Depuis 25 ans déjà, le Centre de linguistique informatique (KLC) de l’Université Vytautas Magnus (VDU)1 crée et développe des technologies linguistiques (Utka et al. 2017). Les ressources et les outils de langue lituanienne élaborés par le KLC de la VDU constituent le fondement indispensable à l’informatisation du lituanien et à l’adaptation de nouvelles technologies à cette langue. Au début de 2015, la Lituanie est devenue membre à part entière de CLARIN ERIC et, en juillet 2015, le KLC de la VDU et la faculté d’informatique de la VDU, avec leurs partenaires de l’Université de Vilnius et de l’Université de technologie de Kaunas, ont créé le consortium CLARIN-LT et lancé le projet « Adhésion de la Lituanie à l’infrastructure internationale de recherche – Infrastructure commune pour les ressources et les technologies linguistiques »2, intégrant ainsi le système européen commun des technologies linguistiques.
Cet article a pour objectif de présenter deux ressources de langue lituanienne élaborées par le KLC de la VDU: des corpus lituaniens annotés, le corpus à annotation morphologique MATAS et le corpus à annotation syntaxique ALKSNIS. Ces ressources sont librement accessibles dans le dépôt CLARIN-LT; la recherche peut être effectuée au moyen du système ANNIS3 (voir la section 3 pour plus de détails). Il est également possible d’effectuer des recherches dans le corpus à annotation morphologique automatique sur le site http://corpus.vdu.lt4.
Les corpus annotés sont des ressources fondamentales qui jouent un rôle important dans le développement des technologies linguistiques. L’informatisation d’une langue et l’élaboration d’outils informatiques destinés à l’analyse automatique du langage nécessitent une analyse grammaticale ainsi que des données statistiques sur la langue. Ainsi, les corpus enrichis d’annotations grammaticales constituent une sorte de matière première pour l’analyse automatique ultérieure du langage. De tels corpus servent à créer d’autres ressources et outils de traitement automatique des langues dans des domaines tels que
1 Accès en ligne: http://tekstynas.vdu.lt.
2 Accès en ligne: http://clarin-lt.lt/.
3 Accès en ligne: http://158.129.51.247:8080/annis-gui-3.4.4/.
4 Il s’agit d’un corpus annoté automatiquement sur le plan morphologique, constitué de 208 millions de mots. Cet article ne le présente pas davantage. L’attention porte principalement sur MATAS, un corpus de 1,6 million de mots annoté morphologiquement et révisé par un linguiste.
BENDRINĖ KALBA 90 (2017)
www.bendrinekalba.lt
ISSN 2351-7204
Page 2
AGNĖ BIELINSKIENĖ, LOÏC BOIZOU, ERIKA RIMKUTĖ. Lietuvių kalbos morfologiškai ir sintaksiškai anotuoti tekstynai | 2
systèmes de reconnaissance automatique de la parole, apprentissage automatique, traduction automatisée, extraction d’informations, etc.
La suite de l’article présente séparément les corpus mentionnés ci-dessus et la recherche de données dans ceux-ci au moyen du système ANNIS. Les chercheurs et les étudiants qui étudient le système grammatical de la langue lituanienne, les enseignants et les formateurs qui préparent des exercices, ainsi que toutes les personnes intéressées par les technologies linguistiques, peuvent utiliser ces corpus et leurs données.
CORPUS DE TEXTES LITUANIENS ANNOTÉS ET PARTICULARITÉS DE LEUR CONSTITUTION
1. Corpus annoté morphologiquement MATAS
L’analyse morphologique est la première étape du traitement du langage et prépare souvent le texte à une analyse syntaxique ou sémantique ultérieure. Il est donc très important que les annotateurs morphologiques fonctionnent avec la plus grande précision possible, car les erreurs commises au niveau morphologique entravent l’analyse automatique du langage aux autres niveaux.
Le premier annotateur morphologique du lituanien a été créé il y a environ 25 ans. Son auteur est Vytautas Zinkevičius (voir plus en détail Zinkevičius 2000). Actuellement, deux annotateurs morphologiques sont accessibles au public pour le lituanien: le programme de V. Zinkevičius déjà mentionné, généralement appelé Lemuoklis5 (du mot lema — forme canonique), et l’annotateur disponible sur le portail Système d’information pour l’analyse syntaxique et sémantique du lituanien (ci-après semantika.lt). Le corpus MATAS présenté dans cet article a été annoté à l’aide de Lemuoklis, tandis que le corpus annoté syntaxiquement a été préparé à l’aide de l’annotateur morphologique de semantika.lt.6
Bien que Lemuoklis fonctionne assez bien, ce programme ne peut pas être mis à jour, car il est à code fermé. L’annotateur Semantika.lt a été développé sur la plateforme Hunspell en tant que logiciel libre; cet annotateur est mis à jour, enrichi de nouveaux mots (il compte désormais 171 000 lemmes) et ses règles sont révisées (voir plus en détail Dadurkevičius 2017). Une étude menée en 2017 pour évaluer la qualité des deux annotateurs a établi que l’annotateur semantika.lt est plus précis (Kapočiūtė-Dzikienė et al. 2017).
Le corpus MATAS présenté ci-après a été élaboré entre 2002 et 2014. Il s’appuie sur un corpus d’un million de mots constitué en 2006, qui a été enrichi de nouveaux textes et remanié. Dans un premier temps, les textes de MATAS ont été annotés automatiquement sur le plan morphologique, puis révisés et corrigés par un linguiste.
5 Accès en ligne: http://tekstynas.vdu.lt/page.xhtml?id=morphological-annotator; ce programme ne se contente pas d’annoter morphologiquement le texte; il peut aussi effectuer une synthèse, c’est-à-dire générer les formes requises. Il est également adapté à l’analyse des textes anciens.
6 Accès en ligne: http://semantika.lt/SyntaticAndSemanticAnalysis/Analysis.
BENDRINĖ KALBA 90 (2017) www.bendrinekalba.lt ISSN 2351-7204
Page 3
AGNĖ BIELINSKIENĖ, LOÏC BOIZOU, ERIKA RIMKUTĖ. Lietuvių kalbos morfologiškai ir sintaksiškai anotuo ti
tekstynai | 3
MATAS comprend 1,6 million de textes issus de documents, d’œuvres littéraires et de textes scientifiques. Comme dans le corpus de Dabartinės lietuvių kalbos tekstyne, la plus grande part (36%) est constituée de textes de presse (voir figure 1).
