DAIVA ŠVEIKAUSKIENĖ

Institut de la langue lituanienne

Domaines de recherche: linguistique informatique, création de treebanks, couches d’annotation.

CORPUS LITUANIEN ANNOTÉ SYNTAXIQUEMENT DE HAUTE QUALITÉ – VILSINTEKS

Corpus de langue lituanienne annoté syntaxiquement de haute qualité VILSINTEKS

ANNOTATION

Cet article présente une annotation à deux volets, utilisée pour l’annotation de haute qualité du corpus lituanien. Des informations exhaustives sur une phrase sont données dans un tableau, et sa structure syntaxique est présentée sous forme d’image. L’expérience acquise dans l’étude d’autres langues est mise à profit, et les caractéristiques propres au lituanien sont prises en compte. L’insuffisance de la représentation arborescente de la structure syntaxique des phrases lituaniennes est mise en évidence par des exemples annotés statistiquement. L’objectif de la création d’un corpus annoté contenant des informations exhaustives est également clairement souligné. Des exemples de phrases annotées sont présentés; ils reflètent les caractéristiques propres au lituanien.

MOTS-CLÉS: corpus annoté syntaxiquement; représentation graphique de la structure syntaxique; couches d’annotation dans le corpus lituanien; insuffisance de la représentation arborescente des phrases lituaniennes; objectif du corpus annoté syntaxiquement.

ANNOTATION

L’article examine l’annotation à deux niveaux utilisée pour créer un corpus annoté de haute qualité en langue lituanienne. Les informations détaillées sur la phrase sont indiquées dans un tableau, tandis que sa structure syntaxique est représentée graphiquement. L’expérience acquise pour d’autres langues est mise à profit, en tenant compte des caractéristiques propres au lituanien. L’insuffisance de l’arbre pour représenter la structure syntaxique des phrases lituaniennes est illustrée statistiquement.

252

Acta Linguistica Lithuanica ^LXXIII

High Quality Syntactic Annotated Corpus of Lithuanian – VILSINTEKS

par des exemples de phrases annotées à l’aide de méthodes. L’article souligne également clairement l’objectif de la création d’un corpus annoté qui rassemblera des informations détaillées. Des exemples de phrases annotées sont présentés; ils reflètent les caractéristiques propres au lituanien.

MOTS-CLÉS: corpus annoté syntaxiquement, représentation de la structure de la phrase par un graphe, niveaux d’annotation du corpus, insuffisance de l’arbre pour représenter les phrases lituaniennes, objectif de la création du corpus.

1. INTRODUCTION

The first annotation of corpora was a part of speech tagging POST [Church 1988: 136]. Such annotation is found in the Penn Treebank. Later, other sentences, carrying the syntactic information, were introduced. They were represented by using various schemes [Atwell et al. 2000: 12]. In 2012 Köhler mentioned the following: “...there is no general standard as to how corpora should be structured and notated” [Köhler 2012: 32]. Therefore, the Lithuanian corpus VILSINTEKS is annotated, bearing in mind the specific features of the Lithuanian language – a large amount of inflexion and a free word order in a sentence.

Parmi les deux principaux types de représentation de la structure syntaxique, à savoir la grammaire de constituants et la grammaire de dépendance, cette dernière a été choisie pour le lituanien, car «...la grammaire de dépendance a surtout séduit les étudiants des langues dont l’ordre des mots est relativement libre... » [Kay, Gawron and Norvig 1994: 55].

The most common representation of the syntactic structure is a tree [Allen 1987: 41]. The name of the syntactically annotated corpus – treebank – is related to this term. The name of the Lithuanian treebank does not contain the word ‘tree’, because the syntactic structure of some Lithuanian sentences is represented by a graph with a cycle, that is, it does not meet the conditions established by the definition of a tree, as a tree is a connected acyclic graph [Swamy, Thulasiraman 1984: 33]. The acronym VILSINTEKS means VILniaus SINtaksinis TEKStynas – Vilnius syntactic corpus.

