This paper introduces an electronic dictionary sensitive to the context of the input words or exp... more This paper introduces an electronic dictionary sensitive to the context of the input words or expressions. The dictionary program provides translations for any piece oftext displayed on a computer screen without requiring user interaction. This functionality is provided by a three-layer process: (1) text acquisition from the screen, (2) morpho-syntactic analysis of the context of the selected word and (3) the dictionary lookup. Traditional dictionary entries need restructuring for this sort ofusage. By dividing entries into smaller pieces and indexing them individually, the program is able to display a restricted set ofinformation that is as relevant to the context as possible. For this purpose, we utilize automatic and semi-automatic XML tools for processing dictionary content. The construction of such an electronic dictionary involves natural language processing at ahnost every point of operation. Both the dictionary entries and the user input require linguistic analysis and intelligent pattern-matching techniques in order to identify multi-word expressions in the context ofthe input. By the time this paper is presented, the program incorporates more sophisticated language technology: multi-word phrases and sentences are recognized, and translation hints are offered in a linguistically intelligent way-by a parser/transformer module matching underspecified patterns ofdifferent degrees ofabstraction.
Ha az intelligenciát nem is könnyű definiálni, az agy tárolási képességének becslésére történtek ... more Ha az intelligenciát nem is könnyű definiálni, az agy tárolási képességének becslésére történtek már kísérletek. Az emberi agy hozzávetőleges kapacitása ugyanis mintegy 1100 milliárd (= 10 11) neuron, amit megszorozhatunk az egyes neuronokból kiinduló kb. 1000 (= 10 3) kapcsolattal: ennek alapján több mint 10 14 kapcsolat van az agyban, és ez még megszorozható kapcsolatonként mintegy 10 bájt szinapszistípustól függő információval. Ez a kapacitás tehát kb. 10 15 bájt, azaz petabájt nagyságrendű, ami 1000 terrabájt, vagyis 1000 trillió bit. Ennek a számmisztikaszerű számolásnak önmagában természetesen nincs sok értelme, de azon mindenképp érdemes elgondolkozni, hogy már a nyolcvanas évek legelterjedtebb személyi számítógépe, a Commodore 64 memóriájában (!) is volt 64 kilobájt, ami ugye kicsit kevesebb, mint 64 000 bájt, ami meg valamivel több, mint 500 000 bit, tehát a C64-nek több mint 2 500 000 lehetséges állapota volt. Ez a szám iszonyú nagy: 2 500 000 = 2 10•50 000 ≈ 10 3•50 000 = 10 150 000 , ami elmondhatatlan mértékben meghaladja a fent kapott 10 15-öt. Mégis, mindezek a felfoghatatlanul nagy számok nem jelentenek az emberével semmilyen szempontból sem összehasonlítható képességet: a C64 teljesítményét a rajta futó egyszerű BASIC interpreter, továbbá néhány kezdetleges szövegszerkesztő, és egy-két, mai szemmel még grafikusnak is alig mondható játékprogram jellemezte. A különbség tehát az emberi agy és a személyi számítógép között elsősorban a szervezettségben, azaz a tárhely szervezésében, és nem feltétlenül a méretében van. Mindez annyira igaz, hogy Cuthbertson (2014) brought to you by CORE View metadata, citation and similar papers at core.ac.uk
This paper introduces an electronic dictionary sensitive to the context of the input words or exp... more This paper introduces an electronic dictionary sensitive to the context of the input words or expressions. The dictionary program provides translations for any piece oftext displayed on a computer screen without requiring user interaction. This functionality is provided by a three-layer process: (1) text acquisition from the screen, (2) morpho-syntactic analysis of the context of the selected word and (3) the dictionary lookup. Traditional dictionary entries need restructuring for this sort ofusage. By dividing entries into smaller pieces and indexing them individually, the program is able to display a restricted set ofinformation that is as relevant to the context as possible. For this purpose, we utilize automatic and semi-automatic XML tools for processing dictionary content. The construction of such an electronic dictionary involves natural language processing at ahnost every point of operation. Both the dictionary entries and the user input require linguistic analysis and intelligent pattern-matching techniques in order to identify multi-word expressions in the context ofthe input. By the time this paper is presented, the program incorporates more sophisticated language technology: multi-word phrases and sentences are recognized, and translation hints are offered in a linguistically intelligent way-by a parser/transformer module matching underspecified patterns ofdifferent degrees ofabstraction.
Language tools and resources for analysis of less-elaborated languages are in the focus of our wo... more Language tools and resources for analysis of less-elaborated languages are in the focus of our workshop. There are still research tracks which still do not sufficiently and effectively exploit language technology solutions, and there are many languages for which the available tools and resources still have to be developed to serve as a basis of further applications. The presentation introduces a set of morphological tools for small and endangered Uralic languages. Various Hungarian research groups specialized in Finno-Ugric linguistics and a Hungarian language technology company (MorphoLogic) have initiated a project with the goal of producing annotated electronic corpora and computational morphological tools for small Uralic languages, like Mordvin, Udmurt (Votyak), Komi (Zyryan), Mansi (Vogul), Khanty (Ostyak), Nenets (Yurak) and Nganasan (Tavgi). Altogether around a dozen Uralic languages totaling some 3.3 million live as scattered minorities in Russia, as shown by the map below:
Proceedings of the Eleventh Conference of the European Chapter of the Association for Computational Linguistics: Posters & Demonstrations
The papers reproduced here were presented at the poster and demo sessions of EACL-2006 in Trento,... more The papers reproduced here were presented at the poster and demo sessions of EACL-2006 in Trento, April 3--7, 2006. Both sessions contained short papers reporting on late-breaking results (in the case of the poster session) or describing implemented systems (in the case of the demo session). We were pleased to receive a total of 71 submissions, 21 for the demo session and 50 for the poster session. Each submission was reviewed by three members of the program committee. Based on these reviews, we accepted 31 submissions in total, 19 for the poster session and 12 for the demo session.
Nem egy olyan fogalom megnevezésére használunk nyelvünkben szavakat, kifejezéseket, amelyek defin... more Nem egy olyan fogalom megnevezésére használunk nyelvünkben szavakat, kifejezéseket, amelyek definícióját még soha senki nem adta meg. Aztán utólag sokszor mégis készülnek definíciók, egyfajta módon regisztrálva és visszaigazolva a használatot: ezekből állnak az értelmező szótárak. Szavaink, kifejezéseink egy része azonban soha nem kerül be az ilyen szótárakba, részben mert szakszavak és nem a napi élet részét alkotják, részben pedig azért, mert még mielőtt bekerülhetnének, kikopnak a használatból. Vannak azonban kifejezések, melyek egy adott időszakban definiálatlanul, de egyre gyakrabban fordulnak elő mind a napi sajtóban, mind a szaksajtóban. Ilyenek a saját korunkat − részben érthető, részben soha nem pontosított módon − információs társadalomnak, tudástársadalomnak és tudás-alapú társadalomnak nevező írások. Definiálatlan fogalmakkal a nyelvészeti elemzés ugyanúgy nem tud semmit sem kezdeni, mint a hétköznapi nyelvhasználó: ehhez sorakoztat fel néhány nyelvészeti érvet az írás.
Az alkalmazott nyelvészet és a MANYE jelene, jövője The present and future of the applied linguis... more Az alkalmazott nyelvészet és a MANYE jelene, jövője The present and future of the applied linguistics and The Association of Hungarian Applied Linguistics and Language Teachers The paper describes the basic concepts of applied linguistics with special reference to the Association of Hungarian Applied Linguists and Language Teachers. Although the article reflects on the past, the possibilities brought about by the ICT revolution are also discussed and the paper concludes with a glimpse into the future of applied linguistics.
We present some basic principles around which comprehension assistance systems should be built, a... more We present some basic principles around which comprehension assistance systems should be built, and then try to give an overview of how and in what direction the HLT industry should develop, in order to provide the best solutions to one of today's global market problems: to ...
Texts acquired from recognition sources-continuous speech/handwriting recognition and OCR-general... more Texts acquired from recognition sources-continuous speech/handwriting recognition and OCR-generally have three types of errors regardless of the characteristics of the source in particular. The output of the recognition process may be (1) poorly segmented or not segmented at all; (2) containing underspecified symbols (where the recognition process can only indicate that the symbol belongs to a specific group), e.g. shape codes; (3) containing incorrectly identified symbols. The project presented in this paper addresses these errors by developing of a unified linguistic framework called the MorphoLogic Recognition Assistant that provides feedback and corrections for various recognition processes. The framework uses customized morpho-syntactic and syntactic analysis where the lexicons and their alphabets correspond to the symbol set acquired from the recognition process. The successful framework must provide three services: (1) proper disambiguated segmentation, (2) disambiguation for underspecified symbols, (3) correction for incorrectly recognized symbols. The paper outlines the methods of morpho-syntactic and syntactic post-processing currently in use.