FIG. 1. Structure du corpus morphologiquement annoté MATAS (en pourcentage)
MATAS est disponible dans plusieurs formats: le format dit KLC, qui utilise des abréviations quelque peu inhabituelles pour les parties du discours et les catégories grammaticales (le corpus disponible dans le dépôt du portail http://clarin-lt.lt/ est également annoté dans ce format), par exemple:
MATAS est également annoté au format international TEI P5. Dans ce format, les parties du discours et les catégories grammaticales sont abrégées par une lettre ou un chiffre, par exemple vatstdv3 signifie respectivement:
BENDRINĖ KALBA 90 (2017) www.bendrinekalba.lt ISSN 2351-7204
Page 4
AGNĖ BIELINSKIENĖ, LOÏC BOIZOU, ERIKA RIMKUTĖ. Lietuvių kalbos morfologiškai ir sintaksiškai anotuoti tekstynai | 4
verbe, forme personnelle, forme affirmative, pronominal, mode indicatif, passé fréquentatif, singulier, troisième personne. Le même extrait de texte est présenté ci-dessous au format TEI P5:
Un autre format dans lequel les textes annotés morphologiquement sont disponibles sur le site http://corpus.vdu.lt s’inspire du format MULTEXT-East7. Selon ce format, chaque partie du discours comporte un nombre différent de catégories morphologiques (de 2 à 14), indiquées par des abréviations. Par exemple, l’étiquette Ncmpnn- N signifie un nom, c un nom commun, m le genre masculin, p le pluriel, n le nominatif, n un nom non pronominal; le trait d’union final indique qu’aucune étiquette sémantique n’est attribuée au mot, par exemple universitetai8.
Dans le troisième chapitre, nous présenterons la recherche dans les corpus MATAS et ALKSNIS à l’aide du système ANNIS. Celui-ci utilise un autre format d’étiquetage morphologique, fondé sur les gloses de Leipzig (voir le chapitre 3 pour plus de détails).
Les différents systèmes d’annotation ne sont pas propres aux seules technologies de la langue lituanienne. Ce problème a conduit à la création de l’outil de conversion Pepper (Zipser et al., 2010). Cela illustre les différentes étapes de création des ressources et les outils d’annotation utilisés.
Comme le montrent les exemples précédents, quatre systèmes d’étiquetage morphologique sont utilisés dans KLC. La coexistence de plusieurs formats d’annotation s’explique par la longue période de préparation du corpus annoté morphologiquement. À une époque, aucune norme d’annotation n’était appliquée; on utilisait simplement les abréviations des parties du discours et des catégories grammaticales créées par V. Zinkevičius, concepteur de l’analyseur morphologique. Elles sont faciles à comprendre pour les utilisateurs. Plus tard, grâce à la coopération internationale, le corpus annoté morphologiquement a été réannoté à l’aide de
7 Disponible en ligne: http://nl.ijs.si/ME/V4/msd/html/index.html.
8 Pour plus de détails sur ces étiquettes, voir http://corpus.vdu.lt/lt/morph.
BENDRINĖ KALBA 90 (2017)
www.bendrinekalba.lt
ISSN 2351-7204
Page 5
AGNĖ BIELINSKIENĖ, LOÏC BOIZOU, ERIKA RIMKUTĖ. Lietuvių kalbos morfologiškai ir sintaksiškai anotuoti tekstynai | 5
aux normes internationales. Comme indiqué, l’analyseur morphologique de semantika.lt (l’objectif principal de ce système était de créer des services en ligne) utilise les étiquettes au format MULTEXT-East. Les étiquettes sont courtes, mais difficiles à comprendre pour les humains; elles conviennent mieux à l’analyse informatique.
Le corpus ALKSNIS, annoté morphologiquement et syntaxiquement, est au format MULTEXT-East. L’outil de recherche dans les corpus ANNIS (voir la section 3) a permis de combiner les formats d’annotation morphologique d’ALKSNIS et de MATAS. La première idée était d’utiliser les étiquettes Universal Dependency (UD), car il s’agit d’un système d’annotation assez répandu et facilement lisible (en anglais). Toutefois, les étiquettes UD sont très longues, ce qui s’est avéré peu pratique pour les recherches dans ANNIS: les étiquettes de chaque mot occupent beaucoup d’espace, si bien que, pour analyser le contexte du mot recherché, il fallait faire défiler la fenêtre dans un sens ou dans l’autre. En raison de ce problème pratique, il a été décidé d’adapter les étiquettes de glosage de Leipzig, qui sont faciles à lire et assez courtes. Malgré la diversité des étiquettes d’annotation décrite ici, il convient de souligner que l’interface ANNIS des deux corpus n’utilise qu’un seul système (les étiquettes de glosage de Leipzig adaptées), ce qui devrait grandement faciliter la tâche des utilisateurs.
Il convient de noter que les limites des phrases ne sont pas indiquées dans MATE; il est possible de les déterminer rapidement de manière automatique, mais les résultats obtenus doivent être vérifiés. MATAS, comme le corpus ALKSNIS présenté ci-après, est accessible dans le http://clarin-lt.lt/dépôt du portail9. Il est possible d’y effectuer des recherches à l’aide du système ANNIS10 (voir la section 3 pour plus de détails).
2. Corpus annoté syntaxiquement ALKSNIS
Le corpus de lituanien annoté syntaxiquement ALKSNIS a été préparé en 2016. Sa réalisation a été soutenue par le Consortium de l’infrastructure de recherche européenne pour les ressources et technologies linguistiques générales (CLARIN ERIC) (MTI-02/2015). Le corpus est accessible au public dans le dépôt du portail http://clarin-lt.lt/11. Le guide de l’utilisateur explique comment l’utiliser 12.
Le corpus a été conçu comme un étalon pour l’analyse syntaxique du lituanien. Les corpus de ce type se caractérisent par leur taille réduite et leur composition générique optimale; leur analyse syntaxique, bien qu’effectuée automatiquement, est ensuite vérifiée et corrigée par des linguistes. En s’appuyant sur cet étalon d’analyse syntaxique, il est possible de créer un analyseur syntaxique fondé sur des méthodes statistiques (anglais: statistically-based parser) et d’étendre l’analyse syntaxique automatique (Bielinskienė et al. 2016).