2. ANNOTATION DU CORPUS LITUANIEN

Ces derniers temps, on a beaucoup parlé et écrit au sujet du faible degré d’informatisation de la langue lituanienne. Selon les données de META-NET

Straipsniai / Articles

253

DAIVA ŠVEIKAUSKIENĖ

projet, le lituanien appartient au groupe des langues européennes les moins informatisées [Vaišnienė, Zabarskaitė 2012: 35]. Les logiciels créés pour d’autres langues ne donnent pas de résultats satisfaisants lorsqu’ils sont appliqués à la langue lituanienne. Il est grand temps de ne plus parler du faible degré d’informatisation de la langue lituanienne, mais de la qualité de son informatisation. Il vaut donc la peine de se pencher sur la langue lituanienne et d’essayer de créer ses propres logiciels pour son informatisation, afin d’obtenir une informatisation de qualité.

Les premières tentatives d’annotation syntaxique du corpus lituanien ont été réalisées en 2013. Le corpus annoté syntaxiquement VILSINTEKS a été créé à l’Institut de la langue lituanienne, à Vilnius. Nous cherchons à fournir autant de données que possible sur une phrase, en particulier lorsqu’il s’agit de données nécessaires au cours du processus de traduction. Le Prague Dependency Treebank fournit des informations exhaustives et comporte une annotation à trois niveaux [Hajič 2000: 103]. Davantage de niveaux d’annotation dans une seule image ne pouvaient pas

FIGURE 1. Exemple de structure syntaxique de la phrase lituanienne Jie gali būti kitokie – They can be different

254

Acta Linguistica Lithuanica LXXIII

High Quality Syntactic Annotated Corpus of Lithuanian – VILSINTEKS

être obtenus; nous avons donc décidé de diviser la représentation des informations en deux parties lorsqu’il s’agit de phrases lituaniennes: un tableau contenant les informations morphologiques, syntaxiques et sémantiques, tandis que la structure syntaxique est présentée sous forme d’image.

Un graphe avec des cycles est utilisé pour les phrases lituaniennes, car un arbre ne peut pas rendre compte de toutes les informations syntaxiques contenues dans la phrase lituanienne. L’attribut prédicatif dépend de deux éléments de la phrase: du sujet ou de l’objet, et du prédicat. Ces relations sont exprimées formellement et ne peuvent être ignorées (pour plus de détails, voir Šveikauskienė 2005: 412).

La figure 1 montre la structure syntaxique d’une phrase titre. Elle contient un prédicatif, qui entretient des relations formellement exprimées avec le sujet et le prédicat, et les deux relations doivent être représentées dans l’annotation du corpus.

FIGURE 2. Phrase analysée statistiquement Kas nerizikuoja, tas negeria šampano, bet graudžiai ir neverkia (Who does not risk, that does not drink champagne but does not cry tearfully either) [Kapočiūtė, Nivre, Krupavičius 2013: 15]

FIGURE 3. Phrase analysée statistiquement Bet štai pro medį, kuriame sėdėjau, praslinko didelis šešėlis (But here through the tree in which I sat passed a small shadow) [Kapočiūtė, Nivre, Krupavičius 2013: 15]

Straipsniai / Articles

255

DAIVA ŠVEIKAUSKIENĖ

Le prédicat doit porter la terminaison qui s’accorde avec le sujet et, en même temps, il est rattaché au prédicat; autrement dit, il n’est pas un attribut du sujet.