Cikkünkben bemutatjuk a REAL repozitórium modern magyar nyelvű tartalmainak szövegkorpuszként va... more Cikkünkben bemutatjuk a REAL repozitórium modern magyar nyelvű tartalmainak szövegkorpuszként való felhasználását, melyet az Akadémiai Könyvtár (MTA KIK) és a Nyelvtudományi Kutatóközpont (NYTK) közösen valósít meg az MTA „Tudomány a Magyar Nyelvért Nemzeti Programjának" keretében. „A magyar nyelv digitális támogatása a magyar tudományosság szolgálatában" alprogram 2026-ban fejeződik be, és az NyTK által fejlesztett neurálisháló-alapú nyelvtechnológiai eszköz tanításán és alkalmazásán alapul. A REAL az egyik legjelentősebb hazai tudományos repozitórium, nyolc gyűjteménybe szervezett, 210 ezernél több tétellel, melyek túlnyomó többsége szabadon letölthető. A repozitóriumból havonta közel félmillió letöltés történik. Az új projekt keretében megkíséreljük a szöveges tartalmak egy részét szövegkorpuszként hasznosítani. Mindehhez az eddiginél alaposabban meg kell ismerjük saját gyűjteményünket, fel kell mérjük adattartalmát, és meg kell vizsgáljuk a dokumentumok és leíró adat...
Az Alkalmazott Nyelvtudomány folyóirat jelen száma olyan írásokat közöl, melyek a hazai lexikográ... more Az Alkalmazott Nyelvtudomány folyóirat jelen száma olyan írásokat közöl, melyek a hazai lexikográfia aktuális problémáit járják körül, illetve javasolnak ezekre megoldást. Az
Cikkünkben két olyan kísérletrl számolunk be, amelyek arra irányultak, hogy a tisztán szabály ala... more Cikkünkben két olyan kísérletrl számolunk be, amelyek arra irányultak, hogy a tisztán szabály alapú MetaMorpho rendszerünknél jobb minség fordításokat hozzunk létre. Két ilyen rendszer készült: az egyik rendszerben a Moses statisztikai dekódert használtuk a MetaMorpho által elállított fordítások rangsorolására, illetve a részleges fordításokból teljes fordítások összeállítására; a másik kísérleti rendszer egy tisztán statisztikai morfémaalapú magyar–angol fordítórendszer volt. Elbbi rendszerünkkel a tisztán szabály alapú rendszernél kicsit jobb minség fordítást kaptunk, az utóbbi azonban gyengébb eredményeket produkált
This paper introduces an electronic dictionary sensitive to the context of the input words or exp... more This paper introduces an electronic dictionary sensitive to the context of the input words or expressions. The dictionary program provides translations for any piece oftext displayed on a computer screen without requiring user interaction. This functionality is provided by a three-layer process: (1) text acquisition from the screen, (2) morpho-syntactic analysis of the context of the selected word and (3) the dictionary lookup. Traditional dictionary entries need restructuring for this sort ofusage. By dividing entries into smaller pieces and indexing them individually, the program is able to display a restricted set ofinformation that is as relevant to the context as possible. For this purpose, we utilize automatic and semi-automatic XML tools for processing dictionary content. The construction of such an electronic dictionary involves natural language processing at ahnost every point of operation. Both the dictionary entries and the user input require linguistic analysis and intelligent pattern-matching techniques in order to identify multi-word expressions in the context ofthe input. By the time this paper is presented, the program incorporates more sophisticated language technology: multi-word phrases and sentences are recognized, and translation hints are offered in a linguistically intelligent way-by a parser/transformer module matching underspecified patterns ofdifferent degrees ofabstraction.