9 Disponible en ligne: https://clarin.vdu.lt/xmlui/handle/20.500.11821/9.
10 Disponible en ligne: http://158.129.51.247:8080/annis-gui-3.4.4.
11 Disponible en ligne: https://clarin.vdu.lt/xmlui/handle/20.500.11821/10.
12 Disponible en ligne: https://youtu.be/PIEOPWurb4Y.
BENDRINĖ KALBA 90 (2017) www.bendrinekalba.lt ISSN 2351-7204
Page 6
AGNĖ BIELINSKIENĖ, LOÏC BOIZOU, ERIKA RIMKUTĖ. Lietuvių kalbos morfologiškai ir sintaksiškai anotuoti tekstynai | 6
Étant donné qu’ALKSNIS est une ressource de langue lituanienne plus récente que MATAS et moins décrite, nous accorderons dans cet article une plus grande attention à ALKSNIS et examinerons également les questions soulevées lors de l’annotation syntaxique.
2.1. Parties du corpus
Le corpus ALKSNIS compte 30 599 mots et 2 355 phrases annotées syntaxiquement. Comparé aux corpus des langues de pays voisins, il est assez semblable à ceux-ci et peut être considéré comme suffisamment volumineux: le corpus de langue lettone13 compte 3 800 phrases et 53 000 mots (Predkalnina et al. 2016); le corpus estonien 14, 1 400 phrases et 10 600 mots (Muischnek et al. 2014); le corpus polonais 15, 8 227 phrases. Le premier corpus annoté syntaxiquement, PENN (États-Unis), est beaucoup plus volumineux: il compte environ 3 millions de mots16.
Les textes d’ALKSNIS couvrent quatre genres (voir fig. 2). Les parties consacrées à la presse généraliste et spécialisée ainsi qu’à la littérature sont de taille à peu près égale, tandis que celle des textes administratifs est la plus petite, car il s’agit d’un type particulier de lituanien: les phrases sont souvent longues et comportent de nombreux titres de documents, renvois à d’autres documents, etc. L’annotation de telles phrases ne révélerait pas une structure syntaxique typique.
FIG. 2. Structure du corpus annoté syntaxiquement ALKSNIS
Le corpus a été constitué à partir de textes intégraux, non abrégés. Les phrases ont été sélectionnées dans des genres aussi variés que possible. La partie consacrée à la littérature comprend des phrases tirées d’œuvres d’auteurs lituaniens. Les phrases sélectionnées ont été préparées pour l’analyse informatique: l’encodage du texte a été vérifié, et les tableaux ainsi que les illustrations ont été supprimés.
13 Disponible en ligne: http://sintakse.korpuss.lv/index.html.
14 Disponible en ligne: https://metashare.ut.ee/repository/browse/estonian-treebank/4eb86e5e463411e2a6e4005056b400242c46832883754ad7bd89d07f69d6a0fc/.
15 Disponible en ligne: http://zil.ipipan.waw.pl/Sk%C5%82adnica.
16 Disponible en ligne: https://catalog.ldc.upenn.edu/ldc99t42.
BENDRINĖ KALBA 90 (2017)
www.bendrinekalba.lt
ISSN 2351-7204
Page 7
AGNĖ BIELINSKIENĖ, LOÏC BOIZOU, ERIKA RIMKUTĖ. Lietuvių kalbos morfologiškai ir sintaksiškai anotuoti tekstynai | 7
2.2. Outils d’annotation et de visualisation du corpus
L’analyse syntaxique automatique s’appuie sur l’analyseur syntaxique élaboré dans le cadre du projet du KLC de l’UDV « Système d’analyse syntaxico-sémantique du lituanien pour les corpus, l’internet lituanien et les applications du secteur public », développé en Haskell17. L’analyseur repose sur une méthode fondée sur des règles (en anglais, rule-based). Cet outil lit les fichiers annotés morphologiquement produits par les modules de segmentation et d’analyse morphologique de semantika.lt et fournit en résultat des phrases décomposées en propositions ou en syntagmes, génère des arbres syntaxiques et indique leurs rôles thématiques (en anglais, thematic roles) et leurs fonctions syntaxiques (Boizou et al. 2014: 69).
Les services en ligne génèrent uniquement des fichiers JSON, mais un autre outil du KLC convertit les résultats de l’analyse syntaxique au format PML (Prague Markup Language). Pour le corpus annoté syntaxiquement, des arbres de dépendance (en anglais, dependency trees) sont générés. Ce format permet de visualiser et de modifier des arbres de dépendance au format PML à l’aide de l’éditeur TrED, créé par l’UFAL de l’Université Charles de Prague18 (voir fig. 3). Toutes les phrases annotées automatiquement ont été vérifiées et corrigées par des linguistes. Ainsi, l’analyse syntaxique comprend trois niveaux: la segmentation automatique des mots et des phrases ainsi que l’analyse morphologique, l’analyse syntaxique automatique (par une méthode fondée sur des règles) et le traitement manuel des phrases (voir plus en détail la section 2.4).
2.3. Structure des données d’ALKSNIS
Après l’analyse syntaxique automatique, les phrases sont représentées graphiquement sous forme d’arbres (voir fig. 3). Chaque nœud de l’arbre correspond à un mot de la phrase, à un signe de ponctuation ou à une autre unité de la phrase (symbole, chiffre, etc.). Les relations de dépendance entre les mots sont indiquées par des « branches » ou des arêtes.
17 L’analyseur syntaxique a été créé au Centre de linguistique informatique de l’UDV par L. Boizou et F. Zamblera.
18 Disponible en ligne: https://ufal.mff.cuni.cz/tred/.
BENDRINĖ KALBA 90 (2017)
www.bendrinekalba.lt
ISSN 2351-7204
Page 8
AGNĖ BIELINSKIENĖ, LOÏC BOIZOU, ERIKA RIMKUTĖ. Lietuvių kalbos morfologiškai ir sintaksiškai anotuoti tekstynai | 8
FIG. 3. Arbre de dépendance d’une phrase annotée syntaxiquement au format de l’éditeur TrEd
Pour chaque mot, les informations suivantes sont indiquées dans cet ordre (voir fig. 3):
1) la forme concrète du mot employée dans la phrase (par ex., gyventojai);
2) la forme de citation (forme du dictionnaire) – le lemme (par ex., gyventojas);
3) les étiquettes morphologiques (par ex., Ncmpnn-);
4) la fonction syntaxique (par ex., Sub) (voir ci-dessous l’explication des abréviations).