Les premières tentatives d’annotation syntaxique du corpus lituanien ont montré que les logiciels créés pour d’autres langues ne produisaient pas de bons résultats en lituanien. Quelque 1 500 phrases ont été annotées statistiquement à l’Université de technologie de Kaunas [Kapociūtė, Nivre, Krupavičius 2013: 12]. Les résultats présentés ont montré l’insuffisance des informations cachées dans le

FIGURE 4. Phrase analysée par VILSINTEKS Kas nerizikuoja, tas negeria šampano, bet graudžiai ir neverkia

256

Acta Linguistica Lithuanica LXXIII

High Quality Syntactic Annotated Corpus of Lithuanian – VILSINTEKS

FIGURE 5. Phrase analysée par VILSINTEKS Bet štai pro medį, kuriame sėdėjau, praslinko nedidelis šešėlis

Straipsniai / Articles

257

DAIVA ŠVEIKAUSKIENĖ

structure des phrases. Les deux figures illustrent deux phrases analysées, auxquelles manquent toutes deux des informations très importantes. Dans la première phrase, la flèche reliant le prédicat negeria au sujet tas manque (Figure 2).

Dans la deuxième phrase, la relation d’accord n’est pas indiquée entre les deux mots medį et kuriame, qui ont des terminaisons concordantes (Figure 3), alors que les auteurs écrivaient dans le même article: « un adjectif qui modifie un nom doit s’accorder en GENRE, en NOMBRE et en CAS ».

Les mots medį et kuriame doivent s’accorder en genre et en nombre, et cette information est absente de la structure de la phrase. Il est difficile d’admettre que les relations entre les mots kuriame sėdėjau – in which I sat et pro medį – through the tree soient du même type.

Ces phrases annotées selon la méthode utilisée dans VILSINTEKS sont présentées respectivement dans les Figures 4 et 5.

3. COUCHES D’ANNOTATION DANS LE TABLEAU

Les informations du tableau se répartissent en trois types:

Informations sur la phrase entière,

Informations sur les mots de la phrase,

Informations non grammaticales sur les mots et la phrase.

3.1. Informations sur la phrase entière

Les informations concernant la phrase entière comprennent son code, c’est-à-dire sa position dans le corpus, son type et ses caractéristiques. La caractéristique de la phrase correspond à son trait distinctif, déterminé en fonction de son rôle dans le texte: il s’agit de savoir si elle constitue un titre, un nom d’auteur, un sous-titre ou une phrase du texte. Le type de phrase indique des informations communicatives, c’est-à-dire si elle est déclarative, impérative, interrogative, etc., et des informations structurelles: phrase personnelle, impersonnelle, elliptique, simple, composée, etc. [Ambrazas 1997: 573].

3.2. Informations sur les mots de la phrase

Chaque mot est accompagné de données sur son numéro dans la phrase, de données morphologiques (temps, cas, genre, etc.), de son lemme et de données sur sa sémantique lexicale,

258

Acta Linguistica Lithuanica LXXIII

High Quality Syntactic Annotated Corpus of Lithuanian – VILSINTEKS

la fonction syntaxique, les relations syntaxiques directes avec les autres mots de la phrase et les cas profonds.

Comme l’ordre des mots en lituanien ne véhicule généralement aucune information syntaxique, les caractéristiques de la sémantique lexicale sont très importantes pour identifier sa fonction syntaxique. Le nom à l’accusatif exprimant le temps est un complément circonstanciel et, sans cette caractéristique, un complément d’objet. Lorsque deux noms à l’accusatif figurent dans la phrase, la caractéristique de la sémantique lexicale est parfois le seul critère permettant de déterminer leur fonction syntaxique.

3.3. Informations non grammaticales sur les mots et la phrase

Les informations stylistiques concernant le mot figurent dans le tableau. Elles aident à choisir le bon équivalent dans l’autre langue lors de la traduction du mot.

The antecedent of the pronoun is necessary. Mille, Wanner and Burga [2012: 5] describe coreferential structure, which links the pronoun with its antecedent in one sentence. The Lithuanian treebank provides the information about the antecedent of the pronoun if it is outside the sentence too. It is very important for translation because the gender of the noun (or pronoun accordingly) may differ in various languages. For example, the Lithuanian sentence Ji buvo graži has three translations into German. If it is “a girl”, the right translation is Es war schön. If it is “a cat” the right translation is Sie war schön, and if it is “a day”, the right translation is Er war schön. All three pronouns in Lithuanian are feminine because all three nouns are feminine, whereas in the case of the German language this pronoun has three different equivalents taking into consideration the noun it replaces.

