Počítačové zpracování přirozeného jazyka

– značkovače – gramatické, syntaktické, sémantické
– desambiguátory
– třídicí, konkordanční a konverzní programy.
5. přenést SSJČ na počítačová média (skenováním).
6. rozpracovat přípravu elektronické lexikální datové báze pro češtinu,
která se stane východiskem pro budování nového velkého slovníku češtiny
(primárně elektronického).
Struktura textů ukládaných do korpusu se vyznačuje analyzátorem SGML.
Pro gramatické značkování je v LZPJ k dispozici analyzátor a lemmatizátor
(značkovač, tagger) ajka vytvořený v LZPJ na FI MU (Sedláček, Veber,
1999), který je dnes schopen pracovat se 150000 českých kmenů a dovede
každému rozpoznanému slovnímu tvaru přiřadit jeho slovní druh(y) a odpovídající
gramatické kategorie. Na rozdíl od pravděpodobnostně orientovaných
analyzátorů pro angličtinu je ajka založena na úplné pravidlové morfologické
analýze češtiny, proti které je podobná analýza angličtiny spíše dětskou hračkou.
Podobné lemmatizující programy existují i pro slovenštinu a ruštinu a
dále pro angličtinu, němčinu a francouzštinu (Osolsobě, Ševeček, 1995).
Vedle již uvedených důvodů korpusy potřebujeme i s ohledem na náš budoucí
vstup do EU: i když jednacím jazykem je zde do značné míry angličtina,
překládání mezi jazyky uvnitř EU již teď je a hlavně v budoucnu bude nevyhnutelné.
Vznikají proto paralelní korpusy využívané při budování systémů
strojového překladu a tvorbě vícejazyčných a dnes už primárně elektronických
slovníků. Už delší dobu je jasné, že EU počítá s Polskem, Maďarskem
a Českou republikou jako prvními východoevropskými členy EU – odráží se
to např. v tom, že se uskutečnily některé společné slovníkové projekty, jako
např. CEGLEX (Central European Generic Lexicon) zahrnující primárně polštinu,
maďarštinu a češtinu a také projekt, vněmž se budovala multilinguální
lexikální databáze EuroWordNet 1 a 2, jež vedle šesti západoevropských jazyků
obsahuje i češtinu a estonštinu. Český WordNet byl v rámci EuroWord-
Netu 2 budován právě v LZPJ na půdě FI MU (Vossen et al, Final Report,
CD ROM, 1999).
34