Višejezično izdvajanje citata iz novinskih članaka

undergraduate thesis

• Title (english): Multilingual Extraction of Quotes from News Articles
• Author: Jelena Sarajlić
• Mentor: Nives Mikelić Preradović (mentor)
• Committee member: Petra Bago (predsjednik povjerenstva)
• Committee member: Tomislava Lauc (član povjerenstva)
• Granter: University of Zagreb; Faculty of Humanities and Social Sciences; (Department of information and Communication sciences); Zagreb
• Defense date and country: 2020-07-06, Croatia
• Scientific / art field, discipline and subdiscipline: SOCIAL SCIENCES; Information and Communication Sciences

Abstract

Završni rad "Višejezično izdvajanje citata iz novinskih članaka" predstavlja različite pristupe izdvajanju citata na više jezika. Rad opisuje proces izdvajanja citata iz novinskih članaka pisanih na više jezika, kao i postojeće probleme pri tom procesu (detekcija i ekstrakcija sadržaja citata, pridruživanje govornika i glagola koji uvodi citat) kroz više različitih pristupa. Također se prikazuju mogući načini razrješavanja koreferencije, koje su česta pojavnost u novinskim tekstovima. Daje se opis sustava i alata koji izdvajaju sve vrste citata iz desetak različitih jezika. Rad nastoji prikazati konkretne probleme koji pri tom procesu nastaju te usporediti različita moguća rješenja tih problema. Na koncu se opisuje prvi korak u gradnji sustava za izdvajanje citata, a to je ručna anotacija podataka. Anotacija obuhvaća označavanje sadržaja citata i njihovog opsega te označavanje govornika (ili, u slučaju zamjenice ili aliasa, naznačavanje originalnog govornika), kao i glagola koji uvodi citat. Uz opis postupka anotacije, opisuju se i različiti problemi na koje se tijekom anotacije naišlo.

Abstract (english)

Bachelor's Thesis “Multilingual Extraction of Quotes from News Articles” presents different approaches to extraction of quotations from news articles in different languages. This thesis describes the process of quotation extraction from news articles written in multiple languages with the existing problems which arise during that process (detecting and extracting the content of the quote, speaker and verb-cue attribution). It also demonstrates different approaches to coreference resolution, which is a frequent occurrence in texts which are in the news domain. A description of systems and tools used to extract all types of quotes from cca. 10 languages is given. This works aims to give an overview of specific problems which can be arise during this process and compare some of the potential solutions. In the end, the first step in building a system which would extract quotes, annotating quotations by hand, is described. The annotation encompasses tagging the content of the quote and its span, tagging the speaker (or the original speaker, in the occurrence of aliases and pronouns), as well as tagging the verb-cue. Along with the process description, a description of the problems which were encountered during the annotation is given.

• Keywords: izdvajanje citata; višejezičnost; računalna obrada jezika; razrješavanje koreferencije
• Keywords (english): quotation extraction; multilinguality; computational processing of language; coreference resolution
• Language: croatian
• URN:NBN: urn:nbn:hr:131:666903
• Study programme: Title: Information Sciences; Study programme type: university; Study level: undergraduate; Academic / professional title: sveučilišni/a prvostupnik/prvostupnica (baccalaureus/baccalaurea) informacijskih znanosti (sveučilišni/a prvostupnik/prvostupnica (baccalaureus/baccalaurea) informacijskih znanosti)
• Type of resource: Text
• File origin: Born digital
• Access conditions: Open access
• Repository: ODRAZ
• Created on: 2020-07-09 11:37:16