Le tableau contient les mots manquants dans les phrases elliptiques ainsi que le sujet omis, exprimé par un pronom personnel. Ce cas est très fréquent en lituanien. On peut le déduire de la terminaison du verbe. La copule du prédicat au présent est également généralement omise; le tableau contient donc ces mots manquants.

Les sigles sont développés en toutes lettres dans le tableau.

Dans le tableau, les nombres sont également représentés par des chiffres et les chiffres par des nombres en toutes lettres, car l’expression lexicale des nombres peut varier d’une langue à l’autre.

Straipsniai / Articles

259

DAIVA ŠVEIKAUSKIENĖ

4. TYPES D’INFORMATIONS DANS LA STRUCTURE SYNTAXIQUE

Dans la structure syntaxique, la phrase est d’abord divisée en un groupe nominal, un groupe verbal et un caractère de fin de phrase. Le lituanien a un ordre des mots libre et, parfois, le caractère de fin de phrase est le seul moyen de déterminer le type de phrase, c’est-à-dire s’il s’agit d’une phrase déclarative ou interrogative, par exemple, Tu šiandien laimėjai prizą. – You have won a prize today. et Tu šiandien laimėjai prizą? – Have you won a prize today?. La figure 6 présente la structure syntaxique de la phrase interrogative. La traduction de la phrase est choisie en fonction du caractère de fin de phrase. En outre, la structure de la phrase est représentée au moyen de la grammaire de dépendance. La tête du groupe sujet est le sujet; les mots qui le développent sont représentés en dessous. La tête du groupe prédicat est le prédicat, et les mots qui en dépendent sont placés en dessous.

Deux autres champs, très importants pour l’annotation du corpus lituanien, sont le type des relations syntaxiques entre les mots et les groupes de mots sémantiquement insolubles.

FIGURE 6. Structure syntaxique de la phrase interrogative Tu šiandien laimėjai prizą? – Have you won a prize today?

260

Acta Linguistica Lithuanica LXXIII

High Quality Syntactic Annotated Corpus of Lithuanian – VILSINTEKS

4.1. Type de relation syntaxique

La langue lituanienne possède un nombre considérable de flexions. Il est donc très important de représenter les informations sur le type des relations syntaxiques, car celles-ci sont souvent exprimées par les terminaisons des mots. La langue lituanienne compte trois types de relations syntaxiques: l’interdépendance entre le sujet et le prédicat, la coordination de deux mots ou plus ayant un statut syntaxique équivalent dans la phrase, et la subordination entre deux mots, dont l’un détermine la terminaison de l’autre. La subordination se divise en régime, accord et adjonction [Ambrazas 1997: 478]. Chaque type de relation syntaxique est représenté dans la structure par une couleur différente. L’interdépendance est représentée par une flèche bidirectionnelle lilas, car les deux mots déterminent mutuellement leur forme; la coordination, par une ligne jaune sans direction, car les mots n’ont aucune influence sur leurs formes respectives; le régime, par une petite flèche unidirectionnelle bleue en pointillés; l’accord, par une flèche unidirectionnelle rouge; et l’adjonction, par une grande flèche unidirectionnelle verte en pointillés. Les prépositions, les conjonctions ou les signes de ponctuation sont représentés par des étiquettes sur les flèches entre les mots. La figure 7 présente un exemple de phrase comportant une conjonction.

FIGURE 7. Structure syntaxique de la phrase comportant une conjonction Laukais, miškais ir kalvomis ateina saulėtas ruduo. – À travers les champs, les forêts et les collines arrive le soleil automnal.

