Teza doctorat (pdf) - Universitatea Tehnică

În cadrul dezvoltării acestei metode de sinteză s-au realizat:
273
Cap. 8. Concluzii finale
1) Proiectarea şi implementarea unui analizor lexical şi a unui set de reguli pentru
preprocesarea textului. Analizorul conţine reguli pentru transcrierea fonetică a numerelor şi
abrevierilor comune din limba română.
2) Dezvoltarea unei metode bazată pe reguli pentru analiza sintaxei unui text în limba
română şi a unui set de reguli pentru flexionarea cuvintelor din limba română. Analizorul
automat de sintaxă realizat în cadrul metodei se bazează pe un dicţionar ce conţine peste 30000
de forme neflexionate ale limbii române şi pe un set de 550 de reguli de flexionare, set de reguli
proiectat de autor. Analizorul a fost testat pe o serie de texte de diferite genuri în limba română
însumând peste 200000 de cuvinte. Testele au dovedit o corectitudine de peste 98% în
recunoaşterea sintaxei.
3) Proiectarea şi implementarea unui analizor sintactic pentru extragerea propoziţiilor şi a
cuvintelor. Analizorul sintactic foloseşte un set de reguli care specifică structura sintactică a
textului de la intrare. Textul iniţial este considerat ca o listă de propoziţii, fiecare propoziţie fiind
o listă de cuvinte, fiecare cuvânt fiind compus din mai multe silabe. Propoziţiile, respectiv
cuvintele sunt extrase din text pe baza semnelor de punctuaţie şi separatorilor.
4) Proiectarea şi implementarea unui analizor lexical şi a unui set de reguli pentru
despărţirea în silabe a cuvintelor din limba română. Analizorul lexical cuprinde un set de peste
180 de reguli pentru descompunerea cuvintelor în silabe. Performanţa obţinută a fost de 98%
cuvinte despărţite corect, rată calculată pe un set de 50000 de cuvinte extrase din texte de diferite
genuri (literatură, economie, politică, ştiinţă şi tehnică, filozofie, religie). Performanţa este mai
bună decât cea găsită la alţi cercetători români care au folosit reguli lexicale.
5) Proiectarea şi implementarea unui analizor lexical şi a unui set de reguli pentru
determinarea accentuaţiei din cadrul cuvintelor. Analizorul lexical cuprinde un set de 250 de
reguli pentru detectarea silabei accentuate din interiorul cuvintelor. S-a obţinut o rată de
detectare corectă a accentelor de 94%, rată calculată pe acelaşi set de 50000 de cuvinte ca şi în
cazul despărţirii în silabe.
6) Elaborarea unei statistici a silabelor limbii române pentru determinarea frecvenţelor de
apariţie ale silabelor din limba română. Statistica a fost realizată folosind texte extrase din
domenii precum: beletristică de diverse genuri, religie, economie, politică, ştiinţă şi tehnică,
ziaristică. Textele au însumat un număr de aproximativ 342000 de cuvinte, adică peste 600 de
pagini în format A4. Statistica prezintă următoarele rezultate:
- configuraţia procentuală a categoriilor silabice S2, S3 şi S4 (S2 reprezintă categoria
silabelor alcătuite din două foneme, S3 categoria silabelor tri-fonematice, S4 categoria silabelor
tetra-fonematice) ;
- frecvenţa de apariţie a categoriilor silabice S2, S3 şi S4;
- frecvenţele de apariţie ale silabelor din fiecare categorie.
7) Proiectarea structurii bazei de date acustice de silabe, în care unităţile acustice sunt
integrate în diferite contexte segmentale şi accentuări.
Structura ierarhică a bazei de date cuprinde patru nivele, şi anume: