NYELVÉSZ

Jéé, nem is (én sem) vettem észre, hogy ez van. Annyi kis bigyó van a felületen.

OFF
fejes te most lebuktál: nem a jobbalsó sarokban levő kis [''idézet] dobozra klikkelve idézel, hanem copy+paste-tel, ezért nem jön neked autómatice, hogy kitől idézel. Nem baj, csak munkásabb így.
ON

Épp be akartam linkelni. Mondjuk talán nyelszociológiailag lehetne feldolgozni a kommenteket...

_________________
A hozzászólás tartalma magánvélemény, semmilyen közösségnek vagy intézménynek, legfőképpen pedig a hozzászóló munkahelyének hivatalos álláspontját nem tükrözi. (BIJE)

nem, ez csak egy felület a párhuzamos korpusz felett, ami még nem nagyon egy stat. gépifordító

Volt már itt, de most is releváns: a mokk/nyti-ben fejlesztett hunglish program pont így, kétnyelvű korpusszal és statisztikai alapon működ, ki lehet próbálni:

http://szotar.mokk.bme.hu/hunglish/search/corpus

Témába vág: http://webisztan.blog.hu/2008/11/16/a_g ... gyar_nyelv

Nem értek hozzá, de ha van szótáram és morfológiai elemzőm minden nyelvhez, akkor én egyszerűen nagyjából szavakra tokenizálnám, majd megnézném, hogy melyik nyelven találok az adott szövegben a legtöbb valid szóelőfordulást.

Szerintem nem érdemes ennél tovább finomítani a dolgot, mert ez is (hacsak nem nagyon rövid és nagyon trükkös a szöveg) halálbiztos eredményt ad. Magyarul a nyelvfelismerés egy triviális feladat pl. a fordításhoz képest.
Esetleg a morfológiai elemzés sebességigénye miatt gondolkodnék valami kevésbé megbízható, de gyorsabb megoldáson. Vagy ha nem lenne szótáram és morfológiai elemzőm. (ekkor karakter n-esek statisztikájával dolgoznék)

más:
Egyébként nem tudja valaki, hogy a 'google translate' az teljesen tisztán statisztikai módon működik? Még morfológiai modelljük sincsen? (Mármint nem a nyelvfelismerésre gondolok most, hanem a fordításra.)
Én amúgy a szabálybázisú rendszerek felmelegítésében/újragondolásában/reneszánszában hiszek, vagy legalábbis a hibrid rendszerekben. Míg a mainstream most a statisztikai megközelítés.

Én karakter-ngramnak és ngráfnak egyaránt hallottam már, bár az utóbbit csak informális környezetben, de úgy többektől is

Én is elsősorban karakter-n-esekre gondoltam -- azokat viszont nem nagyon nevezik "n-gráf"-nak, mert a "gráf" szó erősen foglalt (annak ellenére, hogy az "n-gráf"-ot etimológiailag talán még indokolható is lehetne esetleg a "graféma-n"-es értelemben használni).

Én nem szó n-esekre, hanem karakter n-esekre gondoltam, azt hívják n-gráfnak, ha jól tudom. De nyilván lehet n-grammokkal is.

Én is úgy hallottam, hogy n-gramokkal működik, a Manning-Schützében van is ilyen házi feladat, ilyet írni.

Nem "n-gramot" akartál véletlenül írni? A nyelvfelismerés egyébként egy speciális osztályozási feladat, így bármit be lehet vetni, amit annál.

nem tudom, hogy pontosan hogy müködik, de kiprobáltam "mic" nélkül a mondatot és már nem ismerte fel románnak.

Biztos, hogy így működik? Nem csak egy feature a sok közül? Valamikor még úgy hallottam, hogy a nyelvfelismerők többnyire n-gráfokkal dolgoznak... De nincs itt valaki, aki ért hozzá?

"mic" román szó.
Egyelten egy szó alapján nyelvet azonosít! No comment.