Straipsniai / Articles

261

DAIVA ŠVEIKAUSKIENĖ

4.2. Groupes de mots sémantiquement indissociables

Un groupe de mots sémantiquement indissociable est une combinaison dans laquelle un mot ne peut en développer un autre que lorsqu’ils sont réunis, tandis que le mot dépendant ne peut développer que le groupe entier. La relation entre un mot de ce groupe et le mot qu’il développe n’a pas de sens. Mel’chuk décrit un cas similaire observé en russe [Mel’chuk 2006: 37]. Un groupe de mots indissociable est placé dans une même boîte, les relations syntaxiques étant représentées à l’intérieur. La figure 8 montre la structure syntaxique d’une phrase comportant un groupe de mots indissociable: Penkis tūkstančius hektarų žemės valdantis ūkininkas pigiai parduoda šviežias daržoves. – Un agriculteur possédant cinq mille acres de terre vend à bas prix des légumes frais. Le verbe valdyti – ‘to own’ est transitif en lituanien et exige l’accusatif; le mot tūkstančius–‘thousand’ est donc à l’accusatif. En lituanien, les numéraux exigent le génitif, c’est pourquoi le mot hektarų–‘acres’ est au génitif. Sémantiquement, l’agriculteur ne possède pas « mille », bien que le mot thousand soit au cas régi par le participe valdantis–‘owning’. En réalité, il possède des acres, c’est-à-dire le mot au génitif, autrement dit au cas régi par le numéral thousand. Par conséquent, le groupe de mots tūkstančius hektarų ‘-thousand acres’ est sémantiquement indissociable; les deux mots sont donc placés dans une même boîte de la structure syntaxique de la phrase. Le mot five est un déterminant du mot thousand, et se trouve donc dans la même boîte. Le déterminant non accordé žemės – ‘of land’ développe toute la boîte, c’est-à-dire l’ensemble du groupe de mots qu’elle contient, et peut être remplacé par d’autres déterminants non accordés, par exemple: five thousand acres of forest. Ainsi, le groupe de mots sémantiquement indissociable est considéré comme une unité lexicale.

Les combinaisons de numéraux (five and thousand) entretiennent une double relation syntaxique: l’accord et le régime. Le cas du mot « thousand » (dont la terminaison est déterminée par le régime du verbe) détermine la terminaison du mot « five »: ils doivent avoir des terminaisons concordantes (jis valdo penkis tūkstančius hektarų – he owns five thousand acres, mais penkiems tūkstančiams hektarų jis sunaudojo 10 tonų trąšų – he used 10 tons of manure for five thousand acres) et le lexème « five » régit le mot « thousand », c’est-à-dire qu’il lui impose une terminaison particulière. Par exemple, dans les groupes de mots he owns five thousand acres (jis valdo penkis tūkstančius hektarų) et he owns twenty thousand acres (jis valdo dvidešimt tūkstančių hektarų), le mot thousand a des terminaisons différentes en lituanien. C’est pourquoi il est très important de représenter avec une grande précision tous les types de relations syntaxiques.

262

Acta Linguistica Lithuanica LXXIII

High Quality Syntactic Annotated Corpus of Lithuanian – VILSINTEKS

FIGURE 8. Structure syntaxique de la phrase comportant un groupe de mots sémantiquement indissociable Penkis tūkstančius hektarų žemės valdantis ūkininkas pigiai parduoda šviežias daržoves (Un agriculteur possédant cinq mille acres de terre vend à bas prix des légumes frais)

5. OBJECTIFS DE L’ANNOTATION

La méthode statistique de traitement du langage naturel, en particulier lorsqu’elle est utilisée en traduction automatique, ne donne pas de résultats satisfaisants pour la langue lituanienne. L’analyse syntaxique statistique ne fournit pas non plus d’informations exhaustives. De plus, les logiciels créés pour d’autres langues ne donnent pas de résultats suffisants pour le lituanien. V. Daudaravičius a longtemps travaillé à l’analyse syntaxique automatique de la langue lituanienne et a écrit: « Naivu manyti, kad metodai, kurie sėkmingai taikomi anglų kalbai, tinka ir kitoms kalboms. – Il est naïf de penser que les méthodes utilisées avec succès pour l’anglais conviennent également à d’autres langues. » [Daudaravičius 2012: 3].

