Dit artikel presenteert een tweevoudige annotatie die wordt gebruikt voor de hoogwaardige annotatie van het Litouwse corpus. Uitgebreide informatie over een zin wordt in een tabel gegeven en de syntactische structuur van een zin wordt in een afbeelding weergegeven. De ervaring met andere talen wordt benut en er wordt rekening gehouden met specifieke kenmerken van de Litouwse taal. De ontoereikendheid van de boomrepresentatie van de syntactische structuur van Litouwse zinnen wordt aangetoond aan de hand van statistisch geannoteerde voorbeelden. Ook wordt het doel van de samenstelling van het geannoteerde corpus, dat uitputtende informatie bevat, duidelijk benadrukt. De voorbeelden van geannoteerde zinnen worden gegeven en weerspiegelen de specifieke kenmerken van de Litouwse taal.
TREFWOORDEN: syntactisch geannoteerd corpus; grafische weergave van de syntactische structuur; annotatielagen in het Litouwse corpus; ontoereikendheid van de boomrepresentatie voor Litouwse zinnen; doel van het syntactisch geannoteerde corpus.
ANNOTATIE
Het artikel bespreekt annotatie op twee niveaus, die wordt gebruikt om een hoogwaardig geannoteerd corpus van Litouwse teksten samen te stellen. Gedetailleerde informatie over de zin wordt in een tabel weergegeven, terwijl de syntactische structuur van de zin grafisch wordt weergegeven. Er wordt gebruikgemaakt van de ervaring met andere talen, rekening houdend met de specifieke kenmerken van het Litouws. De ontoereikendheid van de boomstructuur voor het weergeven van de syntactische structuur van Litouwse zinnen wordt aangetoond met statistische
252
Acta Linguistica Lithuanica LXXIII
Page 2
High Quality Syntactic Annotated Corpus of Lithuanian – VILSINTEKS
methoden en voorbeelden van geannoteerde zinnen. Het artikel benadrukt ook duidelijk het doel om een geannoteerd corpus samen te stellen waarin gedetailleerde informatie wordt verzameld. Er worden voorbeelden van geannoteerde zinnen gegeven die de specifieke kenmerken van het Litouws weerspiegelen.
KERNWOORDEN: syntactisch geannoteerd corpus, weergave van de zinsstructuur als graaf, annotatieniveaus van het corpus, ontoereikendheid van de boomstructuur voor het weergeven van Litouwse zinnen, doel van de corpusontwikkeling.
1. INLEIDING
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.
Van de twee belangrijkste soorten syntactische structuurrepresentatie, namelijk de constituentengrammatica en de afhankelijkheidsgrammatica, is voor het Litouws de laatste gekozen, omdat “...de afhankelijkheidsgrammatica vooral aantrekkelijk is gebleken voor studenten van talen met een relatief vrije woordvolgorde...” [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. ANNOTATIE VAN HET LITOUWSE CORPUS
De laatste tijd is er veel gezegd en geschreven over de geringe mate van automatisering van de Litouwse taal. Volgens de gegevens van META-NET
Straipsniai / Articles
253
Page 3
DAIVA ŠVEIKAUSKIENĖ
project behoort het Litouws tot de groep van de minst gecomputeriseerde Europese talen [Vaišnienė, Zabarskaitė 2012: 35]. De software die voor andere talen is ontwikkeld, levert geen bevredigende resultaten op wanneer die op het Litouws wordt toegepast. Het is hoog tijd om niet langer te spreken over de geringe automatisering van het Litouws, maar over de kwaliteit ervan. Het is daarom de moeite waard om terug te kijken naar het Litouws en eigen software te ontwikkelen voor de automatisering ervan, zodat hoogwaardige automatisering van het Litouws kan worden gerealiseerd.
