Lemmatizace a gramatická analýza

Abstract

Tato práce se zabývá aplikací moderních metod zpracování přirozeného jazyka (NLP) na lemmatizaci a morfologické značkování (PoS-tagging) staroegyptštiny, historicky bohatého, avšak výpočetně málo prozkoumaného jazyka. K vyhodnocení výkonu na anotovaných datech z projektu Thesaurus Linguae Aegyptiae byl použit nástroj BabyLemmatizer založený na neuronové encoder-decoder architektuře spolu s již předtrénovaným modelem. Vyhodnocení předtrénovaného modelu ukázalo 87,91\% úspěšnosti v PoS-taggingu a 82,78\% v lemmatizaci po dodatečné korekci. Doplňkové experimenty potvrdily, že zvětšení velikosti trénovací množiny významně zvyšuje přesnost značkování, zejména u slov, která se ve výchozím trénovacím souboru nevyskytla. Tyto výsledky zdůrazňují důležitost množství dat při vývoji efektivních NLP nástrojů pro jazyky s nízkými zdroji.

This thesis explores the application of modern Natural Language Processing (NLP) techniques to the lemmatization and part-of-speech (PoS) tagging of Ancient Egyptian, a historically rich but computationally understudied language. The BabyLemmatizer tool, based on a neural encoder-decoder architecture, was used along with a pretrained model to evaluate performance on annotated data from the Thesaurus Linguae Aegyptiae. Evaluation of a pretrained model showed 87.91\% PoS-tagging accuracy and 82.78\% lemmatization accuracy after post-correction. Additional experiments confirmed that increasing the size of the training dataset significantly improves tagging accuracy, particularly for out-of-vocabulary words. These results highlight the importance of data quantity in developing effective NLP tools for low-resource languages.