L’objectif de VILSINTEKS est de recueillir des informations fiables et exhaustives sur la grammaire du lituanien en pratique. Grâce à une analyse syntaxique automatique de grande qualité, élaborée selon une approche non statistique, non statistiquement

Straipsniai / Articles

263

DAIVA ŠVEIKAUSKIENĖ

les systèmes de traduction automatique basés sur cette méthode sont rendus possibles, en particulier pour la génération de phrases en lituanien.

VILSINTEKS vise à refléter les caractéristiques spécifiques de la langue lituanienne. Des informations exhaustives sur les phrases lituaniennes seront fournies sous une forme claire, destinée à un usage général. Le corpus annoté sera librement accessible sur Internet. Actuellement, on peut obtenir des exemples de phrases contenant le mot recherché à l’aide du corpus textuel créé à l’Université Vytautas Magnus. VILSINTEKS fournira des exemples de structures syntaxiques présentant les caractéristiques recherchées, par exemple une phrase simple dont le sujet est un pronom, ainsi que d’autres exemples. L’utilisation du corpus russe est décrite de façon similaire: il peut servir à rechercher des exemples illustrant le phénomène linguistique recherché [НКРЯ –National Corpus of the Russian Language]

Les 500 à 1 000 premières phrases, parmi les 2 millions de mots du corpus de lituanien contemporain (textes journalistiques), seront annotées manuellement. Par la suite, l’annotation sera semi-automatique. L’analyse syntaxique automatique du lituanien ainsi créée sera utilisée pour l’annotation, qui fera ensuite l’objet d’une vérification humaine.

Au cours du processus d’annotation, le logiciel sera amélioré en tenant compte des erreurs relevées. La tâche la plus importante consiste à préparer une analyse syntaxique automatique du lituanien qui fonctionne bien et puisse être utilisée pour créer un système de traduction automatique par transfert. Avec la méthode TRANSFER, la deuxième étape est l’analyse syntaxique. On peut s’attendre à ce que l’annotation syntaxique du corpus contribue à améliorer l’analyse syntaxique automatique.

Des tableaux Excel sont utilisés pour l’annotation, car ils offrent une présentation claire et permettent d’obtenir facilement le format XML. Les informations de VILSINTEX seront également librement accessibles au format XML. Elles pourront ainsi servir à des recherches statistiques sur la langue lituanienne ainsi qu’à la recherche d’informations sur la grammaire du lituanien, entre autres usages.

6. CONCLUSIONS

Le graphe est utilisé pour représenter la structure syntaxique des phrases lituaniennes, car un arbre ne peut rendre compte de toutes les informations syntaxiques contenues dans une phrase lituanienne. Deux exemples d’annotation statistique montrent que l’arbre ne suffit pas à représenter la structure syntaxique des phrases lituaniennes.

Le corpus lituanien fait l’objet d’une annotation en deux volets: le tableau décrit de manière exhaustive les informations relatives à la phrase et à ses mots, tandis que la structure syntaxique de la phrase est représentée sous forme d’image.

264

Acta Linguistica Lithuanica LXXIII

High Quality Syntactic Annotated Corpus of Lithuanian – VILSINTEKS

Dans le tableau, les informations représentées sont de trois types: des informations concernant l’ensemble de la phrase (interrogative, elliptique, impersonnelle); des informations concernant chaque mot de la phrase (données morphologiques, syntaxiques et sémantiques); et des informations non grammaticales (mots manquants dans les phrases elliptiques, antécédent du pronom à l’intérieur et à l’extérieur de la phrase, expression numérique du numéral et vice versa, formes développées correspondant aux acronymes).

Au premier stade, la structure syntaxique de la phrase lituanienne est divisée en trois parties: le groupe sujet, le groupe prédicat et le caractère de fin de phrase. Ce dernier est très important car, dans certains cas, il constitue le seul critère permettant de déterminer le type de phrase (déclarative ou interrogative).

Dans la structure syntaxique de la phrase, les relations syntaxiques sont représentées par des couleurs et des styles de ligne différents selon le type de relation.

