Проблемы лингвистической разметки и анализа электронных критических изданий текстов письменного наследия в стандарте XML-TEI
Abstract
In this paper we consider some problems of automatic linguistic annotation and analysis of textual heritage documents encoded according to the TEI XML guidelines. TEI XML is a popular standard for encoding electronic editions of textual heritage documents as it allows highly customizable semantically-oriented markup independent of a particular platform or software. TEI is aimed at facilitating data exchange and interoperability. However, rich editorial markup including various readings and interpretations at various levels of linguistic hierarchy may be a serious challenge if one wants to apply NLP (natural language processing) tools to such an edition. Based on the example of the Base de Français Médiéval Old French corpus and on the electronic edition of the Queste del saint Graal, we will discuss the solutions to these problems that are implemented in the TXM platform import modules.
В докладе рассматриваются проблемы автоматической лингвистической аннотации и анализа документов письменного наследия, размеченных в формате XML в соответствии с рекомендациями TEI. TEI-XML широко используется для разметки документов письменного наследия, поскольку он легко адаптируется к нуждам конкретного проекта и не зависит от определенной платформы или программного обеспечения. TEI нацелена на облегчение обмена данными и интероперабельность. В то же время глубокая редакторская разметка, включающая различные чтения и интерпретации на различных уровнях языковой структуры текста может серьезно осложнить задачу обработки текста с помощью программ автоматической лингвистической аннотации. На примере примера Базы средневекового французского (BFM) и электронного издания "Поисков святого Грааля" мы рассматриваем решения этих проблем, реализованные в модулях зарузки текстов платформы TXM.
Origin : Files produced by the author(s)