Ha az intelligenciát nem is könnyű definiálni, az agy tárolási képességének becslésére történtek ... more Ha az intelligenciát nem is könnyű definiálni, az agy tárolási képességének becslésére történtek már kísérletek. Az emberi agy hozzávetőleges kapacitása ugyanis mintegy 1100 milliárd (= 10 11) neuron, amit megszorozhatunk az egyes neuronokból kiinduló kb. 1000 (= 10 3) kapcsolattal: ennek alapján több mint 10 14 kapcsolat van az agyban, és ez még megszorozható kapcsolatonként mintegy 10 bájt szinapszistípustól függő információval. Ez a kapacitás tehát kb. 10 15 bájt, azaz petabájt nagyságrendű, ami 1000 terrabájt, vagyis 1000 trillió bit. Ennek a számmisztikaszerű számolásnak önmagában természetesen nincs sok értelme, de azon mindenképp érdemes elgondolkozni, hogy már a nyolcvanas évek legelterjedtebb személyi számítógépe, a Commodore 64 memóriájában (!) is volt 64 kilobájt, ami ugye kicsit kevesebb, mint 64 000 bájt, ami meg valamivel több, mint 500 000 bit, tehát a C64-nek több mint 2 500 000 lehetséges állapota volt. Ez a szám iszonyú nagy: 2 500 000 = 2 10•50 000 ≈ 10 3•50 000 = 10 150 000 , ami elmondhatatlan mértékben meghaladja a fent kapott 10 15-öt. Mégis, mindezek a felfoghatatlanul nagy számok nem jelentenek az emberével semmilyen szempontból sem összehasonlítható képességet: a C64 teljesítményét a rajta futó egyszerű BASIC interpreter, továbbá néhány kezdetleges szövegszerkesztő, és egy-két, mai szemmel még grafikusnak is alig mondható játékprogram jellemezte. A különbség tehát az emberi agy és a személyi számítógép között elsősorban a szervezettségben, azaz a tárhely szervezésében, és nem feltétlenül a méretében van. Mindez annyira igaz, hogy Cuthbertson (2014) brought to you by CORE View metadata, citation and similar papers at core.ac.uk
This paper introduces an electronic dictionary sensitive to the context of the input words or exp... more This paper introduces an electronic dictionary sensitive to the context of the input words or expressions. The dictionary program provides translations for any piece oftext displayed on a computer screen without requiring user interaction. This functionality is provided by a three-layer process: (1) text acquisition from the screen, (2) morpho-syntactic analysis of the context of the selected word and (3) the dictionary lookup. Traditional dictionary entries need restructuring for this sort ofusage. By dividing entries into smaller pieces and indexing them individually, the program is able to display a restricted set ofinformation that is as relevant to the context as possible. For this purpose, we utilize automatic and semi-automatic XML tools for processing dictionary content. The construction of such an electronic dictionary involves natural language processing at ahnost every point of operation. Both the dictionary entries and the user input require linguistic analysis and intelligent pattern-matching techniques in order to identify multi-word expressions in the context ofthe input. By the time this paper is presented, the program incorporates more sophisticated language technology: multi-word phrases and sentences are recognized, and translation hints are offered in a linguistically intelligent way-by a parser/transformer module matching underspecified patterns ofdifferent degrees ofabstraction.
Language tools and resources for analysis of less-elaborated languages are in the focus of our wo... more Language tools and resources for analysis of less-elaborated languages are in the focus of our workshop. There are still research tracks which still do not sufficiently and effectively exploit language technology solutions, and there are many languages for which the available tools and resources still have to be developed to serve as a basis of further applications. The presentation introduces a set of morphological tools for small and endangered Uralic languages. Various Hungarian research groups specialized in Finno-Ugric linguistics and a Hungarian language technology company (MorphoLogic) have initiated a project with the goal of producing annotated electronic corpora and computational morphological tools for small Uralic languages, like Mordvin, Udmurt (Votyak), Komi (Zyryan), Mansi (Vogul), Khanty (Ostyak), Nenets (Yurak) and Nganasan (Tavgi). Altogether around a dozen Uralic languages totaling some 3.3 million live as scattered minorities in Russia, as shown by the map below:
Proceedings of the Eleventh Conference of the European Chapter of the Association for Computational Linguistics: Posters & Demonstrations
The papers reproduced here were presented at the poster and demo sessions of EACL-2006 in Trento,... more The papers reproduced here were presented at the poster and demo sessions of EACL-2006 in Trento, April 3--7, 2006. Both sessions contained short papers reporting on late-breaking results (in the case of the poster session) or describing implemented systems (in the case of the demo session). We were pleased to receive a total of 71 submissions, 21 for the demo session and 50 for the poster session. Each submission was reviewed by three members of the program committee. Based on these reviews, we accepted 31 submissions in total, 19 for the poster session and 12 for the demo session.
Nem egy olyan fogalom megnevezésére használunk nyelvünkben szavakat, kifejezéseket, amelyek defin... more Nem egy olyan fogalom megnevezésére használunk nyelvünkben szavakat, kifejezéseket, amelyek definícióját még soha senki nem adta meg. Aztán utólag sokszor mégis készülnek definíciók, egyfajta módon regisztrálva és visszaigazolva a használatot: ezekből állnak az értelmező szótárak. Szavaink, kifejezéseink egy része azonban soha nem kerül be az ilyen szótárakba, részben mert szakszavak és nem a napi élet részét alkotják, részben pedig azért, mert még mielőtt bekerülhetnének, kikopnak a használatból. Vannak azonban kifejezések, melyek egy adott időszakban definiálatlanul, de egyre gyakrabban fordulnak elő mind a napi sajtóban, mind a szaksajtóban. Ilyenek a saját korunkat − részben érthető, részben soha nem pontosított módon − információs társadalomnak, tudástársadalomnak és tudás-alapú társadalomnak nevező írások. Definiálatlan fogalmakkal a nyelvészeti elemzés ugyanúgy nem tud semmit sem kezdeni, mint a hétköznapi nyelvhasználó: ehhez sorakoztat fel néhány nyelvészeti érvet az írás.
