252 Ac a Linguis ica Li huanica LXXIII
DAIVA ŠVEIKAUSKIENĖ
Ins i u e o Li huanian Language
Fields o esea ch: compu a ional linguis ics, eebanking,
laye s o anno a ion.
HIGH QUALITY SYNTACTIC
ANNOTATED CORPUS OF
LITHUANIAN – VILSINTEKS
Aukš os kokybės sin aksiškai ano uo as
lie u ių kalbos eks ynas VILSINTEKS
ANNOTATION
This pape p esen s a wo old anno a ion, which is used o he high quali y anno a ion
o he Li huanian co pus. Comp ehensi e in o ma ion abou a sen ence is gi en in a able
and he syn ac ic s uc u e o a sen ence is p esen ed in a pic u e. The expe ience o o he
languages is being used, and speci ic ea u es o he Li huanian language a e aken in o
accoun . The insu iciency o he ee- ep esen a ion o he syn ac ic s uc u e o Li hua-
nian sen ences is shown h ough he s a is ically anno a ed examples. The goal o he c e-
a ion o he anno a ed co pus bea ing exhaus i e in o ma ion is also clea ly emphasized.
The examples o he anno a ed sen ences a e gi en, which e lec he speci ic ea u es o
he Li huanian language.
KEYWORDS: syn ac ic anno a ed co pus; g aph ep esen a ion o he syn ac ic
s uc u e; laye s o anno a ion in he Li huanian co pus; insu i-
ciency o ee- ep esen a ion o Li huanian sen ences; goal o he
syn ac ic anno a ed co pus.
ANOTACIJA
S aipsnyje ap a iamas d iem lygmenimis a liekamas ano a imas, naudojamas aukš os
kokybės ano uo am lie u ių kalbos eks ynui suku i. Išsami in o macija apie sakinį nu o-
doma len elėje, o sin aksinė sakinio s uk ū a nub aižoma g a iškai. Naudojamasi ki ų
kalbų pa i imi, a siž elgian į speci inius lie u ių kalbos b uožus. Medžio nepakanka-
mumas aizduojan lie u ių kalbos sakinių sin aksinę s uk ū ą pa odomas s a is iniu
S aipsniai / A icles 253
High Quali y Syn ac ic Anno a ed
Co pus o Li huanian – VILSINTEKS
me odu ano uo ų sakinių pa yzdžiais. S aipsnyje aip pa aiškiai pab ėžiamas ano uo o
eks yno, ku iame bus sukaup a išsami in o macija, kū imo ikslas. Pa eikiami ano uo ų
sakinių pa yzdžiai, a spindin ys speci inius lie u ių kalbos b uožus.
ESMINIAI ŽODŽIAI: sin aksiškai ano uo as eks ynas, sakinio s uk ū os aizda imas
g a u, eks yno ano a imo lygmenys, medžio nepakankamumas
aizduojan lie u ių kalbos sakinius, eks yno kū imo ikslas.
1. INTRODUCTION
The i s anno a ion o co po a was a pa o speech agging POST [Chu ch
1988: 136]. Such anno a ion is ound in he Penn T eebank. La e , o he sen-
ences, ca ying he syn ac ic in o ma ion, we e in oduced. They we e ep e-
sen ed by using a ious schemes [A well e al. 2000: 12]. In 2012 Köhle men-
ioned he ollowing: “... he e is no gene al s anda d as o how co po a should
be s uc u ed and no a ed” [Köhle 2012: 32]. The e o e, he Li huanian co pus
VILSINTEKS is anno a ed, bea ing in mind he speci ic ea u es o he Li hua-
nian language – a la ge amoun o in lexion and a ee wo d o de in a sen ence.
O he wo leading ypes o syn ac ic s uc u e ep esen a ion, which a e he
ph ase s uc u e g amma and dependency g amma , he la e was chosen o
Li huanian because “...dependency g amma has appealed mos o s uden s o
languages wi h ela i ely ee wo d o de …” [Kay, Gaw on and No ig 1994: 55].
