DAIVA ŠVEIKAUSKIENĖ

Інститут литовської мови

Галузі досліджень: комп’ютерна лінгвістика, створення синтаксично анотованих корпусів, рівні анотування.

ВИСОКОЯКІСНИЙ СИНТАКСИЧНО АНОТОВАНИЙ КОРПУС ЛИТОВСЬКОЇ МОВИ — VILSINTEKS

Високоякісний синтаксично анотований корпус литовської мови VILSINTEKS

АНОТУВАННЯ

У цій статті представлено подвійне анотування, яке використовується для високоякісного анотування корпусу литовської мови. Вичерпну інформацію про речення наведено в таблиці, а синтаксичну структуру речення подано на рисунку. Використано досвід роботи з іншими мовами та враховано специфічні особливості литовської мови. Недостатність деревоподібного представлення синтаксичної структури литовських речень продемонстровано на статистично анотованих прикладах. Також чітко підкреслено мету створення анотованого корпусу, що містить вичерпну інформацію. Наведено приклади анотованих речень, які відображають специфічні особливості литовської мови.

КЛЮЧОВІ СЛОВА: синтаксично анотований корпус; графове представлення синтаксичної структури; рівні анотування в корпусі литовської мови; недостатність деревоподібного представлення литовських речень; мета синтаксично анотованого корпусу.

АНОТАЦІЯ

У статті розглядається анотування на двох рівнях, яке застосовується для створення високоякісного анотованого корпусу текстів литовської мови. Детальна інформація про речення подається в таблиці, а синтаксична структура речення зображується графічно. Використовується досвід роботи з іншими мовами з урахуванням специфічних рис литовської мови. Недостатність дерева для відображення синтаксичної структури литовських речень показано статистичним

252

Acta Linguistica Lithuanica ^LXXIII

High Quality Syntactic Annotated Corpus of Lithuanian – VILSINTEKS

методом на прикладах анотованих речень. У статті також чітко наголошується на меті створення анотованого корпусу, у якому буде зібрано вичерпну інформацію. Наведено приклади анотованих речень, що відображають специфічні риси литовської мови.

КЛЮЧОВІ СЛОВА: синтаксично анотований корпус, представлення структури речення графом, рівні анотування корпусу, недостатність дерева для відображення литовських речень, мета створення корпусу.

1. ВСТУП

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.

З двох провідних типів представлення синтаксичної структури — граматики фразової структури та граматики залежностей — для литовської мови було обрано останню, оскільки «…граматика залежностей найбільше приваблювала тих, хто вивчає мови з відносно вільним порядком слів…» [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. АНОТУВАННЯ ЛИТОВСЬКОГО КОРПУСУ

Останнім часом багато говорили й писали про низький рівень комп’ютеризації литовської мови. Згідно з даними META-NET

Straipsniai / Articles

253

DAIVA ŠVEIKAUSKIENĖ

проєкту, литовська мова належить до групи найменш комп’ютеризованих європейських мов [Vaišnienė, Zabarskaitė 2012: 35]. Програмне забезпечення, створене для інших мов, не дає задовільних результатів під час його застосування до литовської мови. Настав час говорити не про низький рівень комп’ютеризації литовської мови, а про її якість. Отже, варто озирнутися на литовську мову й спробувати створити власне програмне забезпечення для її комп’ютеризації, щоб забезпечити її високоякісну комп’ютеризацію.

Перші спроби синтаксичного анотування литовського корпусу було здійснено 2013 року. Синтаксично анотований корпус VILSINTEKS створено в Інституті литовської мови у Вільнюсі. Ми прагнемо надати якомога більше даних про речення, особливо якщо це дані, необхідні під час перекладу. Вичерпну інформацію подано в Празькому корпусі залежностей, який має три рівні анотування [Hajič 2000: 103]. Більше рівнів анотування на одному зображенні неможливо було б

РИСУНОК 1. Приклад синтаксичної структури литовського речення Jie gali būti kitokie – They can be different

254

Acta Linguistica Lithuanica LXXIII

High Quality Syntactic Annotated Corpus of Lithuanian – VILSINTEKS

досягти, тому ми вирішили розділити подання інформації на дві частини для литовських речень: таблицю, що містить морфологічну, синтаксичну й семантичну інформацію, та зображення, на якому має бути представлено синтаксичну структуру.