2.4. Niveaux d’analyse
Niveau d’analyse morphologique. L’annotation morphologique est la première étape de l’analyse automatique et est donc indispensable à l’analyse syntaxique ou phrastique de niveau supérieur. L’analyse morphologique a été réalisée à l’aide de l’annotateur semantika.lt (Dad urkevičius 2017). Les étiquettes morphologiques utilisées dans ALKSNYJE ont été élaborées sur le modèle du format MULTEXT-East (décrit plus en détail au chapitre 1).
BENDRINĖ KALBA 90 (2017) www.bendrinekalba.lt ISSN 2351-7204
Page 9
AGNĖ BIELINSKIENĖ, LOÏC BOIZOU, ERIKA RIMKUTĖ. Lietuvių kalbos morfologiškai ir sintaksiškai anotuoti tekstynai | 9
Niveau de l’analyse syntaxique. L’analyseur syntaxique traite les fichiers annotés morphologiquement et fournit des phrases segmentées en propositions ou en syntagmes, génère des arbres syntaxiques et indique les fonctions syntaxiques de leurs éléments. L’analyse repose sur le modèle de la grammaire de dépendance (anglais dependency grammar). Celui-ci est généralement appliqué à des langues typologiquement similaires, caractérisées par la flexion des formes des mots et un ordre des mots libre, par exemple les langues slaves (PDT19, SynTagRus20), le letton, etc. Les dépendances syntaxiques sont représentées selon une hiérarchie. On part du constituant principal de la phrase — la racine de l’arbre — auquel sont rattachés les autres constituants de la phrase selon leur dépendance (c’est-à-dire leurs relations syntaxiques).
Les abréviations des étiquettes syntaxiques et les informations sur les relations et dépendances syntaxiques s’appuient sur les travaux tchèques (Hajič et al. 1999); leurs auteurs ont été parmi les premiers à développer l’analyse syntaxique pour le tchèque, une langue de type synthétique. ALKSNYJE utilise actuellement 18 étiquettes syntaxiques principales (sans compter leurs variantes): Sub – sujet, Pred – prédicat, Obj – objet, etc. (voir tableau 1). Les variantes d’étiquettes apparaissent lorsque des étiquettes doubles ou combinées sont réunies en une seule. Par exemple, deux étiquettes sont utilisées pour désigner un prédicat composé de type nominal ou verbal: respectivement PredN et PredV; pour marquer une proposition subordonnée relative dans une phrase complexe, l’étiquette double Pred_Atr est attribuée au prédicat de la proposition subordonnée; pour indiquer une relation de coordination, _Co est ajouté comme partie d’une étiquette double aux constituants coordonnés de la phrase, c’est-à-dire que chacun des compléments coordonnés énumérés reçoit, par exemple, l’étiquette Obj_Co, et ainsi de suite. Il peut également y avoir des étiquettes triples dans les phrases complexes, par exemple lorsqu’il faut marquer des propositions subordonnées coordonnées: Pred_Atr_Co – il s’agit d’une proposition subordonnée relative.
TABLEAU 1. Fonctions syntaxiques et leurs étiquettes dans le corpus
Étiquette
Fonction syntaxique
Exemple
Sub
Sujet
Il [Sub] a dit
Pred
Prédicat (ou mot auxiliaire)
Il est allé [Pred]; il était [Pred] satisfait
PredN
Partie nominale du prédicat
Était [Pred] satisfait [PredN]
PredV
Partie verbale du prédicat
Doit répondre [PredV]
Obj
Objet
J’attends un invité [Obj]; il faut résoudre [Obj]
Atr
Attribut (épithète)
École secondaire [Atr]; pays membre [Atr]
Adj
Circonstances
Il décidera maintenant [Adj]; dans la rue des Partisans [Adj]
19 Banque d’arbres de dépendance de Prague (Prague Dependency Treebank), voir plus en détail https://ufal.mff.cuni.cz/pdt3.0.
20 Disponible en ligne: http://www.ruscorpora.ru/en/.
BENDRINĖ KALBA 90 (2017) www.bendrinekalba.lt ISSN 2351-7204
Page 10
AGNĖ BIELINSKIENĖ, LOÏC BOIZOU, ERIKA RIMKUTĖ. Lietuvių kalbos morfologiškai ir sintaksiškai anotuoti tekstynai | 10
Aux
Fonction auxiliaire (par ex., virgules ou autres symboles)
AuxC
Subordination (propositions subordonnées)
A dit que [AuxC]...
AuxK
Signe de ponctuation en fin de phrase
AuxL
Unité lexicale auxiliaire (par ex., un mot en langue étrangère)
JAV kompanija North [AuxL] American [AuxL] Investment [AuxL] Consulting [AuxL] Inc. [Atr]
AuxP
Préposition
Passera au niveau [AuxP]
AuxZ
Particule
Comme toujours [AuxZ]
Coord
Coordination
Fabricants et [Coord] vendeurs
_Co (pvz., Atr_Co)
Constituants coordonnés (p. ex., éléments de phrase de même fonction)
Fabricants [Atr_Co] et [Coord] vendeurs [Atr_Co]
Par
Incises, apostrophes
À vrai dire [Par], semble-t-il
ExD
Ellipse ou autres omissions dans la phrase
Une femme est une [Pred_ExD] créature
Pred_ (pvz., Pred_Obj)
Type de proposition subordonnée dans une phrase complexe (indiqué auprès du prédicat)
Il écrivait que les caractéristiques sont déterminées par [Pred_Obj]
Niveau de révision manuelle des phrases. Toutes les phrases annotées automatiquement au niveau syntaxique ont été vérifiées par des linguistes. L’annotation de nombreuses phrases, en particulier les phrases complexes, a dû être corrigée et les dépendances correctes indiquées. À certains endroits, les étiquettes morphologiques ont également été corrigées. Les phrases ont été corrigées séparément par trois linguistes, puis chaque phrase a été vérifiée une nouvelle fois par les trois linguistes. Les particularités de l’annotation syntaxique sont décrites ci-après.
