Resource-based Delimitation and Annotation of Korean morphemes
Délimitation et étiquetage des morphèmes en coréen par ressources linguistiques
Résumé
We present a morphological boundary Korean texts by finite state automata. Korean is an agglutinative language and our system can probably be adapted to other languages with agglutinative suffixes (Hungarian, Finnish, Turkish). The texts are written mainly with Korean Hangul alphabet is a set of syllabic characters. You can mix them with ideographs and characters of the Latin alphabet. We use the UNICODE character encoding in which the Korean syllables are arranged in alphabetical order. For some treatments on the Korean syllable, we decompose each syllable into several Korean alphabet characters. The Korean words are affixes. For the name, a word can have multiple suffixes suffixes excluding derivatives, the maximum number of combinations of about 1600. Our first step in the analysis of Korean text is the description of the morphemes of a word for the segment using the dividers: white symbols. And yet is segmented into morphemes segments. To analyze the segments, we build dictionaries of roots and suffixes sequences. We use the transducers to represent the compatibility between morphemes: roots and suffixes with the GUI UNITEX. They are designed to be built and maintained manually. Our method is based on linguistic resources when most systems are based on morphological analysis of statistical data. We integrate automatic dictionaries of roots and suffixes of the transducers in a single transducer, which performs the function of a dictionary. The result of the analysis of a text is presented as a controller to account for the ambiguity of the division into morphemes. Transitions are labeled by morphemes annotated linguistic information (canonical form, inflected form and linguistic information).
Nous présentons un système de délimitation morphologique des textes coréens par automates à états finis. Le Coréen est une langue agglutinante et notre système peut probablement être adapté aux autres langues agglutinantes à suffixes (hongrois, finnois, turc). Les textes coréens s'écrivent principalement avec l'alphabet Hangul qui est un ensemble de caractères syllabiques. Il est possible de les mélanger avec des idéogrammes et des caractères de l'alphabet latin. Nous utilisons le système de codage de caractères UNICODE dans lequel les syllabes coréennes sont rangées par ordre alphabétique. Pour certains traitements sur les syllable coréennes, nous décomposons chaque syllable en plusieurs caractères alphabétiques coréens. Les mots coréens reçoivent des affixes. Pour le nom, un mot peut avoir plusieurs suffixes sans compter les suffixes dérivés, le nombre maximal de combinaisons étant d'environ 1600. Notre première étape pour l'analyse des textes coréens est la description des morphèmes d'un mot pour le segmenter à l'aide des séparateurs : blanc et symboles. Et on segmente encore les segments en morphèmes. Pour pouvoir analyser les segments, nous construisons des dictionnaires de racines et de séquences de suffixes. Nous utilisons les transducteurs pour représenter les compatibilités entre des morphèmes : racines et suffixes avec l'interface graphique de UNITEX. Ils sont conçus de manière à être construits et maintenus manuellement. Notre méthode est fondée sur des ressources linguistiques alors que la plupart des systèmes d'analyse morphologique sont fondés sur des données statistiques. Nous intégrons automatiquement les dictionnaires de racines et les transducteurs des suffixes en un transducteur unique, qui remplit la fonction d'un dictionnaire. Le résultat de l'analyse d'un texte se présente sous la forme d'un automate pour rendre compte de l'ambiguité du découpage en morphèmes. Les transitions sont étiquetés par des morphèmes annotés d'informations linguistiques (forme canonique, forme fléchie et informations linguistiques).