The mos common ep esen a ion o he syn ac ic s uc u e is a ee [Allen
1987: 41]. The name o he syn ac ically anno a ed co pus – eebank – is ela ed
o his e m. The name o he Li huanian eebank does no con ain he wo d
‘ ee’, because he syn ac ic s uc u e o some Li huanian sen ences is ep esen -
ed by a g aph wi h a cycle, ha is, i does no mee he condi ions es ablished
by he de ini ion o a ee, as a ee is a connec ed acyclic g aph [Swamy, Thu-
lasi aman 1984: 33]. The ac onym VILSINTEKS means VILniaus SIN aksinis
TEKS ynas – Vilnius syn ac ic co pus.
2. ANNOTATION
OF THE LITHUANIAN CORPUS
Recen ly, much has been said and w i en abou he low deg ee o compu -
e iza ion o he Li huanian language. Acco ding o he da a o he META-NET
DAIVA ŠVEIKAUSKIENĖ
254 Ac a Linguis ica Li huanica LXXIII
p ojec , Li huanian belongs o he g oup o he leas compu e ized Eu opean
languages [Vaišnienė, Zaba skai ė 2012: 35]. The so wa e c ea ed o o he lan-
guages does no p oduce sa is ac o y esul s when i is applied o he Li huani-
an language. I is high ime o speak no abou he low compu e iza ion o he
Li huanian language bu abou he quali y o i s compu e iza ion. Thus, i is
wo h looking back a he Li huanian language and ying o c ea e one’s own
so wa e o he compu e iza ion o he Li huanian language so as o p oduce
high quali y compu e iza ion o he Li huanian language.
The i s endea o s in he syn ac ic anno a ion o he Li huanian co pus
we e made in 2013. The syn ac ic anno a ed co pus VILSINTEKS was c ea ed
a he Ins i u e o he Li huanian Language in Vilnius. We aim a p o iding as
much da a as possible ega ding a sen ence, especially i hey happen o be he
da a which a e needed du ing he p ocess o ansla ion. Exhaus i e in o ma-
ion is gi en in he P ague Dependency T eebank, which has a h ee-le el an-
no a ion [Hajič 2000: 103]. Mo e le els o anno a ion in one pic u e could no
FIGURE 1. Example o he syn ac ic s uc u e o he Li huanian sen ence Jie gali bū i
ki okie – They can be di e en
S aipsniai / A icles 255
High Quali y Syn ac ic Anno a ed
Co pus o Li huanian – VILSINTEKS
FIGURE 2. S a is ically pa sed sen ence Kas ne izikuoja, as nege ia šampano, be
g audžiai i ne e kia (Who does no isk, ha does no d ink champagne bu does no c y
ea ully ei he ) [Kapočiū ė, Ni e, K upa ičius 2013: 15]
FIGURE 3. S a is ically pa sed sen ence Be š ai p o medį, ku iame sėdėjau, p aslinko
didelis šešėlis (Bu he e h ough he ee in which I sa passed a small shadow) [Kapočiū ė,
Ni e, K upa ičius 2013: 15]
be achie ed so we decided o di ide he ep esen a ion o in o ma ion in o wo
pa s when we deal wi h Li huanian sen ences: a able, which con ains he mo -
phological, syn ac ic and seman ic in o ma ion, while he syn ac ic s uc u e
should be p esen ed in a pic u e.
A g aph wi h cycles is used o Li huanian sen ences because a ee is no
able o e lec he en i e syn ac ic in o ma ion which he Li huanian sen ence
con ains. The p edica i e a ibu e depends on wo pa s o he sen ence: on he
subjec o he objec , and on he p edica e. These ela ionships a e exp essed
o mally and could no be igno ed ( o mo e de ails, see Š eikauskienė 2005:
412).