Les groupes de mots dont le sens ne peut être résolu sont placés dans une même boîte, qui représente les relations syntaxiques internes.

L’objectif de VILSINTEKS est de fournir des informations exhaustives et fiables sur les phrases lituaniennes. Il peut être utilisé pour la recherche statistique sur la langue lituanienne et pour la recherche d’informations concernant la grammaire lituanienne. Il peut également servir à créer un système de traduction automatique non statistique.

VILSINTEKS vise à recueillir des informations grammaticales sur le lituanien en pratique.

Les premières phrases sont annotées manuellement. Par la suite, l’annotation sera semi-automatique. Les tableaux Excel sont utilisés pour l’annotation, car ils offrent une représentation claire pour l’utilisateur humain, et le corpus annoté sera librement accessible sur Internet. Il est facile d’obtenir le format XML à partir des tableaux Excel. Les informations de VILSINTEKS seront également librement accessibles au format XML. Ainsi, les informations de VILSINTEKS pourront être utilisées pour la recherche statistique sur la langue lituanienne et pour la recherche d’informations sur la grammaire lituanienne.

REFERENCES

Allen James 1987: Natural Language Understanding. Amsterdam: The Benjamin/Cummings Publishing Company.

Ambrazas Vytautas 1997: Dabartinės lietuvių kalbos gramatika. Vilnius: Mokslo ir enciklopedijų leidybos institutas.

Straipsniai / Articles

265

DAIVA ŠVEIKAUSKIENĖ

Atwell Eric, Demetriou George, Hughes John, Schiffrin Amanda, Souter Clive and Wolcock Sean 2000: Comparing linguistic interpretation schemes for English corpora. – ICAME 24, 7–24.

Church Kenneth Ward 1988: A Stochastic Parts Program and Noun Phrase Parser for Unrestricted Text. – ANLC ‘88: Proceedings of the second conference on Applied natural language processing. Association for Computational Linguistics Stroudsburg, PA, 136–143.

Daudaravičius Vidas 2012: Teksto skaidymas pastoviųjų junginių segmentais. Daktaro disertacijos santrauka. Kaunas: Vytauto Didžiojo universitetas.

Hajič Jan, Böhmová Alena, Hajičová Eva and Hladká Barbora Vidová 2000: The Prague Dependency Treebank: A Three-Level Annotation Scenario. – Treebanks: Building and Using Parsed Corpora, ed. by A. Abeillé. Amsterdam: Kluwer, 103–127.

Kay Martin, Gawron Mark, J. and Norvig Peter 1994: Verbmobil: A Translation System for Face-to-Face Dialog. Stanford: CSLI.

Kapočiūtė-Dzikienė Jurgita, Krupavičius Algis, Nivre Joakim 2013: Lithuanian Dependency Parsing with Rich Morphological Features. – Proceedings of the Fourth Workshop on Statistical Parsing of Morphologically Rich Languages. Seattle, Washington, USA, 18 October, 12–21.

Köhler Reinhard 2012: Quantitative Syntax Analysis. – Quantitative linguistics 65, ed. by Reinhard Köhler, Gabriel Altmann, Peter Grzybek. De Gruyter Mouton.

Mille Simon, Wanner Leo and Burga Alicia 2012: Treebank Annotation in the Light of the Meaning-Text Theory. – Linguistic Issues in Language Theory 7(16), 1–12.

Swamy M.N.S, Thulasiraman K. 1981: Graphs, Networks, and Algorithms. New York, Chichester Toronto: Willey Interscience publication.

Šveikauskienė Daiva 2005: Graph Representation of the Syntactic Structure of the Lithuanian Sentence. – Informatica 16(3), 407–418.

Vaišnienė Daiva, Zabarskaitė Jolanta 2012: The Lithuanian Language in the digital age. – META-NET White paper series, ed. by Georg Rehm, Hans Uszkoreit. Berlin, Heidelberg: Springer-Verlag.