Для литовських речень використовують граф із циклами, оскільки дерево не здатне відобразити всю синтаксичну інформацію, яку містить литовське речення. Предикативний атрибут залежить від двох частин речення: підмета або додатка та присудка. Ці зв’язки формально виражені, тож їх не можна ігнорувати (докладніше див. Šveikauskienė 2005: 412).

На рисунку 1 показано синтаксичну структуру заголовкового речення. Воно містить предикатив, який має формально виражені зв’язки з підметом і присудком, і обидва зв’язки необхідно відобразити під час анотування корпусу.

РИСУНОК 2. Речення, розібране статистичними методами 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]

РИСУНОК 3. Речення, розібране статистичними методами 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

Предикатив повинен мати закінчення, узгоджене з підметом, і водночас приєднуватися до присудка; тобто він не є означенням підмета.

Перші спроби синтаксично анотувати литовський корпус показали, що програмне забезпечення, створене для інших мов, не давало належних результатів для литовської мови. Близько 1500 речень було статистично анотовано в Каунаському технологічному університеті [Kapociūtė, Nivre, Krupavičius 2013: 12]. Представлені результати засвідчили недостатність інформації, прихованої в

РИСУНОК 4. Розібране речення VILSINTEKS Kas nerizikuoja, tas negeria šampano, bet graudžiai ir neverkia

256

Acta Linguistica Lithuanica LXXIII

High Quality Syntactic Annotated Corpus of Lithuanian – VILSINTEKS

РИСУНОК 5. Розібране речення VILSINTEKS Bet štai pro medį, kuriame sėdėjau, praslinko nedidelis šešėlis

Straipsniai / Articles

257

DAIVA ŠVEIKAUSKIENĖ

структурі речень. На двох рисунках наведено два розібрані речення, яким бракує дуже важливої інформації. У першому реченні немає стрілки між присудком negeria і підметом tas (рисунок 2).

У другому реченні не показано відношення узгодження між двома словами medį і kuriame, які мають узгоджені закінчення (рисунок 3), хоча автори в тій самій статті написали: «прикметник, що означає іменник, має узгоджуватися за РОДОМ, ЧИСЛОМ і ВІДМІНКОМ».

Слова medį і kuriame мають узгоджуватися за родом і числом, однак цієї інформації в структурі речення немає. Важко погодитися з тим, що відношення між словами kuriame sėdėjau – in which I sat і pro medį – through the tree є однотипними.

Ці речення, анотовані за методом, застосованим у VILSINTEKS, відповідно наведено на рисунках 4 і 5.

3. ШАРИ АНОТУВАННЯ В ТАБЛИЦІ

Інформація в таблиці належить до трьох типів:

Інформація про все речення,

Інформація про слова в реченні,

Неграматична інформація про слова та речення.

3.1. Інформація про все речення

Інформація про все речення складається з його коду, тобто позиції в корпусі, його типу та характеристик. Характеристика речення визначає його особливість з урахуванням функції в тексті, тобто те, чи є воно заголовком, ім’ям автора, підзаголовком або реченням тексту. Тип речення вказує на комунікативну інформацію, тобто чи є воно розповідним, спонукальним, питальним тощо, а також на структурну інформацію: особове, безособове, еліптичне, просте, складне речення тощо. [Ambrazas 1997: 573].

3.2. Інформація про слова в реченні

Для кожного слова наводяться дані про його номер у реченні, морфологічні дані (час, відмінок, рід тощо), лема, дані про його лексичну семантику,

258

Acta Linguistica Lithuanica LXXIII

High Quality Syntactic Annotated Corpus of Lithuanian – VILSINTEKS

синтаксична функція, безпосередні синтаксичні зв’язки з іншими словами в реченні та глибинні відмінки.

