Lemmatiserare för okända ord Boel Mattsson
Projektbeskrivning Att göra ett program som gissar grundformen (lemmat) för okända ord Begränsning till substantiv, verb och adjektiv Uppgiften formuleras som ett klassificeringsproblem t ex ordet "krämbluffen" tillhör den klass av ord där man ska ta bort "en" för att få grundformen
SUC- korpus LIBSVM Statistisk klassificerare ” krämbluffen ” ”krämbluff” Översikt av projekt
Beskrivning av klassificerare En klassificerare är en funktion som givet ett antal inparametrar ger en klass t ex ”en->0” i fallet ”krämbluffen” LIBSVM – ett färdigskrivet program LIBSVM skapar en statistisk klassificerare utifrån ett antal exempel (träningsmängd) En statistisk algoritm försöker hitta en funktion som passar så bra som möjligt med träningsmängden.
utdrag ur SUC-korpus Särskiltabsärskilt smygrustningennn.utr.sin.def.nomsmygrustning vadhavad gällervb.prs.aktgälla missilernn.utr.plu.ind.nommissil oroarvb.prs.aktoroa.mad.
Inparametrar till LIBSVM Ordets korrekt klassificerade klass Ordets suffix upp till fem bokstäver Ordets ordklass Exempel: För ordet smygrustningen blir inparametrarna en->0|n|en|gen|ngen|ingen|nn.utr.sin.def.nom
Träningsmängd, testmängd Som träningsmängd och testmängd har använts ett urval ur SUC bestående av substantiv, adjektiv och verb. Testmängden bestod av ord Olika storlekar på träningsmängden har använts: –1000 ord –2000 ord –5000 ord – ord
Andel korrekta klassifikationer som funktion av antalet ord i träningsmängden