НКРЯ – Национальный корпус русского языка 2003–2013. Prieiga internete: http://www.ruscorpora.ru/corpora-usage.html

266

Acta Linguistica Lithuanica LXXIII

High Quality Syntactic Annotated Corpus of Lithuanian – VILSINTEKS

Aukštos kokybės sintaksiškai anot uotas lietuvių kalbos tekstynas VILSINTEKS

SANTRAUKA

Pastaruoju metu labai daug kalbama ir rašoma apie tai, kad lietuvių kalba mažai kompiuterizuota. Perkama kitoms kalboms sukurta programinė įranga, kuri lietuvių kalbos atveju dažniausiai neduoda patenkinamų rezultatų. Jau atėjo metas, kai reikia pradėti aptarti lietuvių kalbos kompiuterizavimo kokybę, užuot kalbėjus apie menką jos kompiuterizavimą.

Straipsnyje aprašomas aukštos kokybės sintaksiškai anotuotas lietuvių kalbos tekstynas, kuriame pateikta patikima informacija. Anotavimas atliekamas dviem lygmenimis: išsami informacija apie sakinį nurodoma lentelėje ir sintaksinė struktūra nubraižoma grafiškai. Anotuojant didelis dėmesys skiriamas sintaksinių ryšių vaizdavimui. Jie parodomi skirtingų spalvų ir tipų linijomis. Straipsnyje aprašomi neskaidomi žodžių junginiai – tai žodžių grupės, kurios tik kartu gali išplėsti kitą žodį, ir tik visą grupę gali pažymėti ją išplečiantis žodis. Kitų sakinio žodžių ryšys su vienu iš neskaidomo junginio dėmenų neturi prasmės. Struktūroje neskaidomi junginiai sudedami į vieną bloką parodant vidinius sintaksinius ryšius. Straipsnyje pateikiami sintaksiškai anotuotų sakinių pavyzdžiai. Sakinio struktūrai vaizduoti naudojamas grafas, nes medis, kuris sėkmingai taikomas anglų kalbos sakinių struktūrai, negali atspindėti visos sintaksinės informacijos, esančios lietuviškame sakinyje. Tai labai gerai matyti statistiniu metodu anotuotų sakinių pavyzdžiuose, kurie pateikiami šiame straipsnyje. Parodomos dviejų sakinių struktūros, kuriose trūksta labai svarbios informacijos: vienoje neparodytas sintaksinis ryšys tarp veiksnio ir tarinio, kitoje nėra ryšio tarp žodžių, kurie derinami skaičiumi ir gimine. Palyginimui straipsnyje pateikiami šie sakiniai, anotuoti ir VILSINTEKS naudojamu metodu.

Pradėto kurti tekstyno tikslas – sukaupti išsamią ir patikimą informaciją apie lietuvių kalbos gramatiką, atliekant sakinio analizę be klaidų, t. y. kai kompiuterio darbo rezultatus dar peržiūri žmogus. Anotuotas tekstynas bus viešai prieinamas internete. Kaip dabar iš VDU tekstyno galima gauti pateikto žodžio pavartojimo pavyzdžius, taip VILSINTEKS tinklapyje bus galima gauti sintaksinių struktūrų, kurios turi tam tikrų požymių – pavyzdžiui, vientisinių sakinių, kuriuose veiksniu eina įvardis ir pan., – pavyzdžių.

Anotuojant naudojamos Excel lentelės, nes jos leidžia vaizdžiai pateikti sakinio struktūrą ir lengvai pertvarkyti informaciją į XML formatą, kuris plačiai taikomas paieškai. Taigi anotuotą tekstyną bus galima panaudoti statistiniams lietuvių kalbos tyrimams, taip pat informacijai apie lietuvių kalbos gramatiką išgauti ir kt.

Įteikta 2013 m. spalio 28 d.

DAIVA ŠVEIKAUSKIENĖ

Lietuvių kalbos institutas

Petro Vileišio g. 5-216, LT-10308 Vilnius, Lietuva

[email protected]

Straipsniai / Articles

267