Particularités de l’annotation syntaxique. Lors de l’analyse syntaxique automatique, comme indiqué précédemment, le sommet de l’arbre syntaxique (angl. root) est considéré comme le constituant le plus haut dans la hiérarchie de la phrase (p. ex., un verbe, parfois une conjonction en début de phrase) ou un autre élément de la phrase (p. ex., dans une phrase complexe, sa conjonction ou son mot de liaison); le signe de ponctuation de la phrase — point, point d’interrogation, point d’exclamation, points de suspension, point-virgule, etc. — est représenté par une branche indiquant la ponctuation. Nous présentons ci-dessous des exemples concrets pour illustrer les particularités de l’annotation syntaxique.
L’exemple où le sommet de la phrase est un verbe [Pred] est présenté à la figure 4, et celui où il s’agit d’une conjonction [Coord] à la figure 5.
BENDRINĖ KALBA 90 (2017) www.bendrinekalba.lt ISSN 2351-7204
Page 11
AGNĖ BIELINSKIENĖ, LOÏC BOIZOU, ERIKA RIMKUTĖ. Lietuvių kalbos morfologiškai ir sintaksiškai anotuoti tekstynai | 11
FIG. 4. Le sommet de l’arbre de dépendance est un verbe
BENDRINĖ KALBA 90 (2017)
www.bendrinekalba.lt
ISSN 2351-7204
Page 12
AGNĖ BIELINSKIENĖ, LOÏC BOIZOU, ERIKA RIMKUTĖ. Lietuvių kalbos morfologiškai ir sintaksiškai anotuoti tekstynai | 12
FIG. 5. Le sommet de l’arbre de dépendance est une conjonction en début de phrase
L’exemple où le sommet d’une phrase complexe est un signe de ponctuation est présenté à la figure 6.
BENDRINĖ KALBA 90 (2017)
www.bendrinekalba.lt
ISSN 2351-7204
Page 13
AGNĖ BIELINSKIENĖ, LOÏC BOIZOU, ERIKA RIMKUTĖ. Lietuvių kalbos morfologiškai ir sintaksiškai anotuoti tekstynai | 13
FIG. 6. Le sommet de l’arbre de dépendance est le signe de ponctuation séparant les propositions d’une phrase complexe
On considère que, dans les constructions prépositionnelles, la préposition occupe une position supérieure; elle est annotée AuxP, tandis que le mot qui la suit est annoté selon la fonction qu’il remplit (p. ex., objet): kainos už [AuxP] elektrą [Obj] (voir fig. 7).
BENDRINĖ KALBA 90 (2017)
www.bendrinekalba.lt
ISSN 2351-7204
Page 14
AGNĖ BIELINSKIENĖ, LOÏC BOIZOU, ERIKA BIMKUTĖ. Lietuvių kalbos morfologiškai ir sintaksiškai anotuoti tekstynai | 14
FIG. 7. Annotation des constructions prépositionnelles
Les propositions subordonnées d’une phrase complexe dépendent du prédicat de la proposition principale, et la conjonction de la subordonnée dépend de ce prédicat (la virgule dépend de la conjonction). Il est également important d’indiquer la fonction de la proposition subordonnée. Celle-ci est indiquée auprès du prédicat de la subordonnée, par ex., Pred_Obj – une proposition subordonnée complément d’objet (objet) (voir fig. 8).
BENDRINĖ KALBA 90 (2017) www.bendrinekalba.lt ISSN 2351-7204
Page 15
AGNĖ BIELINSKIENĖ, LOÏC BOIZOU, ERIKA RIMKUTĖ. Lietuvių kalbos morfologiškai ir sintaksiškai anotuoti tekstynai | 15
FIG. 8. Exemple d’annotation des propositions subordonnées dans une phrase complexe
Le marqueur de relation de coordination (conjonction ou câble) peut constituer la tête d’une construction coordonnée (par exemple, il a été proposé de s’asseoir et [Coord] de jouer; proposé aux enfants et [Coord] à leurs parents) (voir fig. 9).
BENDRINĖ KALBA 90 (2017) www.bendrinekalba.lt ISSN 2351-7204
Page 16
AGNĖ BIELINSKIENĖ, LOÏC BOIZOU, ERIKA RIMKUTĖ. Lietuvių kalbos morfologiškai ir sintaksiškai anotuoti tekstynai | 16
FIG. 9. Exemple d’annotation des propositions impliquées dans les relations de coordination
Lorsqu’il existe une coordination mixte à plusieurs propositions, la conjonction présente dans la construction en est la tête, et toutes les autres propositions sans conjonction en dépendent (les virgules et les mots qu’elles énumèrent se situent au même niveau de dépendance). Les autres signes de ponctuation sont étiquetés Aux (voir fig. 10).
BENDRINĖ KALBA 90 (2017) www.bendrinekalba.lt ISSN 2351–7204
Page 17
AGNĖ BIELINSKIENĖ, LOÏC BOIZOU, ERIKA RIMKUTĖ. Lietuvių kalbos morfologiškai ir sintaksiškai anotuoti tekstynai | 17
FIG. 10. Exemple d’annotation d’une construction coordonnée mixte (la figure montre également d’autres cas de relations de coordination)
La tête des phrases coordonnées est la conjonction de coordination. Les mots de liaison constitués d’adverbes, de pronoms ou de particules (par exemple, l’adverbe donc) dépendent du prédicat de la seconde proposition et remplissent une fonction circonstancielle (Adj), tandis que la fonction de coordination Coord est assurée par le câble, comme dans les phrases sans conjonction ou celles avec des conjonctions répétées, considérées ici comme des particules (voir fig. 12), de même que dans le cas de la coordination des propositions (voir fig. 11 et 12).