De eerste pogingen tot syntactische annotatie van het Litouwse corpus werden in 2013 ondernomen. Het syntactisch geannoteerde corpus VILSINTEKS werd opgericht aan het Instituut voor de Litouwse Taal in Vilnius. We streven ernaar zoveel mogelijk gegevens over een zin te verstrekken, vooral wanneer het gegevens betreft die nodig zijn tijdens het vertaalproces. Het Prague Dependency Treebank bevat uitputtende informatie en hanteert annotatie op drie niveaus [Hajič 2000: 103]. Meer annotatieniveaus in één afbeelding konden niet
FIGURE 1. Voorbeeld van de syntactische structuur van de Litouwse zin Jie gali būti kitokie – They can be different
254
Acta Linguistica Lithuanica LXXIII
Page 4
High Quality Syntactic Annotated Corpus of Lithuanian – VILSINTEKS
worden weergegeven. Daarom besloten we de informatie over Litouwse zinnen in twee delen weer te geven: in een tabel met morfologische, syntactische en semantische informatie, en in een afbeelding waarin de syntactische structuur wordt weergegeven.
Voor Litouwse zinnen wordt een graaf met cycli gebruikt, omdat een boomstructuur niet alle syntactische informatie in de Litouwse zin kan weergeven. Het predicatieve attribuut is afhankelijk van twee zinsdelen: van het onderwerp of het lijdend voorwerp, en van het gezegde. Deze relaties zijn formeel uitgedrukt en kunnen niet worden genegeerd (zie voor meer details Šveikauskienė 2005: 412).
Figure 1 toont de syntactische structuur van een titelzin. Deze bevat een predicatief element dat formeel uitgedrukte relaties heeft met het onderwerp en het gezegde. Beide relaties moeten in de corpusannotatie worden weergegeven.
FIGURE 2. Statistisch geanalyseerde zin 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. Statistisch geanalyseerde zin 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
Page 5
DAIVA ŠVEIKAUSKIENĖ
Het predicatief moet de uitgang hebben die overeenkomt met het onderwerp, en is tegelijkertijd aan het gezegde gekoppeld; dat wil zeggen, het is geen bepaling bij het onderwerp.
De eerste pogingen om het Litouwse corpus syntactisch te annoteren, toonden aan dat de software die voor andere talen was ontwikkeld geen goede resultaten opleverde voor het Litouws. Aan de Kaunas University of Technology werden statistisch ongeveer 1500 zinnen geannoteerd [Kapociūtė, Nivre, Krupavičius 2013: 12]. De gepresenteerde resultaten lieten zien dat de informatie die in de
FIGURE 4. Door VILSINTEKS ontlede zin Kas nerizikuoja, tas negeria šampano, bet graudžiai ir neverkia
256
Acta Linguistica Lithuanica LXXIII
Page 6
High Quality Syntactic Annotated Corpus of Lithuanian – VILSINTEKS
FIGURE 5. Door VILSINTEKS ontlede zin Bet štai pro medį, kuriame sėdėjau, praslinko nedidelis šešėlis
Straipsniai / Articles
257
Page 7
DAIVA ŠVEIKAUSKIENĖ
de zinsstructuur. De twee figuren tonen twee ontlede zinnen, die allebei zeer belangrijke informatie missen. In de eerste zin ontbreekt de pijl tussen het gezegde negeria en het onderwerp tas (Figure 2).
In de tweede zin wordt de overeenkomstrelatie niet weergegeven tussen de twee woorden medį en kuriame, die overeenkomende uitgangen hebben (Figure 3), terwijl de auteurs in hetzelfde artikel schreven: “een bijvoeglijk naamwoord dat een zelfstandig naamwoord bepaalt, moet overeenkomen in GENDER, NUMBER en CASE”.
De woorden medį en kuriame moeten overeenkomen in geslacht en getal, maar deze informatie ontbreekt in de zinsstructuur. Het is moeilijk vol te houden dat de relaties tussen de woorden kuriame sėdėjau – in which I sat en pro medį – through the tree van hetzelfde type zijn.
Deze zinnen, geannoteerd volgens de methode die in VILSINTEKS wordt gebruikt, zijn respectievelijk weergegeven in Figure 4 en Figure 5.
3. ANNOTATIELAGEN IN DE TABEL
De informatie in de tabel bestaat uit drie soorten:
Informatie over de volledige zin,
Informatie over de woorden in de zin,
Niet-grammaticale informatie over de woorden en de zin.
3.1. Informatie over de volledige zin
Informatie over de volledige zin bestaat uit de code ervan, dat wil zeggen de positie in het corpus, het type en de kenmerken. Het kenmerk van de zin is de karakteristiek ervan, waarbij rekening wordt gehouden met de functie in de tekst: het kan bijvoorbeeld een titel, een auteursnaam, een ondertitel of een tekstzin zijn. Het type zin geeft communicatieve informatie aan, dat wil zeggen of de zin mededelend, bevelend, vragend enzovoort is, en structurele informatie: persoonlijk, onpersoonlijk, elliptisch, enkelvoudig, samengesteld enzovoort [Ambrazas 1997: 573].
3.2. Informatie over de woorden in de zin
Elk woord krijgt gegevens over het nummer ervan in de zin, morfologische gegevens (tijd, naamval, geslacht enzovoort), het lemma en gegevens over de lexicale semantiek ervan,
258
Acta Linguistica Lithuanica LXXIII
Page 8
High Quality Syntactic Annotated Corpus of Lithuanian – VILSINTEKS
syntactische functie, directe syntactische relaties met andere woorden in de zin en diepe naamvallen.
Omdat de woordvolgorde in het Litouws doorgaans geen syntactische informatie bevat, zijn kenmerken van de lexicale semantiek zeer belangrijk om de syntactische functie ervan vast te stellen. Een zelfstandig naamwoord in de accusatief met een tijdskenmerk is een bijwoordelijke bepaling en zonder dat kenmerk een object. Als er in de zin twee zelfstandige naamwoorden in de accusatief voorkomen, is het kenmerk van de lexicale semantiek soms het enige criterium waarmee de syntactische functie kan worden bepaald.
3.3. Niet-grammaticale informatie over de woorden en de zin
De stilistische informatie over het woord wordt in de tabel weergegeven. Deze helpt om bij het vertalen van het woord het juiste equivalent in de andere taal te kiezen.
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.
De tabel bevat de ontbrekende woorden in elliptische zinnen en het weggelaten onderwerp, dat wordt uitgedrukt door een persoonlijk voornaamwoord. Dit komt zeer vaak voor in het Litouws. We kunnen het afleiden uit de uitgang van het werkwoord. Ook het koppelwerkwoord van het gezegde in de tegenwoordige tijd wordt meestal weggelaten; daarom bevat de tabel deze ontbrekende woorden.
Acroniemen worden in de tabel voluit weergegeven.
De getallen worden in de tabel aanvullend weergegeven met cijferwoorden en cijferwoorden met cijfers, omdat de lexicale uitdrukking van getallen in verschillende talen kan verschillen.
Straipsniai / Articles
259
Page 9
DAIVA ŠVEIKAUSKIENĖ
4. SOORTEN INFORMATIE IN DE SYNTACTISCHE STRUCTUUR
In de syntactische structuur wordt de zin in de eerste fase verdeeld in een nominale groep, een verbale groep en het zinsafsluitende teken. Het Litouws heeft een vrije woordvolgorde en soms is het zinsafsluitende teken het enige middel om het zinstype te bepalen, dat wil zeggen of het een mededelende of vragende zin is, bijvoorbeeld, Tu šiandien laimėjai prizą. – You have won a prize today. en Tu šiandien laimėjai prizą? – Have you won a prize today?. Figuur 6 toont de syntactische structuur van de vragende zin. De vertaling van de zin wordt gekozen op basis van het zinsafsluitende teken. Verder wordt de zinsstructuur weergegeven met behulp van afhankelijkheidsgrammatica. Het hoofd van de onderwerpsgroep is het onderwerp; daaronder staan de woorden die het uitbreiden. Het hoofd van de gezegdesgroep is het gezegde, met de ondergeschikte woorden eronder.
Twee andere velden die zeer belangrijk zijn voor het annoteren van het Litouwse corpus, zijn het type syntactische relaties tussen de woorden en semantisch onoplosbare woordgroepen.