Оскільки порядок слів у литовській мові зазвичай не несе синтаксичної інформації, особливості лексичної семантики дуже важливі для визначення синтаксичної функції слова. Іменник у знахідному відмінку зі значенням часу є обставиною, а без нього — додатком. Якщо в реченні є два іменники у знахідному відмінку, особливості лексичної семантики іноді є єдиним критерієм, який дає змогу визначити синтаксичну функцію.

3.3. Неграматична інформація про слова та речення

У таблиці наведено стилістичну інформацію про слово. Вона допомагає вибрати правильний відповідник іншою мовою під час перекладу слова.

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.

У таблиці наведено пропущені слова в еліптичних реченнях і пропущений підмет, виражений особовим займенником. У литовській мові таке трапляється дуже часто. Його можна визначити за закінченням дієслова. Зв’язку присудка в теперішньому часі також зазвичай опускають, тому в таблиці наведено ці пропущені слова.

У таблиці абревіатури подано повністю.

Числа в таблиці додатково подано цифрами, а числівники — числами, оскільки лексичне вираження чисел у різних мовах може відрізнятися.

Straipsniai / Articles

259

DAIVA ŠVEIKAUSKIENĖ

4. ТИПИ ІНФОРМАЦІЇ У СИНТАКСИЧНІЙ СТРУКТУРІ

На першому етапі синтаксичну структуру речення поділяють на іменну групу, дієслівну групу та кінцевий знак речення. У литовській мові порядок слів вільний, і іноді кінцевий знак речення є єдиним засобом визначити тип речення, тобто з’ясувати, чи є воно розповідним або питальним, наприклад, Tu šiandien laimėjai prizą. – You have won a prize today. та Tu šiandien laimėjai prizą? – Have you won a prize today?. На рисунку 6 показано синтаксичну структуру питального речення. Переклад речення обирають відповідно до його кінцевого знака. Крім того, структуру речення представлено за допомогою граматики залежностей. Вершиною групи підмета є підмет, а нижче зображено слова, які його поширюють; вершиною групи присудка є присудок, а підпорядковані йому слова розташовано нижче.

Ще два поля, дуже важливі для анотування литовського корпусу, — це тип синтаксичних відношень між словами та семантично нерозв’язні групи слів.

РИСУНОК 6. Синтаксична структура питального речення 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. Тип синтаксичного зв’язку

Литовська мова має значну кількість флексій. Тому дуже важливо відображати інформацію про тип синтаксичних зв’язків, адже вони часто виражаються закінченнями слів. У литовській мові є три типи синтаксичних зв’язків: взаємозалежність між підметом і присудком, сурядний зв’язок між двома або більше словами з однаковим синтаксичним статусом у реченні та підрядний зв’язок між двома словами, одне з яких визначає закінчення іншого. Підрядний зв’язок поділяється на керування, узгодження та прилягання [Ambrazas 1997: 478]. Кожен тип синтаксичного зв’язку на схемі позначено іншим кольором. Взаємозалежність позначено бузковою двонапрямленою стрілкою, оскільки обидва слова визначають форму одне одного; сурядний зв’язок — жовтою лінією без напрямку, оскільки слова не впливають на форму одне одного; керування — синьою односпрямованою дрібнопунктирною стрілкою; узгодження — червоною односпрямованою стрілкою; а прилягання — зеленою односпрямованою великопунктирною стрілкою. Прийменники, сполучники або розділові знаки позначено як підписи стрілок між словами. На рисунку 7 наведено приклад речення зі сполучником.

РИСУНОК 7. Синтаксична структура речення зі сполучником Laukais, miškais ir kalvomis ateina saulėtas ruduo. – Крізь поля, ліси й пагорби приходить сонячна осінь.