BENDRINĖ KALBA 90 (2017)
www.bendrinekalba.lt
ISSN 2351-7204
Page 18
AGNĖ BIELINSKIENĖ, LOÏC BOIZOU, ERIKA RIMKUTĖ. Lietuvių kalbos morfologiškai ir sintaksiškai anotuoti tekstynai | 18
FIG. 11. Exemple d’annotation d’une phrase coordonnée comportant un mot de liaison
FIG. 12. Annotation d’une construction coordonnée
BENDRINĖ KALBA 90 (2017) www.bendrinekalba.lt ISSN 2351-7204
Page 19
AGNĖ BIELINSKIENĖ, LOÏC BOIZOU, ERIKA RIMKUTĖ. Lietuvių kalbos morfologiškai ir sintaksiškai anotuoti tekstynai | 19
Il est difficile d’annoter les expressions numériques, par exemple les heures et les années. Elles sont annotées comme des compléments circonstanciels avec des modifieurs, ou comme des modifieurs (voir fig. 13 et 14).
FIG. 13. Annotation des dates
FIG. 14. Annotation des dates et d’autres expressions numériques (la figure ne présente qu’un fragment de phrase annoté syntaxiquement)
BENDRINĖ KALBA 90 (2017) www.bendrinekalba.lt ISSN 2351-7204
Page 20
AGNĖ BIELINSKIENĖ, LOÏC BOIZOU, ERIKA RIMKUTĖ. Lietuvių kalbos morfologiškai ir sintaksiškai anotuoti tekstynai | 20
Il n’est pas toujours facile d’annoter les prédicats complexes. Dans certains cas, ils sont annotés conformément à la manière dont ils sont également compris dans les grammaires du lituanien, c’est-à-dire comme des prédicats nominaux et verbaux (par exemple, yra [Pred] paprastas [PredN]; gali [Pred] būti [PredV]), tandis que, dans certains autres cas, le second constituant du prédicat est considéré comme un objet (par exemple, ketinu [Pred] sukviesti [Obj]).
Il était difficile d’annoter les constructions comportant des conjonctions corrélatives, car les deux conjonctions sont hiérarchiquement équivalentes. Dans ce cas, on a considéré que le prédicat de la proposition principale occupait la position hiérarchique la plus élevée et que la proposition subordonnée dépendait de lui (voir fig. 15).
FIG. 15. Exemple d’annotation de phrases complexes comportant des conjonctions corrélatives
Enfin, le statut de certaines parties du discours a été examiné. Par exemple, il a été décidé de considérer les conjonctions de coordination répétées comme des particules, car leur fonction dans la structure de l’arbre de dépendances est semblable à celle des particules (voir fig. 12).
L’annotation syntaxique manuelle a soulevé de nombreux problèmes; seuls quelques-uns ont été présentés ici. La plupart des difficultés d’annotation ont été résolues en suivant l’approche de la grammaire traditionnelle et en convenant d’une méthode d’annotation particulière. Dans les autres cas, il a fallu s’adapter aux spécificités de l’annotation syntaxique et appliquer systématiquement les conventions convenues. On espère résoudre les problèmes rencontrés en poursuivant le développement de l’analyse syntaxique automatique.
La sous-section suivante présente la recherche de données dans des corpus annotés à l’aide du système ANNIS. Il s’agit de l’un des défis liés à l’utilisation de corpus annotés, car la recherche de données dans ces corpus, qui comportent de nombreuses étiquettes et plusieurs niveaux d’annotation, doit être polyvalente. C’est pourquoi l’outil ANNIS, créé par des chercheurs de l’Université Humboldt (Allemagne), a été choisi.
BENDRINĖ KALBA 90 (2017) www.bendrinekalba.lt ISSN 2351-7204
Page 21
AGNĖ BIELINSKIENĖ, LOÏC BOIZOU, ERIKA BIMKUTĖ. Lietuvių kalbos morfologiškai ir sintaksiškai anotuoti tekstynai | 21
3. Recherche avec le système ANNIS
Naudoti ANNIS įrankį nėra labai sudėtinga (plačiau žr. Zeldes 2016). Reikia pasirinkti anotuotą tekstyną (MATO tekstyno dalį (šis tekstynas suskirstytas į dokumentus, grožinę literatūrą, mokslinius tekstus ir periodiką) arba ALKSNIO tekstyną (jis įvardytas taip: Alksnis_paula_1.0) ir pateikti užklausą. Užklausų struktūra aprašyta 3.1 ir 3.2 poskyriuose.
ANNIS fournit les lignes de concordance correspondantes avec les informations associées (voir fig. 16). Une ligne de concordance peut être étendue de 5 à 25 mots (y compris les signes de ponctuation), à gauche comme à droite; il est également possible d’exporter les résultats.
Les deux corpus utilisent des étiquettes grammaticales établies selon les étiquettes de glose de Leipzig21. Plusieurs étiquettes qui ne figurent pas parmi celles mentionnées ont été ajoutées; par exemple, ~COMP indique le comparatif. Un tilde précède ces étiquettes. Les parties du discours sont indiquées selon le format Universal Dependency.
FIG. 16. Extrait des résultats de la recherche avec l’outil ANNIS
Recherche du lemme įsakymas dans la partie des documents MATO
21 Accès en ligne: https://www.eva.mpg.de/lingua/resources/glossing-rules.php. Dans d’autres corpus annotés, on utilise souvent les étiquettes Universal Dependency (UD) (voir http://universaldependencies.org/; voir aussi fig. 18). Comme indiqué au premier chapitre, les étiquettes UD sont très longues (par exemple, le cas accusatif, le genre féminin et le nombre pluriel sont indiqués ainsi: case=accusative|gender=feminine|number=plural), elles prennent trop de place dans l’interface ANNIS, ce qui rend les informations difficiles à lire.
BENDRINĖ KALBA 90 (2017)
www.bendrinekalba.lt
ISSN 2351-7204
Page 22
AGNĖ BIELINSKIENĖ, LOÏC BOIZOU, ERIKA RIMKUTĖ. Lietuvių kalbos morfologiškai ir sintaksiškai anuotuoti tekstynai | 22
FIG. 17. Extrait des résultats de la recherche avec l’outil ANNIS
Recherche du lemme įsakymas dans le corpus ALKSNIS
(pour que les relations syntaxiques soient indiquées par des flèches, il faut cliquer sur le signe plus à côté de deps)
3.1. Recherche simple
La recherche d’un seul trait est appelée recherche simple. L’annotation présentée (noms des catégories grammaticales, étiquettes grammaticales utilisées, etc.) dépend de la structure de chaque corpus et non de l’outil ANNIS.