FIGUUR 6. Syntactische structuur van de vragende zin Tu šiandien laimėjai prizą? – Have you won a prize today?
260
Acta Linguistica Lithuanica LXXIII
Page 10
High Quality Syntactic Annotated Corpus of Lithuanian – VILSINTEKS
4.1. Type van syntactische relatie
De Litouwse taal kent een aanzienlijk aantal verbuigingen. Daarom is het zeer belangrijk informatie over het type syntactische relaties weer te geven, omdat die vaak door woorduitgangen worden uitgedrukt. De Litouwse taal kent drie soorten syntactische relaties: wederzijdse afhankelijkheid tussen onderwerp en gezegde, nevenschikking van twee of meer woorden met een gelijkwaardige syntactische status in de zin, en onderschikking van twee woorden waarbij het ene de uitgang van het andere bepaalt. Onderschikking wordt onderverdeeld in regeren, congruentie en aansluiting [Ambrazas 1997: 478]. Elk type syntactische relatie wordt in de structuur met een andere kleur weergegeven. Wederzijdse afhankelijkheid wordt weergegeven met een lila tweezijdige pijl, omdat beide woorden elkaars vorm bepalen; nevenschikking met een gele lijn zonder richting, omdat de woorden elkaars vorm niet beïnvloeden; regeren met een kleine blauwe stippelpijl in één richting; congruentie met een rode pijl in één richting; en aansluiting met een grote groene stippelpijl in één richting. Voorzetsels, voegwoorden of leestekens worden weergegeven als labels bij de pijlen tussen de woorden. Figuur 7 toont een voorbeeld van een zin met een voegwoord.
FIGURE 7. Syntactische structuur van de zin met een voegwoord Laukais, miškais ir kalvomis ateina saulėtas ruduo. – Door velden, bossen en heuvels komt de zonnige herfst aan.
Straipsniai / Articles
261
Page 11
DAIVA ŠVEIKAUSKIENĖ
4.2. Semantisch onontleedbare woordgroepen
Een semantisch onontleedbare woordgroep is een woordcombinatie waarin het ene woord een ander woord alleen kan uitbreiden wanneer ze samen voorkomen, terwijl het afhankelijke woord uitsluitend de hele groep kan uitbreiden. De relatie van een afzonderlijk woord uit die groep met het uitbreidende woord heeft geen betekenis. Mel’chuk beschrijft een vergelijkbaar geval uit het Russisch [Mel’chuk 2006: 37]. Een onontleedbare woordgroep wordt in één kader geplaatst, waarin de syntactische relaties worden weergegeven. Figuur 8 toont de syntactische structuur van de zin met een onontleedbare woordgroep: Penkis tūkstančius hektarų žemės valdantis ūkininkas pigiai parduoda šviežias daržoves. – Een landbouwer die vijfduizend acres land bezit, verkoopt goedkope verse groenten. Het werkwoord valdyti – ‘to own’ is in het Litouws transitief en vereist de accusatief; daarom staat het woord tūkstančius–‘thousand’ in de accusatief. Telwoorden vereisen in het Litouws de genitief; daarom staat het woord hektarų–‘acres’ in de genitief. Semantisch gezien bezit de landbouwer geen ‘duizend’, hoewel het woord thousand in de naamval staat die wordt bepaald door het deelwoord valdantis–‘owning’. Hij bezit daarentegen acres, dat wil zeggen het woord dat in de genitief staat, de naamval die wordt bepaald door het telwoord thousand. Bijgevolg is de woordgroep tūkstančius hektarų ‘-thousand acres’ semantisch onontleedbaar en staan beide woorden daarom in één kader in de syntactische structuur van de zin. Het woord five is een bepaling bij het woord thousand en staat daarom in hetzelfde kader. De niet-congruerende bepaling žemės – ‘of land’ breidt het hele kader uit, dat wil zeggen de volledige woordgroep die in het kader staat, en kan worden vervangen door andere niet-congruerende bepalingen, bijvoorbeeld: vijfduizend acres bos. De semantisch onontleedbare woordgroep wordt dus als één lexicale eenheid beschouwd.
