Segmentácia textov pre slovenčinu

Program slúži na segmentáciu (rozdelenie textu na vety) slovenského textu. Na vstupe je daný text a súbor pravidiel, podľa ktorých sa má segmentovať, výstupom je text, v ktorom je každá veta na novom riadku.

Program je vytvorený v Jave a segmetácia je založená na knižnici Okapi Framework. Program používa pri segmentácii súbor pravidiel vo formáte SRX, ktorý je jazykovo špecifický. Môže obsahovať napríklad zoznam skratiek v danom jazyku. V projekte je použitý súbor pravidiel segment.srx, ktorý je súčasťou softwaru LanguageTool. Súbor obsahuje okrem iného aj pravidlá pre segmentáciu slovenčiny. Súbor je možné ďalej upravovať napríklad pomocou editoru Ratel.

Program

Inštalácia: ./make.sh
Spustenie segmentácie: ./run.sh text.txt