Denna artikel presenterar en tvådelad annotering som används för högkvalitativ annotering av det litauiska korpus. Omfattande information om en mening ges i en tabell, och meningens syntaktiska struktur presenteras i en bild. Erfarenheter från andra språk används, samtidigt som det litauiska språkets särdrag beaktas. Otillräckligheten hos trädrepresentationen av litauiska meningars syntaktiska struktur visas genom statistiskt annoterade exempel. Målet att skapa ett annoterat korpus med uttömmande information framhävs också tydligt. Exempel på annoterade meningar ges, vilka återspeglar det litauiska språkets särdrag.
NYCKELORD: syntaktiskt annoterat korpus; grafisk representation av den syntaktiska strukturen; annoteringslager i det litauiska korpus; otillräcklighet hos trädrepresentationen för litauiska meningar; målet med det syntaktiskt annoterade korpuset.
ANNOTATION
Artikeln behandlar annotering på två nivåer, som används för att skapa en högkvalitativ annoterad korpus med litauisk text. Detaljerad information om meningen anges i en tabell, medan meningens syntaktiska struktur återges grafiskt. Erfarenheter från andra språk tas till vara med hänsyn till litauiskans specifika särdrag. Att trädet inte räcker till för att återge den syntaktiska strukturen i litauiska meningar visas statistiskt
252
Acta Linguistica Lithuanica LXXIII
Page 2
High Quality Syntactic Annotated Corpus of Lithuanian – VILSINTEKS
med exempel på meningar som annoterats med statistiska metoder. Artikeln betonar också tydligt syftet med att skapa en annoterad korpus där detaljerad information ska samlas. Exempel på annoterade meningar presenteras, vilka återspeglar litauiskans specifika särdrag.
NYCKELORD: syntaktiskt annoterad korpus, grafisk återgivning av meningsstruktur, korpusens annoteringsnivåer, trädets otillräcklighet för att återge litauiska meningar, syftet med att skapa korpusen.
1. INLEDNING
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.
Av de två främsta typerna av representation av syntaktisk struktur, frasstrukturgrammatik och dependensgrammatik, valdes den senare för litauiskan eftersom ”...dependensgrammatik har tilltalat framför allt studenter som studerar språk med relativt fri ordföljd...” [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. ANNOTERING AV DEN LITAUISKA KORPUSEN
På senare tid har mycket sagts och skrivits om den låga graden av datorisering av det litauiska språket. Enligt uppgifterna från META-NET
Straipsniai / Articles
253
Page 3
DAIVA ŠVEIKAUSKIENĖ
projektet hör litauiska till gruppen av de minst datoriserade europeiska språken [Vaišnienė, Zabarskaitė 2012: 35]. Programvara som har skapats för andra språk ger inte tillfredsställande resultat när den tillämpas på litauiska. Det är hög tid att inte längre tala om litauiskans låga datoriseringsgrad, utan om kvaliteten på dess datorisering. Därför är det värt att åter blicka mot litauiskan och försöka skapa egen programvara för datorisering av litauiskan, för att åstadkomma en datorisering av hög kvalitet.
De första försöken med syntaktisk annotering av den litauiska korpusen gjordes 2013. Den syntaktiskt annoterade korpusen VILSINTEKS skapades vid Litauiska språkets institut i Vilnius. Vi strävar efter att tillhandahålla så mycket information som möjligt om en mening, särskilt när det gäller information som behövs under översättningsprocessen. Uttömmande information ges i Prags dependenskorpus, som har en annotering i tre nivåer [Hajič 2000: 103]. Fler annoteringsnivåer i en och samma bild kunde inte
FIGUR 1. Exempel på den syntaktiska strukturen hos en litauisk mening Jie gali būti kitokie – They can be different
254
Acta Linguistica Lithuanica LXXIII
Page 4
High Quality Syntactic Annotated Corpus of Lithuanian – VILSINTEKS
uppnås, så vi beslutade att dela upp informationsrepresentationen i två delar när det gäller litauiska meningar: en tabell som innehåller morfologisk, syntaktisk och semantisk information, medan den syntaktiska strukturen bör presenteras i en bild.
