Förslag till exjobb i språkteknologi

• Klustring av e-post
  Ett exjobb inom ramen för projektet "IMail - Intelligenta e-tjänster för eGovernment". Vi har tillgång till en mängd e-brev till och från Försäkringskassan.
  
  Med textklustring menas att automatiskt dela in en mängd texter i innehållsgrupper. Klustringsalgoritmer tillämpas på en representation av texter. Hur denna representation byggs från den ursprungliga texten påverkar resultatet. Ett klustringsverktyg finns tillgängligt.
  
  E-post innehåller många delar, så kallade zooner, tex senaste meddelandet, ursprungligt meddelandet, hälsningsfraser, inkluderade filer, citat från andra källor och automatiskt infogad reklam. Det finns metoder och system för att utvinna dessa delar ur e-breven.
  
  Exjobbet går ut på att studera effekten av att bygga textrepresentationen för klustring baserad på olika delar av breven från Försäkringskassan.
  
  Rekommenderade förkunskaper: Programmeringskunskaper och kursen Språkteknologi.
  Handledare: Magnus Rosell, KTH CSC
• Normalisering av patientjournaler skrivna på svenska
  Mer information
  Handledare: Hercules Dalianis
• Verktyg för koreferenslösning (coreference resolution)
  Koreferenslösning innebär att man vill ta reda på vilka ord som syftar till samma objekt, t.ex. att "Göran Persson" och "Statsministern" syftar på samma sak medan "talarstolen" inte gör det. In till systemet ger man fritext och ut vill man ha en lista som talar om att orden A, B och E refererar till samma sak, C och D refererar båda till samma sak men inte samma som gruppen innan osv.

  Numera använder man ofta maskininlärning för att lösa problemet, vilket har gett lika bra resultat som manuellt konstruerade system. Saker man kan ta hänsyn till är t.ex.: har fraserna A och B samma genus? numerus? Är de samma teckensträng? Hur långt ifrån varandra förekommer de? Har de samma semantisk klass (typ båda är djur)?

  Exjobbet skulle gå ut på att skapa ett system för coreference resolution på valfritt sätt. Nada har diverse språkverktyg som kan vara användbara och det finns även fritt tillgängliga verktyg på andra ställen.

  Rekommenderade förkunskaper: Programmeringskunskaper och kursen Språkteknologi.
  Handledare: Jonas Sjöbergh (jsh at nada.kth.se)

• Verktyg för Named Entity Recognition
  Named Entity Recognition är ett ganska hett forskningsområde med tillämpningar t.ex. inom automatisk sammanfattning och informationssökning. Med Named Entity Recognition menar man normalt att man i fri text ska leta upp alla förekomster av personer, platsnamn, företagsnamn och liknande. Förutom att leta upp dem ska man även klassificera dem så man vet vilka som är företag osv.

  Nada har en hel del verktyg som kan vara till hjälp, bl.a. en taggare som hittar i princip alla named entities i en text (för svenska). Exjobbet skulle gå ut på att ta fram och utvärdera metoder för att gissa vilken sorts named entity de ord man hittat är. Det finns en hel del gjort på området sen tidigare, bl.a. för skandinaviska språk i t.ex. Danmark och Norge. Det finns även program för svenska. Exempel på saker man skulle kunna använda: lexikon med namn, maskininlärning matad med information om ordets kontext, Internet.

  Rekommenderade förkunskaper: Programmeringskunskaper och kursen Språkteknologi.
  Handledare: Jonas Sjöbergh (jsh at nada.kth.se)

• Danish spell checking
  The human language technology group at Nada has developed the Swedish spell checker Stava (see this article). In order to adapt the spell checker to another language three word lists and a set of suffix rules have to be constructed. Only a fluent speaker of the language can construct these word lists and rules. There exist tools that help the rule constructor to optimize the rules.
  We look for a Danish computer linguist that can help us constructing a Danish spell checker based on Stava.

  Size of diploma work: about 5 months
  Instructor: Viggo Kann

Upp till Språkteknologigruppen.