High Quality Syntactic Annotated Corpus of Lithuanian – VILSINTEKS

252 Acta Linguistica Lithuanica LXXIII DAIVA ŠVEIKAUSKIENĖ Institute of Lithuanian Language Kutatási területek: számítógépes nyelvészet, treebanképítés, annotációs rétegek. HIGH QUALITY SYNTACTIC ANNOTÁLT KORPUSZ LITVÁN – VILSINTEKS Aukštos kokybės sintaksiškai anotuotas lietuvių kalbos tekstynas VILSINTEKS ANNOTÁCIÓ A tanulmány kettős annotációt mutat be, amelyet a litván korpusz magas színvonalú annotációjára használnak. A mondatra vonatkozó átfogó információkat táblázat tartalmazza, a mondat szintaktikai szerkezetét pedig ábra mutatja be. Más nyelvek tapasztalatait is felhasználják, és figyelembe veszik a litván nyelv sajátosságait. A litván mondatok szintaktikai szerkezetének faábrázolása elégtelenségét statisztikailag annotált példákon keresztül mutatják be. Egy kimerítő információkat tartalmazó annotált korpusz létrehozásának célját szintén világosan hangsúlyozzák. Bemutatják az annotált mondatok példáit, amelyek tükrözik a litván nyelv sajátos jellemzőit. KULCSSZAVAK: szintaktikailag annotált korpusz; a szintaktikai szerkezet gráfreprezentációja; a litván korpusz annotációs rétegei; a litván mondatok faábrázolásának elégtelensége; a szintaktikailag annotált korpusz célja. ANOTÁCIÓ A tanulmány a magas színvonalú, annotált litván nyelvi korpusz létrehozására használt, két szinten végzett annotációt tárgyalja. A mondatra vonatkozó részletes információkat táblázat tartalmazza, a mondat szintaktikai szerkezetét pedig grafikusan ábrázolják. Más nyelvek tapasztalataira támaszkodnak, figyelembe véve a litván nyelv sajátos jellemzőit. A faalapú ábrázolás elégtelenségét a litván mondatok szintaktikai Cikkek / Articles 253 High Quality Syntactic Annotated Corpus of Lithuanian – VILSINTEKS szerkezetének bemutatásában statisztikai módszerrel annotált mondatok példái szemléltetik. A tanulmány egyértelműen hangsúlyozza az annotált korpusz létrehozásának célját is, amelyben részletes információkat halmoznak fel. A litván nyelv sajátos jellemzőit tükröző annotált mondatok példáit mutatják be. LÉNYEGES SZAVAK: szintaktikailag annotált korpusz, a mondatszerkezet ábrázolása grafu, tekstyno anotavimo lygmenys, medžio nepakankamumas vaizduojant lietuvių kalbos sakinius, tekstyno kūrimo tikslas. 1. BEVEZETÉS A korpuszok első annotációja a beszédrész-címkézés, a POST volt [Church 1988: 136]. Ilyen annotáció található a Penn Treebankben. Később más, szintaktikai információt hordozó mondatokat vezettek be. Ezeket különféle sémák alkalmazásával jelenítették meg [Atwell et al. 2000: 12]. 2012-ben Köhler a következőket említette: „...nincs általános szabvány arra vonatkozóan, hogyan kellene a korpuszokat strukturálni és jelölni” [Köhler 2012: 32]. Ezért a litván VILSINTEKS korpusz annotálása a litván nyelv sajátos jellemzőit – a nagyfokú inflexiót és a mondatban érvényesülő szabad szórendet – szem előtt tartva történik. A szintaktikai struktúra két vezető reprezentációs típusa, a frázisstruktúra-grammatika és a dependenciagrammatika közül az utóbbit választották a litván nyelv számára, mivel „...a dependenciagrammatika leginkább a viszonylag szabad szórendű nyelvek kutatóinak érdeklődését keltette fel…” [Kay, Gawron and Norvig 1994: 