Straipsniai / Articles

261

DAIVA ŠVEIKAUSKIENĖ

4.2. Семантично нерозкладні словосполучення

Семантично нерозкладне словосполучення — це поєднання слів, у якому одне слово може поширювати інше лише тоді, коли вони стоять разом, а залежне слово може поширювати лише всю групу. Зв’язок одного слова з цієї групи зі словом, яке його поширює, не має самостійного значення. Мельчук описує подібний випадок, зафіксований у російській мові [Mel’chuk 2006: 37]. Нерозкладне словосполучення поміщають в одну рамку, позначаючи всередині синтаксичні зв’язки. На рисунку 8 показано синтаксичну структуру речення з нерозкладним словосполученням: Penkis tūkstančius hektarų žemės valdantis ūkininkas pigiai parduoda šviežias daržoves. – Фермер, який володіє п’ятьма тисячами акрів землі, дешево продає свіжі овочі. Дієслово valdyti – ‘володіти’ у литовській мові є перехідним і вимагає знахідного відмінка, тому слово tūkstančius–‘тисячу’ стоїть у знахідному відмінку. Числівники в литовській мові вимагають родового відмінка, тому слово hektarų–‘акрів’ стоїть у родовому відмінку. Фермер семантично володіє не «тисячею», хоча слово тисяча стоїть у відмінку, якого вимагає дієприкметник valdantis–‘той, що володіє’. Насправді він володіє акрами, тобто словом у родовому відмінку, який вимагає числівник тисяча. Отже, словосполучення tūkstančius hektarų ‘тисячу акрів’ є семантично нерозкладним, тому обидва слова розміщено в одній рамці на синтаксичній схемі речення. Слово п’ять є означенням до слова тисяча, тому його розміщено в тій самій рамці. Неузгоджене означення žemės – ‘землі’ поширює всю рамку, тобто все словосполучення, розміщене в ній, і може бути замінене іншими неузгодженими означеннями, наприклад: п’ять тисяч акрів лісу. Отже, семантично нерозкладне словосполучення вважається однією лексичною одиницею.

Сполучення числівників (п’ять і тисяча) мають подвійні синтаксичні зв’язки: узгодження та керування. Відмінок слова «тисяча» (закінчення якого визначається керуванням дієслова) визначає закінчення слова «п’ять» — вони мають узгоджуватися за закінченнями (jis valdo penkis tūkstančius hektarų – він володіє п’ятьма тисячами акрів, але penkiems tūkstančiams hektarų jis sunaudojo 10 tonų trąšų – він використав 10 тонн добрив на п’ять тисяч акрів), а лексема «п’ять» керує словом «тисяча», тобто вимагає для нього певного закінчення. Наприклад, у словосполученнях він володіє п’ятьма тисячами акрів (jis valdo penkis tūkstančius hektarų) і він володіє двадцятьма тисячами акрів (jis valdo dvidešimt tūkstančių hektarų) слово «тисяча» в литовській мові має різні закінчення. Саме тому для нас дуже важливо точно відображати всі типи синтаксичних зв’язків.

262

Acta Linguistica Lithuanica LXXIII

High Quality Syntactic Annotated Corpus of Lithuanian – VILSINTEKS

РИСУНОК 8. Синтаксична структура речення із семантично нерозкладним словосполученням Penkis tūkstančius hektarų žemės valdantis ūkininkas pigiai parduoda šviežias daržoves (Фермер, який володіє п’ятьма тисячами акрів землі, дешево продає свіжі овочі)

5. МЕТА АНОТУВАННЯ

Статистичний метод обробки природної мови, особливо у машинному перекладі, не дає задовільних результатів для литовської мови. Статистичний синтаксичний аналіз також не забезпечує вичерпної інформації. Крім того, програмне забезпечення, створене для інших мов, не дає достатніх результатів для литовської мови. В. Даударавічюс тривалий час працював над автоматичним синтаксичним аналізом литовської мови й писав: «Naivu manyti, kad metodai, kurie sėkmingai taikomi anglų kalbai, tinka ir kitoms kalboms. – Наївно думати, що методи, які успішно застосовують для англійської мови, підходять і для інших мов». [Daudaravičius 2012: 3].

Мета VILSINTEKS — зібрати надійну й вичерпну інформацію про граматику литовської мови на практиці. Завдяки високоякісному автоматичному синтаксичному аналізу, створеному за нестатистичним підходом, нестатистично

Straipsniai / Articles

263

DAIVA ŠVEIKAUSKIENĖ

системи машинного перекладу на основі правил, особливо під час генерування литовських речень.