Figu e 1 shows he syn ac ic s uc u e o a i le sen ence. I con ains a p e-
dica i e, which has o mally exp essed ela ionships wi h he subjec and he
p edica e, and bo h ela ionships mus be ep esen ed by anno a ing he co pus.
DAIVA ŠVEIKAUSKIENĖ
256 Ac a Linguis ica Li huanica LXXIII
The p edica i e mus ha e he ending ag eeing wi h he subjec and a he
same ime i is adjoined o he p edica e; ha is, i is no an a ibu e o he
subjec .
The i s a emp s o syn ac ically anno a e he Li huanian co pus demon-
s a ed ha he so wa e c a ed o o he languages did no p oduce good esul s
in he Li huanian language. Some 1500 sen ences we e anno a ed s a is ically
a Kaunas Uni e si y o Technology [Kapočiū ė, Ni e, K upa ičius 2013: 12].
The p esen ed esul s showed he insu iciency o he in o ma ion hidden in he
FIGURE 4. VILSINTEKS pa sed sen ence Kas ne izikuoja, as nege ia šampano, be
g audžiai i ne e kia

S aipsniai / A icles 257
High Quali y Syn ac ic Anno a ed
Co pus o Li huanian – VILSINTEKS
FIGURE 5. VILSINTEKS pa sed sen ence Be š ai p o medį, ku iame sėdėjau, p aslinko
nedidelis šešėlis
DAIVA ŠVEIKAUSKIENĖ
258 Ac a Linguis ica Li huanica LXXIII
s uc u e o sen ences. The wo igu es illus a e wo pa sed sen ences, bo h
lacking e y impo an in o ma ion. The i s sen ence lacks he a ow be ween
he p edica e nege ia and subjec as (Figu e 2).
In he second sen ence he ag eemen ela ionship is no shown be ween wo
wo ds medį and ku iame, which ha e ag eeing endings (Figu e 3) when he au-
ho s in he same a icle w o e: “an adjec i e modi ying a noun has o ag ee in
GENDER, NUMBER and CASE”.
The wo ds medį and ku iame ha e o ag ee in gende and numbe , and his
in o ma ion is absen in he s uc u e o he sen ence. I is di icul o ag ee ha
he ela ions be ween he wo ds ku iame sėdėjau - in which I sa and p o medį -
h ough he ee a e o he same ype.
These sen ences anno a ed acco ding he me hod used in VILSINTEKS a e
shown in Figu e 4 and Figu e 5 espec i ely.
3. LAYERS OF ANNOTATION IN THE TABLE
The in o ma ion in he able has h ee ypes:
• In o ma ion abou he whole sen ence,
• In o ma ion abou he wo ds in he sen ence,
• Non-g amma ical in o ma ion abou he wo ds and he sen ence.
3.1. In o ma ion abou he Whole Sen ence
In o ma ion ega ding he whole sen ence consis s o i s code, ha is, i s po-
si ion in he co pus, i s ype, and i s ea u es. The ea u e o he sen ence is i s
cha ac e is ic aking in o accoun i s unc ion in he ex , ha is, whe he i is
a i le, an au ho , a sub i le o a ex sen ence. The ype o he sen ence indi-
ca es communica i e in o ma ion, ha is whe he i is decla a i e, impe a i e,
in e oga i e, e c., and s uc u al in o ma ion: pe sonal, impe sonal, ellip ical,
simple, composi e sen ence, e c. [Amb azas 1997: 573].
3.2. In o ma ion abou he Wo ds in he Sen ence
Each wo d is p o ided wi h he da a abou i s numbe in he sen ence, mo -
phological da a ( ense, case, gende , e c.), lemma, da a on i s lexical seman ics,
S aipsniai / A icles 259
High Quali y Syn ac ic Anno a ed
Co pus o Li huanian – VILSINTEKS
syn ac ic unc ion, di ec syn ac ic ela ionships wi h o he wo ds in he sen-
ence, and deep cases.
