Changes between Version 2 and Version 3 of cs/TopicRecognition
- Timestamp:
- Mar 9, 2014, 5:56:59 PM (10 years ago)
Legend:
- Unmodified
- Added
- Removed
- Modified
-
cs/TopicRecognition
v2 v3 3 3 4 4 == Témata (topics) == 5 6 5 Tématem (topic) ve větě jsou takové fráze, které by bylo možné označit za ''klíčová slova'' (či obecněji za '''klíčové fráze'''). Každá věta může obsahovat více témat, ale je v pořádku, pokud neobsahuje žádné. Zatím nás zajímají pouze jmenné fráze a předložkové fráze (tj. ne slovesa ani příslovce). 7 6 8 7 == Zadání lingvistického úkolu do IB030 Úvod do počítačové lingvistiky == 9 10 Cílem je vytvořit část výše zmíněné databáze. Každý student přečte a vyhodnotí 70 krátkých textů (perexy z novinových zpráv) a vyznačí v nich témata - očekáváme, že jich bude v každém textu okolo pěti. Počítáme průměrně 5 minut na přečtení článku a výběr témat (ze začátku to zřejmě bude více, pak to půjde rychleji, jak si osvojíte pokyny). Následují pokyny k vypracování otázek. 8 Cílem je vytvořit část výše zmíněné databáze. Každý student přečte a vyhodnotí 70 krátkých textů (perexy z novinových zpráv) a vyznačí v nich témata - očekáváme, že jich bude v každém textu okolo pěti. Počítáme průměrně 5 minut na přečtení článku a výběr témat (ze začátku to zřejmě bude více, pak to půjde rychleji, jak si osvojíte pokyny). Následují pokyny k vypracování otázek. 11 9 12 10 * každý anotátor dostane náhodný vzorek z perexů z nedávných novinových článků 13 11 * klíčové fráze musí být jmenné nebo předložkové fráze, což znamená: 14 15 16 17 18 * fráze může obsahovat příslovce, jen pokud rozvíjejí jmennou nebo předložkovou frázi či její část (např. ''velmi arogantní postoj''), neočekáváme však mnoho výskytů19 * v případě přísudku jmenného se sponou, může fráze obsahovat pouze přídavné jméno, případně přídavné jméno rozvité příslovcem (např.20 21 22 23 12 * fráze musí být souvislý podřetězec v textu (frázi musíte uvést přesně tak, jak se v textu vyskytuje) 13 * fráze musí obsahovat podstatné jméno (např. ''prezident'') - tomuto podstatnému jménu říkáme '''hlava''' (head) 14 * fráze může obsahovat více podstatných jmen, která rozvíjejí hlavu, v tom případě jsou součástí všechna - hlava i podstatná jména rozvíjející (např. ''prezident Francie'') 15 * fráze může obsahovat přídavná jména, která rozvíjejí podstatné jméno (např. ''Česká republika'', ''prezident Spojených států'') 16 * fráze může obsahovat příslovce, jen pokud rozvíjejí jmennou nebo předložkovou frázi či její část (např. ''velmi arogantní postoj''), neočekáváme však mnoho výskytů 17 * v případě přísudku jmenného se sponou, může fráze obsahovat pouze přídavné jméno, případně přídavné jméno rozvité příslovcem (např. 18 * fráze může být rozvinuta předložkovou frází (např. ''mistrovství světa v krasobruslení'') 19 * fráze může být také předložková fráze (např. ''pro prezidenta Ukrajiny'') 20 * fráze by neměla obsahovat koordinaci (čárky nebo spojky), pokud nejde o ustálenou koordinaci (např. ''Trinidad a Tobago'' je OK, zatímco ''prezident a ministr'' ne) 21 * fráze může obsahovat neslova (zkratky, číslice) 24 22 * vybírejte maximální klíčové fráze, které je možné považovat za jeden celek (např. ''sedminásobný mistr světa Formule 1 Michael Schumacher''), rozvití, která obsahují koordinaci nevybírejte (např. ''bývalý německý automobilový závodník a sedminásobný mistr světa Formule 1 Michael Schumacher'' jsou dva celky) 25 23 * vybraná témata napište pod text '''přesně tak, jak jsou v textu''', každé na nový řádek … … 43 41 učitel:učitel 44 42 }}} 45 46 43 {{{ 47 44 kometu Ison:kometa Ison … … 51 48 od nudného života:nudný život 52 49 }}} 53 54 50 === Negativní příklady === 55 56 51 ''Na brněnském výstavišti ve čtvrtek začal mezinárodní veletrh motocyklů, čtyřkolek, příslušenství a oblečení Motosalon.'' 57 52 … … 77 72 78 73 ''Přes sto padesát medailí ročně. Za třicet let jich studenti Sportovního gymnázia Ludvíka Daňka v Brně nasbírali téměř pět a půl tisíce. Právě dnes si škola připomíná třicet let svojí existence. Oslavy začnou v sedm večer ve sportovní hale Sokola v Kounicově ulici.'' 74 79 75 {{{ 80 76 téměř pět a půl tisíce medailí:téměř pět a půl tisíce medailí … … 85 81 studenti Sportovního gymnázia:studenti Sportovního gymnázia 86 82 }}} 87 neúplná frá ce - jiný význam (zde je podstatné to, že jde o konkrétní gymnázium, tj. správně mělo být ''studenti Sportovního gymnázia Ludvíka Daňka v Brně'' nebo ''studenti Sportovního gymnázia Ludvíka Daňka'')83 neúplná fráze - jiný význam (zde je podstatné to, že jde o konkrétní gymnázium, tj. správně mělo být ''studenti Sportovního gymnázia Ludvíka Daňka v Brně'' nebo ''studenti Sportovního gymnázia Ludvíka Daňka'') 88 84 89 85 {{{ … … 93 89 94 90 == Vyhodnocení úkolu == 95 96 91 Za splnění úkolu můžete získat 0-20 bodů. Z vámi zpracovávaných textů bude náhodně vybráno několik, u nichž zkontrolujeme, zda vybraná témata splňují kritéria popsaná výše. Za každé vybrané téma splňující kritéria dostanete 1 bod, celkové body budou přepočítány do max.20 podle počtu kontrolovaných textů. Porušení globálních instrukcí (např. špatný formát souboru, zvolení tématu, které není souvislým podřetězcem textu) bude sankcionováno deseti zápornými body. 97 92 98 93 V případě nejasností a otázek se neváhejte obracet e-mailem na skupinovou adresu ib030ling@aurora.fi.muni.cz, která zahrnuje následující lidi: 99 94 100 Aleš Horák 101 Zuzana Nevěřilová 102 Vojtěch Kovář 95 Aleš Horák[[BR]]Zuzana Nevěřilová[[BR]]Vojtěch Kovář 103 96 104 97 Pamatujte, že nejhloupější otázka je ta, která zůstala nepoložena. 105 98 106 Na uvedenou adresu rovněž zašlete výsledek vaší práce. 99 Na uvedenou adresu rovněž zašlete výsledek vaší práce.