Woordcombinaties van telwoorden (vijf en duizend) hebben een dubbele syntactische relatie: congruentie en rectie. De naamval van het woord ‘duizend’ (waarvan de uitgang wordt bepaald door de rectie van het werkwoord) bepaalt de uitgang van het woord ‘vijf’ – ze moeten overeenkomende uitgangen hebben (hij bezit vijfduizend hectare – he owns five thousand acres, maar voor vijfduizend hectare gebruikte hij 10 ton mest – he used 10 tons of manure for five thousand acres) en het lexeem ‘vijf’ regeert het woord ‘duizend’, d.w.z. vereist daarvoor een bepaalde uitgang. Bijvoorbeeld, in de woordgroepen hij bezit vijfduizend hectare (jis valdo penkis tūkstančius hektarų) en hij bezit twintigduizend hectare (jis valdo dvidešimt tūkstančių hektarų) heeft het woord duizend in het Litouws verschillende uitgangen. Daarom is het voor ons zeer belangrijk alle soorten syntactische relaties heel precies weer te geven.
262
Acta Linguistica Lithuanica LXXIII
Page 12
High Quality Syntactic Annotated Corpus of Lithuanian – VILSINTEKS
FIGURE 8. Syntactische structuur van de zin met een semantisch onontleedbare woordgroep Penkis tūkstančius hektarų žemės valdantis ūkininkas pigiai parduoda šviežias daržoves (Landbouwer die vijfduizend acres land bezit, verkoopt goedkope verse groenten)
5. DE DOELSTELLINGEN VAN DE ANNOTATIE
De statistische methode voor natuurlijke taalverwerking levert, vooral wanneer deze wordt gebruikt bij machinevertaling, geen bevredigende resultaten op voor het Litouws. Statistische parsing biedt evenmin uitputtende informatie. Bovendien levert software die voor andere talen is ontwikkeld, onvoldoende resultaten op voor het Litouws. V. Daudaravičius heeft lange tijd gewerkt aan de automatische syntactische analyse van het Litouws en schreef het volgende: “Naivu manyti, kad metodai, kurie sėkmingai taikomi anglų kalbai, tinka ir kitoms kalboms. – Het is naïef te denken dat methoden die met succes voor het Engels worden gebruikt, ook geschikt zijn voor andere talen.” [Daudaravičius 2012: 3].
Het doel van VILSINTEKS is betrouwbare, uitgebreide informatie over de grammatica van het Litouws in de praktijk te verzamelen. Met een hoogwaardige automatische syntactische analyse die is ontwikkeld volgens een niet-statistische benadering, niet-statistisch
Straipsniai / Articles
263
Page 13
DAIVA ŠVEIKAUSKIENĖ
op machine learning gebaseerde vertaalsystemen worden mogelijk gemaakt, met name bij het genereren van Litouwse zinnen.
VILSINTEKS streeft ernaar specifieke kenmerken van de Litouwse taal weer te geven. Uitputtende informatie over Litouwse zinnen wordt op een overzichtelijke manier aangeboden voor algemeen gebruik. Het geannoteerde corpus zal vrij toegankelijk zijn op internet. Momenteel kan men voorbeelden van zinnen met een bepaald woord vinden met behulp van het tekstcorpus dat is samengesteld aan de Vytautas Magnus Universiteit. VILSINTEKS zal voorbeelden bieden van de syntactische structuur met bepaalde kenmerken, bijvoorbeeld een eenvoudige zin met een voornaamwoord als onderwerp, en andere. Het gebruik van het Russische corpus wordt op vergelijkbare wijze beschreven: het kan worden gebruikt om voorbeelden te zoeken die het gegeven taalkundige verschijnsel illustreren [НКРЯ –National Corpus of the Russian Language]
De eerste 500–1000 zinnen van de 2 miljoen woorden in het corpus van hedendaags Litouws (journalistiek) worden handmatig geannoteerd. Later zal de annotatie semi-automatisch plaatsvinden. De aldus ontwikkelde automatische syntactische analyse van het Litouws zal worden gebruikt voor annotatie, gevolgd door menselijke controle.
