Toto jsou Danovy tipy na případné další úlohy z PZPJ. Tato stránka není tajná, tudíž není chráněná heslem, ale pokud nejste já, tak vám bude k ničemu, protože úlohy zde uvedené letos pravděpodobně nejsou a ani nebudou vypsány.

V korpusu (typicky v textech stažených z webu) rozpoznejte telefonní čísla a převeďte je do jednotného tvaru, např. +420-229-191-111. Kromě vlastního textu budete mít k dispozici hranice dokumentu (tj. budete vědět, co z okolního textu se vyskytlo na téže webové stránce) a budete znát adresu, ze které byl dokument stažen (z čehož se dá někdy usuzovat na zemi, ke které se telefonní číslo vztahuje). Díky tomu také budete moci v korpusu najít další stránky ze stejného serveru, pokud je budete umět využít.

Z okolního textu se snažte zjistit, do jaké země a města číslo vede. Takto vybudujte seznam telefonních předvoleb. Naopak pokud máte telefon bez předvolby a znáte zemi a město, doplňte předvolbu podle seznamu, pokud už ji v něm máte.

Z okolního textu se snažte zjistit jméno vlastníka telefonního čísla (člověk, instituce nebo obojí) a vybudujte telefonní seznam.

Vyzkoumejte, do jaké míry lze tuto úlohu řešit jazykově nezávisle (telefonní číslo lze často rozpoznat, i když okolní text je třeba čínsky a vy neznáte čínský ekvivalent české zkratky “tel.”)

Vstup: dvojúrovňové pravidlo s kontextem ve formátu à la Karttunen a Xerox.

Výstup: převodník realizující toto pravidlo ve formátu pro PC-Kimmo.

Uzávorkovat jednoduché jmenné fráze (hlavou je podstatné jméno, přídavné jméno nebo zájmeno), předložkové fráze a koordinace. Použít rekurzivně volané regulární výrazy (RTN).

K dispozici dostanete ručně označkovaná data, na kterých si budete moci testovat úspěšnost pravidel.

Zkombinovat výstupy různých klasifikátorů, taggerů, parserů apod. Využít hlasování, natrénovat výběrový klasifikátor, např. rozhodovací strom pomocí C4.5.

K dispozici dostanete data se vzorovou ruční anotací a výstupními anotacemi od všech zúčastněných klasifikátorů.