55]. A szintaktikai struktúra leggyakoribb reprezentációja a fa [Allen 1987: 41]. A szintaktikailag annotált korpusz elnevezése – treebank – ehhez a terminushoz kapcsolódik. A litván treebank elnevezése nem tartalmazza a ‘tree’ szót, mivel egyes litván mondatok szintaktikai struktúráját egy ciklust tartalmazó gráf reprezentálja, vagyis az nem felel meg a fa definíciója által meghatározott feltételeknek, ugyanis a fa összefüggő, körmentes gráf [Swamy, Thulasiraman 1984: 33]. A VILSINTEKS mozaikszó jelentése: VILniaus SINtaksinis TEKStynas – vilniusi szintaktikai korpusz. 2. ANNOTÁLÁS A LITVÁN KORPUSZRÓL Az utóbbi időben sok szó esett és sok írás született a litván nyelv alacsony szintű számítógépes feldolgozottságáról. A META-NET adatai szerint DAIVA ŠVEIKAUSKIENĖ 254 Acta Linguistica Lithuanica LXXIII projekt, a litván nyelv a legkevésbé számítógépesített európai nyelvek csoportjába tartozik [Vaišnienė, Zabarskaitė 2012: 35]. A más nyelvek számára létrehozott szoftverek nem adnak kielégítő eredményt, amikor a litván nyelvre alkalmazzák őket. Ideje, hogy ne a litván nyelv alacsony szintű számítógépes feldolgozottságáról, hanem annak minőségéről beszéljünk. Ezért érdemes visszatekinteni a litván nyelvre, és megpróbálni létrehozni a litván nyelv saját, magas színvonalú számítógépes feldolgozását. A litván korpusz software for the computerization of the Lithuanian language so as to produce szintaktikai annotációjára irányuló első kísérletekre 2013-ban került sor. A VILSINTEKS szintaktikailag annotált korpuszát a Vilniusi Litván Nyelvi Intézetben hozták létre. Célunk, hogy a lehető legtöbb adatot szolgáltassuk egy mondattal kapcsolatban, különösen akkor, ha ezek történetesen a fordítási folyamat során szükséges adatok. A Prágai Függőségi Treebank kimerítő információkat közöl, amely háromszintű annotációval rendelkezik [Hajič 2000: 103]. Egy képen nem lehetett több annotációs szintet bemutatni 1. ÁBRA. A litván mondat szintaktikai szerkezetének példája: Jie gali būti kitokie – Különbözőek lehetnek Straipsniai / Cikkek 255 High Quality Syntactic Annotated Corpus of Lithuanian – VILSINTEKS 2. ÁBRA. Statisztikailag elemzett mondat: Kas nerizikuoja, tas negeria šampano, bet graudžiai ir neverkia (Aki nem kockáztat, az nem iszik pezsgőt, de nem is sír keservesen) [Kapočiūtė, Nivre, Krupavičius 2013: 15] 3. ÁBRA. Statisztikailag elemzett mondat Bet štai pro medį, kuriame sėdėjau, praslinko didelis šešėlis (De íme egy nagy árnyék suhant át a fán, amelyben ültem) [Kapočiūtė, Nivre, Krupavičius 2013: 15] elérése érdekében úgy döntöttünk, hogy a litván mondatok kezelésekor az információ ábrázolását két részre osztjuk: egy táblázatra, amely a morcontaint tartalmazza. A predikatív jelző a mondat két részétől függ: az alanytól vagy a tárgytól, valamint az állítmánytól. Ezeket a kapcsolatokat phological, syntactic and semantic information, while the syntactic structure should be presented in a picture. A graph with cycles is used for Lithuanian sentences because a tree is not able to reflect the entire syntactic information which the Lithuanian sentence formálisan fejezik ki, és nem lehetett figyelmen kívül hagyni őket (további részletekért lásd: Šveikauskienė 2005: 412). Az 1. ábra egy címadó mondat