För litauiska meningar används en graf med cykler, eftersom ett träd inte kan återge all syntaktisk information som den litauiska meningen innehåller. Det predikativa attributet är beroende av två satsdelar: subjektet eller objektet, och predikatet. Dessa relationer uttrycks formellt och kan inte ignoreras (för mer information, se Šveikauskienė 2005: 412).
Figur 1 visar den syntaktiska strukturen hos en titelmening. Den innehåller ett predikativ, som har formellt uttryckta relationer till subjektet och predikatet, och båda relationerna måste återges genom korpusannotering.
FIGUR 2. Statistiskt parsad mening 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]
FIGUR 3. Statistiskt parsad mening 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
Predikativet måste ha en ändelse som överensstämmer med subjektet och samtidigt vara adderat till predikatet; det vill säga, det är inte ett attribut till subjektet.
De första försöken att syntaktiskt annotera den litauiska korpusen visade att programvaran som skapats för andra språk inte gav goda resultat för det litauiska språket. Omkring 1500 meningar annoterades statistiskt vid Kaunas tekniska universitet [Kapociūtė, Nivre, Krupavičius 2013: 12]. De presenterade resultaten visade att den information som doldes i
FIGUR 4. VILSINTEKS analyserad mening Kas nerizikuoja, tas negeria šampano, bet graudžiai ir neverkia
256
Acta Linguistica Lithuanica LXXIII
Page 6
High Quality Syntactic Annotated Corpus of Lithuanian – VILSINTEKS
FIGUR 5. VILSINTEKS analyserad mening Bet štai pro medį, kuriame sėdėjau, praslinko nedidelis šešėlis
Straipsniai / Articles
257
Page 7
DAIVA ŠVEIKAUSKIENĖ
meningarnas struktur. De två figurerna illustrerar två analyserade meningar, som båda saknar mycket viktig information. I den första meningen saknas pilen mellan predikatet negeria och subjektet tas (figur 2).
I den andra meningen visas inte kongruensrelationen mellan de två orden medį och kuriame, som har kongruerande ändelser (figur 3), trots att författarna i samma artikel skrev: ”ett adjektiv som bestämmer ett substantiv måste kongruera i GENUS, NUMERUS och KASUS”.
Orden medį och kuriame måste kongruera i genus och numerus, och denna information saknas i meningens struktur. Det är svårt att hålla med om att relationerna mellan orden kuriame sėdėjau – in which I sat och pro medį – through the tree är av samma typ.
Dessa meningar, annoterade enligt den metod som används i VILSINTEKS, visas i figur 4 respektive figur 5.
3. ANNOTERINGSLAGER I TABELLEN
Informationen i tabellen består av tre typer:
Information om hela meningen,
Information om orden i meningen,
Icke-grammatikalisk information om orden och meningen.
3.1. Information om hela meningen
Informationen om hela meningen består av dess kod, det vill säga dess position i korpusen, dess typ och dess egenskaper. Meningskarakteristiken tar hänsyn till dess funktion i texten, det vill säga om den är en titel, en författare, en undertitel eller en textmening. Menings typen anger kommunikativ information, det vill säga om meningen är deklarativ, imperativ, interrogativ etc., och strukturell information: personlig, opersonlig, elliptisk, enkel, sammansatt mening etc. [Ambrazas 1997: 573].
3.2. Information om orden i meningen
Varje ord förses med uppgifter om dess nummer i meningen, morfologiska uppgifter (tempus, kasus, genus etc.), lemma och uppgifter om dess lexikala semantik,
258
Acta Linguistica Lithuanica LXXIII
Page 8
High Quality Syntactic Annotated Corpus of Lithuanian – VILSINTEKS
syntaktisk funktion, direkta syntaktiska relationer till andra ord i meningen och djupa kasus.
Eftersom ordföljden i litauiskan vanligtvis inte förmedlar någon syntaktisk information är de lexikalisk-semantiska egenskaperna mycket viktiga för att identifiera ordets syntaktiska funktion. Ett substantiv i ackusativ med tidsbetydelse fungerar som ett adverbial, och utan denna betydelse som ett objekt. Om två substantiv i ackusativ förekommer i meningen är de lexikalisk-semantiska egenskaperna ibland det enda kriteriet som gör det möjligt att avgöra deras syntaktiska funktion.