Nous attirons l’attention sur le fait que, lors de la formulation d’une requête, il faut distinguer les majuscules des minuscules.
3.1.1. Recherche de formes exactes de mots (chaînes de caractères)
La recherche simple s’effectue en indiquant le nom de la catégorie, le signe égal et la valeur de la catégorie entre guillemets anglais, par exemple:
• lemma="kalba" (cette requête signifie que l’on recherche le lemme kalba);
• pos="ADJ" (on recherche des adjectifs);
• gram=".M.SG.GEN." (on recherche des mots employés avec certaines catégories grammaticales, en l’occurrence des formes au génitif singulier masculin).
BENDRINĖ KALBA 90 (2017) www.bendrinekalba.lt ISSN 2351-7204
Page 23
AGNĖ BIELINSKIENĖ, LOÏC BOIZOU, ERIKA RIMKUTĖ. Lietuvių kalbos morfologiškai ir sintaksiškai anotuoti tekstynai | 23
Pour rechercher une forme de mot particulière dans un texte, il faut indiquer le nom de la catégorie tok ou simplement saisir la forme recherchée entre guillemets, par exemple:
• tok="pasakė" ou "pasakė".
Dans les deux corpus annotés, il est possible de rechercher des lemmes, des parties du discours, des catégories grammaticales et des formes de mots particulières; dans ALKSNIS, il est également possible de rechercher des annotations syntaxiques, par exemple:
• syfun="Atr" (recherche des attributs).
Dans ALKSNIS, il est également possible de rechercher des relations de dépendance (deps), mais selon un autre principe (voir 3.2.3).
3.1.2. Recherche de structures de caractères
ANNIS permet d’effectuer des recherches à l’aide d’expressions régulières (anglais: regular expressions); celles-ci sont représentées par des caractères spéciaux. Une recherche par expressions régulières s’écrit essentiellement de la même manière qu’une requête de recherche de formes exactes de mots; il suffit de remplacer les guillemets anglais par des barres obliques.
3.1.2.1. Recherche de caractères quelconques
Le caractère spécial le plus important est le point: il remplace n’importe quel caractère unique (lettre, chiffre, etc.), par exemple:
• lemma=/pl.t.s/ (recherche, par exemple, de platus, plotis, plitus);
• /p.sak.s/ ou tok=/p.sak.s/ (recherche, par exemple, de pasakys, pasakos, pasakas, pasakęs, pasakis);
• /201./ ou tok=/201./ (recherche, par exemple, de 2010, 2011, 2012...).
Comme le point peut remplacer n’importe quel caractère, pour rechercher le caractère point lui-même, il faut utiliser la combinaison barre oblique inverse + point (\.), par exemple:
• gram=/^\..\SG\.GEN\./ (recherche, par exemple, de .M.SG.GEN.,.F.SG.GEN.,...).
3.1.2.2. Recherche d’un caractère parmi plusieurs caractères
Au lieu de rechercher des caractères entièrement indéterminés, la requête peut spécifier plusieurs caractères précis à rechercher. Ils sont écrits entre crochets, par exemple:
• lemma=/pl[ao]t.s/ (recherche, par exemple, platus, plotis, mais pas plitus);
• /t[ei]lp./ ou tok=/t[ei]lp./ (recherche, par exemple, telpa, tilpo, mais pas talpa);
• /201[0124]/ ou tok=/201./ (recherche 2010, 2011, 2012, 2014);
BENDRINĖ KALBA 90 (2017)
www.bendrinekalba.lt
ISSN 2351-7204
Page 24
AGNĖ BIELINSKIENĖ, LOÏC BOIZOU, ERIKA RIMKUTĖ. Lietuvių kalbos morfologiškai ir sintaksiškai anuotuoti tekstynai | 24
Nous attirons l’attention sur le fait que cette méthode recherche un seul caractère parmi l’ensemble des caractères indiqués: /dirb[aius]/ permet de rechercher dirba, dirbi, dirbu, dirbs, mais pas dirbau ni dirbsi.
3.1.3. Opérateurs de répétition
Il est possible de répéter des caractères (ordinaires et spéciaux), par exemple:
• lemma=/..važiuoti/ (recherche, par exemple, nuvažiuoti, išvažiuoti, apvažiuoti, atvažiuoti, nev ažiuoti);
• /dirb[ao][mt]e/ ou tok=/dirb[ao][mt]e/ (recherche de dirbame, dirbate, dirbome, dirbote).
Ainsi, le nombre de caractères recherchés est fixe, par exemple deux caractères dans les exemples donnés (ou [ao][mt]); par conséquent, la requête lemma=/..važiuoti/ ne donnera pas de résultats avec le lemme įvažiuoti. Les opérateurs de répétition offrent davantage de possibilités; leur signification est la suivante:
•? – un caractère donné est utilisé une fois ou pas du tout;
• + – un caractère donné est utilisé au moins une fois (c’est-à-dire une, deux, trois, quatre fois ou davantage);
• * – un caractère donné est utilisé n fois (c’est-à-dire qu’il peut ne pas être utilisé du tout, ou être utilisé une, deux fois ou davantage)
Ces opérateurs aident à rechercher les caractères qui les suivent ou les précèdent, par exemple:
Les opérateurs mentionnés précédemment sont compatibles avec la recherche de n’importe quel caractère ou de l’un parmi plusieurs caractères, par exemple:
• lemma=/. *važiuoti/ (rechercher, par exemple, važiuoti, išvažiuoti, įvažiuoti, nuvažiuoti, pravažiuoti, nepravažiuoti);
• /šauk[aiu]*/ ou tok=/šauk[aiu]*/ (rechercher, par exemple, šauk, šauki, šaukia, šaukiu);
BENDRINĖ KALBA 90 (2017)
www.bendrinekalba.lt
ISSN 2351-7204
Page 25
AGNĖ BIELINSKIENĖ, LOÏC BOIZOU, ERIKA RIMKUTĖ. Lietuvių kalbos morfologiškai ir sintaksiškai anot uoti tekstynai | 25
/šauk[aiu]+/ ou tok=/šauk[aiu]+/ (rechercher, par exemple, šauki, šaukia, šaukiu, mais pas šauk);
gram=/.*\.F\..*/ (rechercher la séquence.F. entre n’importe quelles autres séquences de caractères).