VILSINTEKS прагне відобразити специфічні особливості литовської мови. Вичерпну інформацію про литовські речення буде подано в наочному вигляді для загального використання. Анотований корпус буде вільно доступний в Інтернеті. Наразі приклади речень із заданим словом можна отримати за допомогою текстового корпусу, створеного в Університеті Вітовта Великого. VILSINTEKS надаватиме приклади синтаксичної структури із заданими ознаками, наприклад просте речення, у якому займенник є підметом, тощо. Застосування корпусу російської мови описано подібним чином: його можна використовувати в режимі пошуку прикладів, що ілюструють задане мовне явище [НКРЯ –Національний корпус російської мови]

Перші 500–1000 речень із корпусу сучасної литовської мови (публіцистичні тексти), що містить 2 мільйони слів, буде анотовано вручну. Згодом анотування буде напівавтоматичним. Створений таким чином автоматичний синтаксичний аналіз литовської мови використовуватиметься для анотування з подальшою перевіркою людиною.

У процесі анотування програмне забезпечення вдосконалюватиметься з урахуванням виявлених помилок. Найважливіше завдання — підготувати належно функціональний автоматичний синтаксичний аналіз литовської мови, який можна буде використовувати під час створення системи машинного перекладу методом перенесення. У методі TRANSFER другим етапом є синтаксичний аналіз. Можна очікувати, що синтаксичне анотування корпусу сприятиме вдосконаленню автоматичного синтаксичного аналізу.

Для анотування використовуються таблиці Excel, оскільки вони забезпечують наочне подання, а отримати формат XML із таблиць Excel легко. Інформація VILSINTEX також буде вільно доступна у форматі XML. Отже, її можна використовувати, зокрема, для статистичних досліджень литовської мови та пошуку інформації про граматику литовської мови.

6. ВИСНОВКИ

Для подання синтаксичної структури литовських речень використовується граф, оскільки дерево не може відобразити всю синтаксичну інформацію, яку містить литовське речення. Два приклади статистичного анотування демонструють недостатність дерева для подання синтаксичної структури литовських речень.

Для литовського корпусу застосовується подвійне анотування: у таблиці подано вичерпну інформацію про речення та його слова, а синтаксичну структуру речення представлено на схемі.

264

Acta Linguistica Lithuanica LXXIII

High Quality Syntactic Annotated Corpus of Lithuanian – VILSINTEKS

У таблиці представлено інформацію трьох типів: інформацію про все речення (питальне, еліптичне, безособове); інформацію про кожне слово речення (морфологічні, синтаксичні та семантичні дані); а також неграматичну інформацію (пропущені слова в еліптичних реченнях, антецедент займенника всередині речення та поза ним, числівниковий вираз і відповідне йому число, повні відповідники абревіатур).

На першому етапі синтаксичну структуру литовського речення поділяють на три частини: групу підмета, групу присудка та кінцевий знак речення. Останній є дуже важливим, оскільки в деяких випадках це єдиний критерій, який дає змогу визначити тип речення (розповідне чи питальне).

Синтаксичні відношення в синтаксичній структурі речення позначено різними кольорами та типами ліній відповідно до виду відношення.

Семантично нерозв’язні групи слів розміщено в одній рамці, яка відображає синтаксичні відношення між ними.

Мета VILSINTEKS — надавати вичерпну й достовірну інформацію про литовські речення. Корпус можна використовувати для статистичних досліджень литовської мови та пошуку інформації про литовську граматику. Він також може стати в пригоді під час створення нестатистичної системи машинного перекладу.

VILSINTEKS має на меті збирати практичні граматичні відомості про литовську мову.

Перші речення анотують вручну. Згодом анотування буде напівавтоматичним. Для анотування використовують таблиці Excel, оскільки вони забезпечують наочне подання для користувачів, а анотований корпус буде вільно доступний в Інтернеті. Перетворити таблиці Excel у формат XML нескладно. Інформація VILSINTEKS також буде вільно доступна у форматі XML. Отже, інформацію VILSINTEKS можна використовувати для статистичних досліджень литовської мови та пошуку інформації про литовську граматику.

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