szintaktikai szerkezetét mutatja be. Ez egy predikatívumot tartalmaz, amely formálisan kifejezett kapcsolatban áll az alannyal és az állítmánnyal, és mindkét kapcsolatot a korpusz annotálásával kell ábrázolni. DAIVA ŠVEIKAUSKIENĖ 256 Acta Linguistica Lithuanica LXXIII A predikatívumnak az alannyal egyező végződéssel kell rendelkeznie, és ugyanakkor az állítmányhoz kapcsolódik; vagyis nem az alany jelzője. A litván korpusz szintaktikai annotálására tett első kísérletek azt mutatták, hogy a más nyelvekhez létrehozott szoftver nem adott jó eredményeket a litván nyelvben. Mintegy 1500 mondatot annotáltak statisztikai módszerekkel a Kaunasi Műszaki Egyetemen [Kapočiūtė, Nivre, Krupavičius 2013: 12]. A bemutatott eredmények a 4. ÁBRÁBAN rejlő információ elégtelenségét mutatták. VILSINTEKS elemzett mondat: Aki nem kockáztat, nem iszik pezsgőt, de keservesen sem sír Tanulmányok / Articles 257 High Quality Syntactic Annotated Corpus of Lithuanian – VILSINTEKS 5. ÁBRA. A VILSINTEKS által elemzett mondat: De íme, a fa mellett, amelyben ültem, elsuhant egy kis árnyék. DAIVA ŠVEIKAUSKIENĖ 258 Acta Linguistica Lithuanica LXXIII mondatszerkezete. A két ábra két elemzett mondatot szemléltet, mindkettőben A második mondatban nem látható a lacking very important information. The first sentence lacks the arrow between the predicate negeria and subject tas (Figure 2). megegyezési kapcsolat a medį és kuriame két szó között, amelyek egyeztetett toldalékokkal rendelkeznek (3. ábra), miközben a szerzők ugyanebben a tanulmányban ezt írták: „a főnevet módosító melléknévnek egyeznie kell a NEM, SZÁM és ESET tekintetében” A medį és a kuriame szavaknak nemben és számban egyezniük kell, ez az információ azonban hiányzik a mondat szerkezetéből. Nehéz egyetérteni azzal, hogy a kuriame sėdėjau – amelyben ültem – és a pro medį – a fán keresztül – szavak közötti kapcsolatok azonos típusúak. A VILSINTEKS-ben alkalmazott módszer szerint annotált mondatokat rendre a 4. és az 5. ábra mutatja. 3. AZ ANNOTÁCIÓ RÉTEGEI A TÁBLÁZATBAN A táblázatban szereplő információ háromféle: • Az egész mondatra vonatkozó információ, • A mondat szavaira vonatkozó információ, • A szavakra és a mondatra vonatkozó nem grammatikai információ. 3.1. Az egész mondatra vonatkozó információ Az egész mondatra vonatkozó információ annak kódjából, vagyis a korpuszban elfoglalt helyéből, típusából és jellemzőiből áll. A mondat jellemzője annak sajátosságát írja le, figyelembe véve a szövegben betöltött funkcióját, vagyis azt, hogy cím, szerző, alcím vagy szövegmondat-e. A mondat típusa kommunikatív információt jelez, vagyis azt, hogy kijelentő, felszólító-e, interrogative, etc., and structural information: personal, impersonal, elliptical, simple, composite sentence, etc. [Ambrazas 1997: 573]. 3.2. A mondatban szereplő szavakra vonatkozó információ Minden szóhoz meg vannak adva a mondatbeli sorszámára, morfológiai adataira (igeidő, eset, nem stb.), a lemmájára, lexikai szemantikájára, szintaktikai Straipsniai / Cikkek 259 High Quality Syntactic Annotated Corpus of Lithuanian – VILSINTEKS funkciójára, a mondat más szavaival fennálló közvetlen szintaktikai kapcsolataira és mélyeseteire vonatkozó adatok. Mivel a litván nyelvben a szórend általában nem hordoz szintaktikai információt, a lexikai szemantika jellemzői nagyon fontosak a szintaktikai funkció azonosításához. A tárgyesetben álló, időt jelentő jellemzővel rendelkező főnév határozó, e jellemző nélkül pedig tárgy. Ha a mondatban két, tárgyesetben álló főnév szerepel, a lexikai szemantika jellemzője néha az egyetlen kritérium, amely lehetővé teszi a szintaktikai funkció eldöntését. 