Az alkalmazott nyelvészet és a MANYE jelene, jövője The present and future of the applied linguis... more Az alkalmazott nyelvészet és a MANYE jelene, jövője The present and future of the applied linguistics and The Association of Hungarian Applied Linguistics and Language Teachers The paper describes the basic concepts of applied linguistics with special reference to the Association of Hungarian Applied Linguists and Language Teachers. Although the article reflects on the past, the possibilities brought about by the ICT revolution are also discussed and the paper concludes with a glimpse into the future of applied linguistics.
We present some basic principles around which comprehension assistance systems should be built, a... more We present some basic principles around which comprehension assistance systems should be built, and then try to give an overview of how and in what direction the HLT industry should develop, in order to provide the best solutions to one of today's global market problems: to ...
Texts acquired from recognition sources-continuous speech/handwriting recognition and OCR-general... more Texts acquired from recognition sources-continuous speech/handwriting recognition and OCR-generally have three types of errors regardless of the characteristics of the source in particular. The output of the recognition process may be (1) poorly segmented or not segmented at all; (2) containing underspecified symbols (where the recognition process can only indicate that the symbol belongs to a specific group), e.g. shape codes; (3) containing incorrectly identified symbols. The project presented in this paper addresses these errors by developing of a unified linguistic framework called the MorphoLogic Recognition Assistant that provides feedback and corrections for various recognition processes. The framework uses customized morpho-syntactic and syntactic analysis where the lexicons and their alphabets correspond to the symbol set acquired from the recognition process. The successful framework must provide three services: (1) proper disambiguated segmentation, (2) disambiguation for underspecified symbols, (3) correction for incorrectly recognized symbols. The paper outlines the methods of morpho-syntactic and syntactic post-processing currently in use.
Cikkünkben bemutatjuk a REAL repozitórium modern magyar nyelvű tartalmainak szövegkorpuszként va... more Cikkünkben bemutatjuk a REAL repozitórium modern magyar nyelvű tartalmainak szövegkorpuszként való felhasználását, melyet az Akadémiai Könyvtár (MTA KIK) és a Nyelvtudományi Kutatóközpont (NYTK) közösen valósít meg az MTA „Tudomány a Magyar Nyelvért Nemzeti Programjának" keretében. „A magyar nyelv digitális támogatása a magyar tudományosság szolgálatában" alprogram 2026-ban fejeződik be, és az NyTK által fejlesztett neurálisháló-alapú nyelvtechnológiai eszköz tanításán és alkalmazásán alapul. A REAL az egyik legjelentősebb hazai tudományos repozitórium, nyolc gyűjteménybe szervezett, 210 ezernél több tétellel, melyek túlnyomó többsége szabadon letölthető. A repozitóriumból havonta közel félmillió letöltés történik. Az új projekt keretében megkíséreljük a szöveges tartalmak egy részét szövegkorpuszként hasznosítani. Mindehhez az eddiginél alaposabban meg kell ismerjük saját gyűjteményünket, fel kell mérjük adattartalmát, és meg kell vizsgáljuk a dokumentumok és leíró adat...
Az Alkalmazott Nyelvtudomány folyóirat jelen száma olyan írásokat közöl, melyek a hazai lexikográ... more Az Alkalmazott Nyelvtudomány folyóirat jelen száma olyan írásokat közöl, melyek a hazai lexikográfia aktuális problémáit járják körül, illetve javasolnak ezekre megoldást. Az
Cikkünkben két olyan kísérletrl számolunk be, amelyek arra irányultak, hogy a tisztán szabály ala... more Cikkünkben két olyan kísérletrl számolunk be, amelyek arra irányultak, hogy a tisztán szabály alapú MetaMorpho rendszerünknél jobb minség fordításokat hozzunk létre. Két ilyen rendszer készült: az egyik rendszerben a Moses statisztikai dekódert használtuk a MetaMorpho által elállított fordítások rangsorolására, illetve a részleges fordításokból teljes fordítások összeállítására; a másik kísérleti rendszer egy tisztán statisztikai morfémaalapú magyar–angol fordítórendszer volt. Elbbi rendszerünkkel a tisztán szabály alapú rendszernél kicsit jobb minség fordítást kaptunk, az utóbbi azonban gyengébb eredményeket produkált
Uploads
Papers by Gábor Prószéky