3.3. Icke-grammatisk information om orden och meningen
Den stilistiska informationen om ordet anges i tabellen. Den hjälper till att välja rätt motsvarighet på det andra språket när ordet översätts.
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.
Tabellen innehåller de saknade orden i elliptiska meningar och det utelämnade subjektet, som uttrycks med ett personligt pronomen. Detta är mycket vanligt i litauiskan. Vi kan gissa oss till det utifrån verbets ändelse. Predikatets kopula i presens utelämnas också vanligtvis, och därför innehåller tabellen dessa saknade ord.
Förkortningar återges i tabellen i sin utskrivna form.
I tabellen återges siffror dessutom med utskrivna talord och talord med siffror, eftersom den lexikala formen för tal kan skilja sig åt mellan olika språk.
Straipsniai / Articles
259
Page 9
DAIVA ŠVEIKAUSKIENĖ
4. TYPER AV INFORMATION I DEN SYNTAKTISKA STRUKTUREN
I den syntaktiska strukturen delas meningen i det första steget upp i en nominalfras, en verbfras och ett meningsslutstecken. Litauiskan har fri ordföljd, och ibland är meningsslutstecknet det enda sättet att avgöra vilken typ av mening det är, det vill säga om den är deklarativ eller interrogativ, till exempel, Tu šiandien laimėjai prizą. – You have won a prize today. och Tu šiandien laimėjai prizą? – Have you won a prize today?. Figur 6 visar den syntaktiska strukturen hos den interrogativa meningen. Meningen översätts utifrån meningsslutstecknet. Dessutom återges meningsstrukturen med hjälp av beroendegrammatik. Subjektfrasens huvud är subjektet, och orden som utvidgar det visas nedanför; predikatfrasens huvud är predikatet, med de underordnade orden placerade nedanför.
Två andra fält, som är mycket viktiga för annoteringen av den litauiska korpusen, är typen av syntaktiska relationer mellan orden och semantiskt olösliga ordgrupper.
FIGUR 6. Syntaktisk struktur hos den interrogativa meningen 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. Typ av syntaktisk relation
Det litauiska språket har ett betydande antal böjningsformer. Därför är det mycket viktigt att representera informationen om typen av syntaktiska relationer, eftersom de ofta uttrycks genom ordändelser. Litauiskan har tre typer av syntaktiska relationer: ömsesidigt beroende mellan subjekt och predikat, samordning mellan två eller flera ord med likvärdig syntaktisk status i satsen samt underordning mellan två ord, där det ena bestämmer det andras ändelse. Underordning delas in i rektion, kongruens och adjunktion [Ambrazas 1997: 478]. Varje typ av syntaktisk relation avbildas i strukturen med en egen färg. Ömsesidigt beroende representeras av en lila dubbelriktad pil, eftersom båda orden bestämmer varandras form; samordning av en gul linje utan riktning, eftersom orden inte påverkar varandras form; rektion av en liten blå, enkelriktad, prickad pil; kongruens av en röd enkelriktad pil; och adjunktion av en stor grön, enkelriktad, prickad pil. Prepositioner, konjunktioner eller skiljetecken representeras som etiketter på pilarna mellan orden. Figur 7 visar ett exempel på en sats med konjunktion.
FIGURE 7. Satsens syntaktiska struktur med konjunktion Laukais, miškais ir kalvomis ateina saulėtas ruduo. – Genom fält, skogar och kullar kommer den soliga hösten.