3.3. Nem grammatikai információk a szavakról és a mondatról A szóra vonatkozó stilisztikai információkat a táblázat tartalmazza. Ez segít kiválasztani a megfelelő ekvivalenst a másik nyelvben a szó fordításakor. A névmás antecedense szükséges. Mille, Wanner és Burga [2012: 5] a koreferenciális struktúrát írják le, amely egy mondaton belül összekapcsolja a névmást az antecedensével. A litván treebank a névmás antecedensére vonatkozó információt akkor is megadja, ha az a mondaton kívül található. Ez nagyon fontos a fordítás szempontjából, mert a főnév (és ennek megfelelően a névmás) neme különbözhet az egyes nyelvekben. Például a Ji buvo graži litván mondatnak három német fordítása van. Ha „egy lány”, a helyes fordítás: Es war schön. Ha „egy macska”, a helyes fordítás: Sie war schön, ha pedig „egy nap”, akkor: Er war schön. A litván nyelvben mindhárom névmás nőnemű, mivel mindhárom főnév nőnemű, míg a német nyelv esetében ennek a névmásnak három különböző megfelelője van, figyelembe véve az általa helyettesített főnevet. A táblázat az elliptikus mondatokban hiányzó szavakat és a litván nyelvben való ted subject, which is expressed by a personal pronoun. It is very often the case elhagyásukat tartalmazza. Az ige végződéséből kikövetkeztethetjük. Az állítmány kopulája jelen időben általában szintén elmarad, ezért a táblázat ezeket a hiányzó szavakat is tartalmazza. A táblázatban a betűszavak teljes szavakkal vannak kiírva. A számok a táblázatban emellett számjegyekkel, a számjegyek pedig számokkal is meg vannak jelenítve, mivel a számok lexikai kifejezése a különböző nyelvekben eltérhet. DAIVA ŠVEIKAUSKIENĖ 260 Acta Linguistica Lithuanica LXXIII 4. AZ INFORMÁCIÓ TÍPUSAI A SZINTAKTIKAI SZERKEZETBEN A szintaktikai szerkezetben a mondat első lépésben egy főnévi csoportra, egy igei csoportra és a mondatvégi karakterre oszlik. A litván nyelv szabad szórendű, és néha a mondatvégi karakter az egyetlen eszköz a mondat típusának meghatározására, vagyis annak eldöntésére, hogy kijelentő vagy kérdő mondatról van-e szó, például: Tu šiandien laimėjai prizą. – Ma díjat nyertél. és Tu šiandien laimėjai prizą? – Nyertél ma díjat?. A 6. ábra a kérdő mondat szintaktikai szerkezetét mutatja be. A mondat fordítását a mondatvégi karakter alapján választjuk ki. az azt bővítő szavak, az állítmányi csoport feje pedig az állítmány, az alárendelt szavak pedig alatta Furthermore, the structure of the sentence is represented using dependency grammar. The head of the subject group is the subject and below are depicted helyezkednek el. A litván korpusz annotálása szempontjából további két nagyon fontos mező a szavak közötti szintaktikai kapcsolatok típusa és a szemantikailag feloldhatatlan szókapcsolatok. 