Since he wo d o de in he Li huanian language usually does no ha e any
syn ac ic in o ma ion, he ea u es o lexical seman ics a e e y impo an o
iden i ying i s syn ac ic unc ion. The noun in he accusa i e case wi h he ea-
u e o ime is an ad e bial modi ie and wi hou i – an objec . I wo nouns in
he accusa i e case appea in he sen ence he ea u e o he lexical seman ics is
some imes he only c i e ion, which allows one o decide he syn ac ic unc ion.
3.3. Non-g amma ical In o ma ion abou he Wo ds
and he Sen ence
The s ylis ic in o ma ion abou he wo d is gi en in he able. I helps o
choose he igh equi alen in he o he language when ansla ing he wo d.
The an eceden o he p onoun is necessa y. Mille, Wanne and Bu ga [2012:
5] desc ibe co e e en ial s uc u e, which links he p onoun wi h i s an eceden
in one sen ence. The Li huanian eebank p o ides he in o ma ion abou he
an eceden o he p onoun i i is ou side he sen ence oo. I is e y impo an
o ansla ion because he gende o he noun (o p onoun acco dingly) may
di e in a ious languages. Fo example, he Li huanian sen ence Ji bu o g aži
has h ee ansla ions in o Ge man. I i is “a gi l”, he igh ansla ion is Es
wa schön. I i is “a ca ” he igh ansla ion is Sie wa schön, and i i is “a day”,
he igh ansla ion is E wa schön. All h ee p onouns in Li huanian a e em-
inine because all h ee nouns a e eminine, whe eas in he case o he Ge man
language his p onoun has h ee di e en equi alen s aking in o conside a ion
he noun i eplaces.
The able con ains he missing wo ds in ellip ical sen ences and he omi -
ed subjec , which is exp essed by a pe sonal p onoun. I is e y o en he case
in he Li huanian language. We can guess i om he ending o he e b. The
copula o he p edica e in he p esen ense is usually omi ed oo, so he able
con ains hese missing wo ds.
Ac onyms a e ep esen ed in ull wo ds in he able.
The numbe s a e addi ionally ep esen ed in he able by nume als and nu-
me als by numbe s because he lexical exp ession o numbe s in a ious lan-
guages may di e .
DAIVA ŠVEIKAUSKIENĖ
260 Ac a Linguis ica Li huanica LXXIII
4. TYPES OF INFORMATION
IN THE SYNTACTIC STRUCTURE
In he syn ac ic s uc u e he sen ence is di ided a he i s s age in o a
noun g oup, a e b g oup and he sen ence-end cha ac e . The Li huanian lan-
guage has a ee wo d o de and some imes he sen ence-end cha ac e is he
only means by which o de e mine he ype o he sen ence, i.e. whe he i is
a decla a i e o in e oga i e sen ence, o example, Tu šiandien laimėjai p izą. –
You ha e won a p ize oday. and Tu šiandien laimėjai p izą? – Ha e you won a p ize
oday?. Figu e 6 shows he syn ac ic s uc u e o he in e oga i e sen ence. The
ansla ion o he sen ence is chosen acco ding o he sen ence-end cha ac e .
Fu he mo e, he s uc u e o he sen ence is ep esen ed using dependency
g amma . The head o he subjec g oup is he subjec and below a e depic ed
he wo ds ha expand i , and he head o he p edica e g oup is he p edica e
wi h he subo dina ed wo ds loca ed below.
O he wo ields, which a e e y impo an o anno a ing he Li huanian
co pus, a e he ype o he syn ac ic ela ions be ween he wo ds and seman i-
cally i esol able wo d g oups.
FIGURE 6. Syn ac ic s uc u e o he in e oga i e sen ence Tu šiandien laimėjai p izą? –
Ha e you won a p ize oday?