Straipsniai / Articles
261
Page 11
DAIVA ŠVEIKAUSKIENĖ
4.2. Semantiskt olösliga ordgrupper
En semantiskt olöslig ordgrupp är en ordkombination där ett ord kan utvidga ett annat ord endast när de står tillsammans, och där det beroende ordet endast kan utvidga hela gruppen. Relationen mellan ett ord i gruppen och det ord som utvidgar det saknar betydelse. Mel’chuk beskriver ett liknande fall som observerats i ryska [Mel’chuk 2006: 37]. En olöslig ordgrupp placeras i en och samma ruta, med de syntaktiska relationerna inom gruppen markerade. Figur 8 visar den syntaktiska strukturen hos en sats med en olöslig ordgrupp: Penkis tūkstančius hektarų žemės valdantis ūkininkas pigiai parduoda šviežias daržoves. – En jordbrukare som äger fem tusen tunnland mark säljer billiga färska grönsaker. Verbet valdyti – ‘to own’ är transitivt på litauiska och kräver ackusativ, varför ordet tūkstančius–‘thousand’ står i ackusativ. Räkneord kräver genitiv på litauiska, och därför står ordet hektarų–‘acres’ i genitiv. Jordbrukaren äger semantiskt sett inte ”tusen”, även om ordet thousand står i det kasus som styrs av participet valdantis–‘owning’. Han äger i stället tunnland, det vill säga ordet som står i genitiv, alltså i det kasus som styrs av räkneordet thousand. Följaktligen är ordgruppen tūkstančius hektarų ‘-thousand acres’ semantiskt olöslig, och därför placeras båda orden i samma ruta i satsens syntaktiska struktur. Ordet five är attribut till ordet thousand och placeras därför i samma ruta. Det icke-kongruerande attributet žemės – ‘of land’ utvidgar hela rutan, det vill säga hela ordgruppen som står i rutan, och kan ersättas med andra icke-kongruerande attribut, till exempel: five thousand acres of forest. Den semantiskt olösliga ordgruppen betraktas alltså som en lexikal enhet.
Ordgrupper som består av räkneord (five and thousand) har dubbla syntaktiska relationer: kongruens och rektion. Kasuset hos ordet ’thousand’ (vars ändelse bestäms av verbets rektion) bestämmer ändelsen hos ordet ’five’ – de måste ha kongruerande ändelser (jis valdo penkis tūkstančius hektarų – he owns five thousand acres, men penkiems tūkstančiams hektarų jis sunaudojo 10 tonų trąšų – he used 10 tons of manure for five thousand acres), och lexemet ’five’ styr ordet ’thousand’, det vill säga kräver en viss ändelse av det. Till exempel har ordet thousand olika ändelser på litauiska i ordgrupperna he owns five thousand acres (jis valdo penkis tūkstančius hektarų) och he owns twenty thousand acres (jis valdo dvidešimt tūkstančių hektarų). Därför är det mycket viktigt att återge alla typer av syntaktiska relationer mycket exakt.
262
Acta Linguistica Lithuanica LXXIII
Page 12
High Quality Syntactic Annotated Corpus of Lithuanian – VILSINTEKS
FIGURE 8. Satsens syntaktiska struktur med en semantiskt olöslig ordgrupp Penkis tūkstančius hektarų žemės valdantis ūkininkas pigiai parduoda šviežias daržoves (En jordbrukare som äger fem tusen tunnland mark säljer billiga färska grönsaker)
5. ANNOTERINGENS SYFTEN
Den statistiska metoden för naturlig språkbehandling, särskilt när den används vid maskinöversättning, ger inte tillfredsställande resultat för litauiska. Statistisk parsning ger inte heller uttömmande information. Dessutom ger programvara som utvecklats för andra språk inte tillräckliga resultat för litauiska. V. Daudaravičius arbetade länge med automatisk syntaktisk analys av litauiska och skrev följande: “Naivu manyti, kad metodai, kurie sėkmingai taikomi anglų kalbai, tinka ir kitoms kalboms. – Det är naivt att tro att metoder som framgångsrikt används för engelska också lämpar sig för andra språk.” [Daudaravičius 2012: 3].
Målet med VILSINTEKS är att samla in tillförlitlig och heltäckande information om litauisk grammatik i praktiken. Med högkvalitativ automatisk syntaktisk analys som skapats genom en icke-statistisk metod, icke-statistiskt
Straipsniai / Articles
263
Page 13
DAIVA ŠVEIKAUSKIENĖ
maskinöversättningssystem möjliggörs, särskilt vid generering av litauiska meningar.