6. ÁBRA. A kérdő mondat Tu šiandien laimėjai prizą? szintaktikai szerkezete – Nyertél ma díjat? Cikkek / Articles 267 High Quality Syntactic Annotated Corpus of Lithuanian – VILSINTEKS Aukštos kokybės sintaksiškai anotuotas lietuvių kalbos tekstynas VILSINTEKS ÖSSZEFOGLALÓ Az utóbbi időben nagyon sok szó esik és írás születik arról, hogy a litván nyelv kevéssé számítógépesített. Más nyelvek számára kifejlesztett szoftvereket vásárolnak, amelyek a litván nyelv esetében többnyire nem adnak kielégítő eredményeket. Elérkezett az idő, amikor el kell kezdeni tárgyalni a litván nyelv számítógépesítésének minőségét, ahelyett hogy csekély mértékű számítógépesítéséről beszélnénk. A cikk egy magas színvonalú, szintaktikailag annotált litván nyelvi korpuszt ír le, amely megbízható információkat tartalmaz. Az annotálás išsami informacija apie sakinį nurodoma lentelėje ir sintaksinė struktūra nubraižoma grakét szinten történik: fiškai. Az annotálás során nagy figyelmet fordítanak a szintaktikai kapcsolatok ábrázolására. Ezeket különböző színű és típusú vonalak jelenítik meg. A cikk oszthatatlan szókapcsolatokat ír le – ezek olyan szócsoportok, amelyek csak együtt bővíthetnek egy másik szót, és amelyeket csak teljes csoportként jelölhet a őket bővítő szó. A mondat többi szavának az oszthatatlan szókapcsolat egyik tagjával való kapcsolata értelmetlen. A struktúrában az oszthatatlan szókapcsolatokat egyetlen blokkba foglalják, bemutatva a belső szintaktikai kapcsolatokat. A cikk szintaktikailag annotált mondatok példáit mutatja be. A mondat struktúrájának ábrázolására gráfot használnak, mivel a fa, amelyet sikeresen alkalmaznak az angol mondatok struktúrájának leírására, nem képes tükrözni a litván mondatban található teljes szintaktikai információt. Ez nagyon jól látható a statisztikai módszerrel annotált mondatok példáiban, amelyeket e cikk mutat be. Két olyan mondatstruktúrát mutatnak be, amelyekből nagyon fontos információ hiányzik: az egyikben nincs feltüntetve az alany és az állítmány közötti szintaktikai kapcsolat, a másikban pedig hiányzik a szám és nem szerint egyeztetett szavak közötti kapcsolat. Összehasonlításképpen a cikk ezeket a mondatokat is bemutatja, a VILSINTEKS által használt módszerrel annotálva. A létrehozás alatt álló korpusz célja, hogy átfogó és megbízható információt gyűjtsön a litván nyelv grammatikájáról, hibamentes mondatszerkezeti elemzés elvégzésével, vagyis úgy, hogy a számítógép munkájának eredményeit még ember is átnézi. Az annotált korpusz nyilvánosan hozzáférhető lesz az interneten. Ahogyan most a VDU korpuszából meg lehet szerezni egy adott szó használati példáit, úgy a VILSINTEKS webhelyén is lehetséges lesz bizonyos jellemzőkkel rendelkező szintaktikai struktúrák – például olyan egyszerű mondatok, amelyekben az alany névmás, és így tovább – példáinak lekérése. Az annotálás során Excel-táblázatokat használnak, mivel ezek lehetővé teszik a mondatstruktúra szemléletes bemutatását, valamint az információk könnyű XML-formátumba rendezését, amelyet széles körben alkalmaznak a kereséshez. Így az annotált korpusz felhasználható lesz a litván nyelv statisztikai kutatásaihoz, továbbá a litván nyelv grammatikájára vonatkozó információk kinyeréséhez és egyebekhez. Benyújtva: 2013. október 28. DAIVA ŠVEIKAUSKIENĖ Litván Nyelvi Intézet Petro Vileišio g. 5-216, LT-10308 Vilnius, Litvánia [email protected]