S aipsniai / A icles 267
High Quali y Syn ac ic Anno a ed
Co pus o Li huanian – VILSINTEKS
Aukš os kokybės sin aksiškai ano uo as
lie u ių kalbos eks ynas VILSINTEKS
SANTRAUKA
Pas a uoju me u labai daug kalbama i ašoma apie ai, kad lie u ių kalba mažai kompiu-
e izuo a. Pe kama ki oms kalboms suku a p og aminė į anga, ku i lie u ių kalbos a eju
dažniausiai neduoda pa enkinamų ezul a ų. Jau a ėjo me as, kai eikia p adė i ap a i lie-
u ių kalbos kompiu e iza imo kokybę, užuo kalbėjus apie menką jos kompiu e iza imą.
S aipsnyje ap ašomas aukš os kokybės sin aksiškai ano uo as lie u ių kalbos eks y-
nas, ku iame pa eik a pa ikima in o macija. Ano a imas a liekamas d iem lygmenimis:
išsami in o macija apie sakinį nu odoma len elėje i sin aksinė s uk ū a nub aižoma g a-
iškai. Ano uojan didelis dėmesys ski iamas sin aksinių yšių aizda imui. Jie pa odomi
ski ingų spal ų i ipų linijomis. S aipsnyje ap ašomi neskaidomi žodžių junginiai – ai
žodžių g upės, ku ios ik ka u gali išplės i ki ą žodį, i ik isą g upę gali pažymė i ją iš-
plečian is žodis. Ki ų sakinio žodžių yšys su ienu iš neskaidomo junginio dėmenų ne u i
p asmės. S uk ū oje neskaidomi junginiai sudedami į ieną bloką pa odan idinius sin-
aksinius yšius. S aipsnyje pa eikiami sin aksiškai ano uo ų sakinių pa yzdžiai. Sakinio
s uk ū ai aizduo i naudojamas g a as, nes medis, ku is sėkmingai aikomas anglų kalbos
sakinių s uk ū ai, negali a spindė i isos sin aksinės in o macijos, esančios lie u iškame
sakinyje. Tai labai ge ai ma y i s a is iniu me odu ano uo ų sakinių pa yzdžiuose, ku ie
pa eikiami šiame s aipsnyje. Pa odomos d iejų sakinių s uk ū os, ku iose ūks a labai
s a bios in o macijos: ienoje nepa ody as sin aksinis yšys a p eiksnio i a inio, ki oje
nė a yšio a p žodžių, ku ie de inami skaičiumi i gimine. Palyginimui s aipsnyje pa ei-
kiami šie sakiniai, ano uo i i VILSINTEKS naudojamu me odu.
P adė o ku i eks yno ikslas – sukaup i išsamią i pa ikimą in o maciją apie lie u ių
kalbos g ama iką, a liekan sakinio analizę be klaidų, . y. kai kompiu e io da bo ezul a-
us da pe žiū i žmogus. Ano uo as eks ynas bus iešai p ieinamas in e ne e. Kaip daba
iš VDU eks yno galima gau i pa eik o žodžio pa a ojimo pa yzdžius, aip VILSINTEKS
inklapyje bus galima gau i sin aksinių s uk ū ų, ku ios u i am ik ų požymių – pa yz-
džiui, ien isinių sakinių, ku iuose eiksniu eina į a dis i pan., – pa yzdžių.
Ano uojan naudojamos Excel len elės, nes jos leidžia aizdžiai pa eik i sakinio s uk-
ū ą i leng ai pe a ky i in o maciją į XML o ma ą, ku is plačiai aikomas paieškai.
Taigi ano uo ą eks yną bus galima panaudo i s a is iniams lie u ių kalbos y imams, aip
pa in o macijai apie lie u ių kalbos g ama iką išgau i i k .
Į eik a 2013 m. spalio 28 d.
DAIVA ŠVEIKAUSKIENĖ
Lie u ių kalbos ins i u as
Pe o Vileišio g. 5-216, LT-10308 Vilnius, Lie u a
dai a. m @gmail.com