Tijdens het annotatieproces zal de software worden verbeterd met inachtneming van de vastgestelde fouten. De belangrijkste taak is het ontwikkelen van een goed functionerende automatische syntactische analyse van het Litouws, die kan worden gebruikt bij het maken van een op transfer gebaseerde machinevertaling. Bij gebruik van de TRANSFER-methode is de syntactische analyse de tweede stap. Naar verwachting zal de syntactische annotatie van het corpus bijdragen aan de verbetering van de automatische syntactische analyse.
Voor annotatie worden Excel-tabellen gebruikt, omdat deze een overzichtelijke weergave bieden en het eenvoudig is om vanuit Excel-tabellen het XML-formaat te verkrijgen. De informatie van VILSINTEX zal ook vrij toegankelijk zijn in XML-formaat. Zo kan deze onder meer worden gebruikt voor statistisch onderzoek naar het Litouws en voor het opzoeken van informatie over de grammatica van het Litouws.
6. CONCLUSIES
Voor de syntactische structuur van Litouwse zinnen wordt een graaf gebruikt, omdat een boom niet alle syntactische informatie kan weergeven die een Litouwse zin bevat. Twee voorbeelden van statistische annotatie tonen aan dat een boom onvoldoende is om de syntactische structuur van Litouwse zinnen weer te geven.
Voor het Litouwse corpus wordt een tweevoudige annotatie gebruikt: de tabel beschrijft de volledige informatie over de zin en de woorden ervan, en de syntactische structuur van de zin wordt weergegeven in een afbeelding.
264
Acta Linguistica Lithuanica LXXIII
Page 14
High Quality Syntactic Annotated Corpus of Lithuanian – VILSINTEKS
De informatie in de tabel bestaat uit drie soorten: informatie over de hele zin (vragend, elliptisch, onpersoonlijk); informatie over elk woord van de zin (morfologische, syntactische en semantische gegevens); en niet-grammaticale informatie (ontbrekende woorden in elliptische zinnen, het antecedent van een voornaamwoord binnen en buiten de zin, de getaluitdrukking van een telwoord en omgekeerd, en de volledige woordvormen die overeenkomen met acroniemen).
De syntactische structuur van de Litouwse zin wordt in de eerste fase in drie delen opgesplitst: de onderwerp-groep, de gezegde-groep en het leesteken aan het einde van de zin. Dat laatste is erg belangrijk, omdat het in sommige gevallen het enige criterium is waarmee kan worden bepaald om welk type zin het gaat (mededelend of vragend).
Syntactische relaties worden in de syntactische structuur van de zin weergegeven met verschillende kleuren en lijnstijlen, afhankelijk van het type relatie.
Semantisch niet te ontwarren woordgroepen worden in één kader geplaatst, waarbij de syntactische relaties binnen de groep worden weergegeven.
Het doel van VILSINTEKS is om uitputtende en betrouwbare informatie over Litouwse zinnen te verstrekken. Het kan worden gebruikt voor statistisch onderzoek naar de Litouwse taal en voor het opzoeken van informatie over de Litouwse grammatica. Het kan ook van dienst zijn bij het ontwikkelen van een niet-statistisch systeem voor automatische vertaling.
VILSINTEKS beoogt de grammaticale informatie over de Litouwse grammatica in de praktijk te verzamelen.
De eerste zinnen worden handmatig geannoteerd. Later zal de annotatie semi-automatisch verlopen. Voor de annotatie worden Excel-tabellen gebruikt, omdat die een duidelijke weergave bieden voor menselijk gebruik, en het geannoteerde corpus zal vrij toegankelijk zijn op internet. Het is eenvoudig om vanuit Excel-tabellen XML-formaat te verkrijgen. Ook de informatie van VILSINTEKS zal vrij toegankelijk zijn in XML-formaat. Zo kan de informatie van VILSINTEKS worden gebruikt voor statistisch onderzoek naar de Litouwse taal en voor het opzoeken van informatie over de Litouwse grammatica.
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
Page 15
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
Page 16
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
