文本標記格式的轉換與應用

On transformations between text-tagging formats

曹又霖(Yu-Lin Tsao)

指導教授 ： 項潔

國立臺灣大學/電機資訊學院/資訊工程學研究所/碩士(2016年)

https://doi.org/10.6342/NTU201601410

摘要

許多數位人文的研究會需要使用到文本中的詞彙標記，而目前已經有許多現有的文本標記工具可以使用，由於各個工具擅長的詞彙標記不同，故本論文希望能夠整合多個工具去使用，但是因為各個工具所使用之格式不同，所以若要直接整合使用是無法辦到的事情，勢必要進行格式之間的轉換。為此本論文分析出文本標記格式中會有哪些資訊，並且將這些資訊進行分類，最後定義出了新的文本標記格式STAML去儲存這些資訊，並且將STAML作為各種不同文本標記格式之間轉換的中介語言，接著再利用網頁平台將這個轉換程式實際地開發出來。透過這個STAML格式與其轉換程式，本論文達到可以將這些文本標記工具整合使用的目的，藉此希望讓數位人文的研究能夠更加地順利。

關鍵字

數位人文 ； 文本標記 ； 格式轉換 ； 中介格式

並列摘要

Tagging named entities in a text is often an essential part of preparing the text to be used in digital humanities research. Although there are several text-tagging tools available to researchers, each tool is designed for a specific purpose and the tagging formats that they use are often different. Conse- quently text tagged using a specific tool cannot be reused by another person with a different tool.

In this thesis we propose an approach to integrate different text-tagging formats produced from different tools. We introduce the Simple Text-Annotation Markup Language (STAML), which serves as an intermediary representa- tion between different tagging formats. Through STAML, texts tagged us- ing one format can be used in another tagging tool without disrupting the existing annotations. STAML and web-based programs are implemented for several common Chinese language based tagging formats such as those used by MARKUS, a popular tagging tool, THDL, and TEI.

並列關鍵字

Digital Humanities ； Text-Tagging ； Data transformation ； Intermediate Representation

參考文獻

[1] European Research Council, “MARKUS.” http://dh.chinese-empires.eu/beta/ index.html. [Online; accessed 12-June-2016].

[2] 杜協昌, “詞夾子系統.” http://dev.digital.ntu.edu.tw/DADH-2015/ch-clipper. html. [Online; accessed 12-June-2016].

[3] 謝育平, “同位詞夾子: 主題式分類詞庫萃取演算法,” 2010.

[4] Text Encoding Initiative Consortium, “TEI: Text Encoding Initiative.” http://www.

tei-c.org/. [Online; accessed 12-June-2016].