VILSINTEKS syftar till att återspegla litauiskans specifika egenskaper. Uttömmande information om litauiska meningar kommer att tillhandahållas i en tydlig form för allmän användning. Den annoterade korpusen kommer att vara fritt tillgänglig på Internet. För närvarande kan man få exempel på meningar som innehåller ett visst ord genom att använda textkorpusen som skapats vid Vytautas Magnus University. VILSINTEKS kommer att tillhandahålla exempel på syntaktisk struktur med angivna egenskaper, till exempel en enkel mening där ett pronomen fungerar som subjekt, och andra exempel. Användningen av den ryska korpusen beskrivs på liknande sätt: den kan användas för att söka efter exempel som illustrerar ett visst språkligt fenomen [НКРЯ –National Corpus of the Russian Language]
De första 500–1000 meningarna av de 2 miljoner orden i korpusen över samtida litauiska (journalistiska texter) kommer att annoteras manuellt. Senare kommer annoteringen att vara halvautomatisk. Den automatiska syntaktiska analysen av litauiskan som skapas på detta sätt kommer att användas för annoteringen, följd av mänsklig granskning.
Under annoteringsprocessen kommer programvaran att förbättras med hänsyn till de identifierade felen. Den viktigaste uppgiften är att ta fram en välfungerande automatisk syntaktisk analys av litauiskan, som kan användas vid skapandet av ett maskinöversättningssystem med transfermetoden. Med TRANSFER-metoden är det andra steget den syntaktiska analysen. Man kan förvänta sig att korpusens syntaktiska annotering bidrar till att förbättra den automatiska syntaktiska analysen.
Excel-tabeller används för annoteringen eftersom de ger en tydlig presentation och det är enkelt att få XML-format från Excel-tabeller. VILSINTEX-informationen kommer också att vara fritt tillgänglig i XML-format. Därmed kan den bland annat användas för statistisk forskning om litauiska och för informationssökning om litauisk grammatik.
6. SLUTSATSER
Grafen används för att representera den syntaktiska strukturen hos litauiska meningar eftersom ett träd inte kan återspegla all syntaktisk information som en litauisk mening innehåller. Två exempel på statistisk annotering visar att trädet inte räcker för att representera den syntaktiska strukturen hos litauiska meningar.
För den litauiska korpusen används en tvådelad annotering: tabellen beskriver uttömmande information om meningen och dess ord, och meningens syntaktiska struktur återges i en bild.
264
Acta Linguistica Lithuanica LXXIII
Page 14
High Quality Syntactic Annotated Corpus of Lithuanian – VILSINTEKS
I tabellen återges tre typer av information: information om hela meningen (frågande, elliptisk, opersonlig); information om varje ord i meningen (morfologiska, syntaktiska och semantiska data); samt icke-grammatisk information (utelämnade ord i elliptiska meningar, pronomenets antecedent inom och utanför meningen, numeriska uttryck för räkneord och vice versa, fullständiga ordmotsvarigheter till akronymer).
Den syntaktiska strukturen hos den litauiska meningen delas i det första steget in i tre delar: subjektgruppen, predikatgruppen och meningssluttecknet. Det sistnämnda är mycket viktigt eftersom det i vissa fall är det enda kriteriet som gör det möjligt att avgöra vilken typ av mening det är (deklarativ eller interrogativ).
Syntaktiska relationer återges i meningens syntaktiska struktur med olika färger och linjestilar beroende på relationstyp.
Semantiskt olösliga ordgrupper placeras i en och samma ruta, där de syntaktiska relationerna inom gruppen återges.
Målet med VILSINTEKS är att tillhandahålla uttömmande och tillförlitlig information om litauiska meningar. Det kan användas för statistisk forskning om det litauiska språket och för informationssökning rörande litauisk grammatik. Det kan också vara till nytta vid skapandet av ett icke-statistiskt maskinöversättningssystem.
VILSINTEKS syftar till att i praktiken samla in grammatisk information om litauisk grammatik.
De första meningarna annoteras manuellt. Senare kommer annoteringen att vara halvautomatisk. Excel-tabeller används för annoteringen eftersom de ger en tydlig presentation för mänskligt bruk, och den annoterade korpusen kommer att vara fritt tillgänglig på Internet. Det är lätt att få fram XML-formatet från Excel-tabeller. Informationen i VILSINTEKS kommer också att vara fritt tillgänglig i XML-format. Därmed kan informationen i VILSINTEKS användas för statistisk forskning om det litauiska språket och för informationssökning om litauisk grammatik.
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
