdílnými lemmaty u homonymních slovesných tvarů v informaticky předzpracované tabulce TagDiff, která prezentuje anotační odlišnosti mezi taggery TreeTagger a FreeLing na subkorpusu nového korpusu RapCor Boosted v1 (korpus francouzských rapových písní). Hlavním výstupem práce je pak pro obě metody návrh lingvisticky podmíněných pravidel využitelných pro zlepšení slabých bodů obou taggerů a pro budoucí trénování velkého jazykového modelu.

Klíčová slova

korpusová lingvistika, značkování, lemmatizace, srovnání taggerů, francouzština, čeština, historie taggerů, ameliorace taggerů, vzorkování, corpus linguistics, morphological annotation, lemmatization, comparison of taggers, French, Czech, history of taggers, amelioration of taggers, sampling

Jazyk práce: francouzština

Datum vytvoření / odevzdání či podání práce: 20. 5. 2025

Obhajoba závěrečné práce

• Obhajoba proběhla 17. 6. 2025
• Vedoucí: doc. PhDr. Alena Němcová Polická, Ph.D.
• Oponent: Mgr. Hana Žižková, Ph.D.

Masarykova univerzita

Filozofická fakulta

Bakalářský studijní program / obor:
Francouzský jazyk a literatura / Francouzský jazyk a literatura