Il convient de noter que des structures telles que [aiu]* ou [aiu]+ n’influent pas sur l’ordre des caractères recherchés. Par conséquent, les résultats comprennent des éléments contenant a ou i, ou u + a; ou i, ou u + a; ou i, ou u.... Ainsi, les combinaisons de caractères reconnues sont: aaa, i, uuuuu, uiua, uua, etc.
3.1.4. Recherche d’alternatives
La barre verticale (|) permet de rechercher des alternatives, par exemple:
lemme=" mauvais" | lemme="bon";
/d(au|ū)ž.*/ ou tok=/d(au|ū)ž.*/ (recherche, par exemple, de daužo, dūžta, daužymas);
gram=/.*\.~(COMP|SUP)\..*/ (recherche de.~COMP. et.~SUP. entre n’importe quelles séquences de symboles);
"tik" | "tiktai" ou tok="tik" | tok="tiktai" (recherche de tik et de tiktai).
3.1.5. Requêtes formulées négativement
Bien que cette possibilité soit plus utile pour combiner des caractéristiques dans des recherches complexes, il est également possible, dans les recherches simples, d’indiquer ce qui ne doit pas être recherché, par exemple:
pos!="NOUN" (recherche de tous les mots qui ne sont pas des noms);
tok!=/.*[ąaęeėįiyiouųū]/ (recherche de toutes les formes de mots qui ne se terminent pas par une voyelle).
Si l’on ne choisit pas une requête de recherche complexe (voir 3.2), les requêtes simples formulées négativement peuvent poser problème, surtout si elles englobent de nombreux mots (comme dans le premier cas, les noms); cette requête doit donc être utilisée avec prudence.
3.2. Recherche composée
Une recherche composée est constituée de plusieurs recherches simples. Une partie supplémentaire est également nécessaire pour décrire les relations entre les recherches simples (indiquées par leur position). Chaque partie de recherche simple est reliée par le signe esperluette (&).
BENDRINĖ KALBA 90 (2017) www.bendrinekalba.lt ISSN 2351-7204
Page 26
AGNĖ BIELINSKIENĖ, LOÏC BOIZOU, ERIKA RIMKUTĖ. Lietuvių kalbos morfologiškai ir sintaksiškai anotuoji tekstynai | 26
3.2.1. Combinaisons de caractéristiques pour un seul mot
La recherche simple porte sur le même mot, et le lien entre les recherches simples est exprimé par l’opérateur de combinaison (_=_), par exemple:
• "mano" & pos="PRON" & #1 _=_ #2 (rechercher le pronom mano, mais pas la troisième personne du présent du verbe manyti).
Cette formulation de la requête signifie que la première recherche simple (#1, c’est-à-dire "mano" ou tok="mano") et la deuxième recherche simple (#2, c’est-à-dire pos="PRON") se rapportent au même mot.
3.2.2. Combinaisons de mots
Si une requête est formulée, à partir d’une recherche simple, pour des mots différents, l’opérateur de combinaison est remplacé par l’opérateur de séquence (un point), par exemple:
• lemma="pilnas" & gram=/.*\.GEN\..*/ & #1.1 #2 (rechercher un mot employé au génitif après le mot pilnas).
Le chiffre 1 après le point signifie que #2 suit directement #1 (sans mot intercalé). Le chiffre 2 indiquerait qu’un mot s’intercale, 3 — deux mots, etc. À la place de.1, on peut écrire un point sans chiffre (lemma="pilnas" & gram=/.*\.GEN\..*/ & #1. #2). On peut préciser l’intervalle à l’aide d’une virgule, par exemple.2,4 (avec un à trois mots intercalés). Si le nombre de mots intercalés n’a pas d’importance, il faut écrire un point suivi d’un astérisque (*).
Dans une même requête composée, on peut utiliser les opérateurs de séquence et de combinaison, par exemple:
• lemma="pilnas" & gram=/.*\.GEN\..*/ & pos!="ADJ" & #1.1 #2 & #2 _=_ #3 (rechercher des mots à la forme génitive qui ne sont pas des adjectifs, après le mot pilnas).
3.2.3. Recherche de dépendances syntaxiques
Il est également possible de rechercher des structures de dépendance à l’aide d’une recherche complexe avec l’opérateur de gouvernance directe ->, par exemple:
• pos="NOUN" & pos="ADJ" & #1 ->deps #2 (recherche de noms qui gouvernent des adjectifs, par exemple, daugiabutis namas);
• pos="VERB" & gram!=/.*\.NEG\..*/ & gram=/.*\.GEN\..*/ & syfun="Obj" & #1 _=_ #2 & #3 _=_ #4 & #1 ->deps #3 (recherche de verbes affirmatifs qui gouvernent des compléments au génitif, par exemple, laukti klausimų).
BENDRINĖ KALBA 90 (2017)
www.bendrinekalba.lt
ISSN 2351-7204
Page 27
AGNĖ BIELINSKIENĖ, LOÏC BOIZOU, ERIKA RIMKUTĖ. Lietuvių kalbos morfologiškai ir sintaksiškai anotouti tekstynai | 27
REMARQUES FINALES
Les corpus MATAS et ALKSNIS sont des ressources importantes pour la langue lituanienne. Ils sont nécessaires aux étapes ultérieures de l’informatisation de la langue. Ces corpus permettent d’obtenir des données quantitatives sur la répartition des parties du discours, des formes grammaticales et des fonctions syntaxiques, ainsi que sur les lemmes et les formes grammaticales les plus fréquents, etc. (quelques études quantitatives concrètes sont présentées dans les travaux suivants: Rimkutė 2006; Utka 2009; Brokaitė 2017). MATAS a servi à l’entraînement de l’analyseur semantika.lt (pour évaluer la qualité de l’annotation).
À l’avenir, il sera nécessaire de poursuivre le développement de l’analyse syntaxique automatique. Il serait tout d’abord possible d’améliorer la qualité de l’annotation syntaxique: préciser les fonctions syntaxiques et les compléter par de nouvelles étiquettes (par exemple, préciser les compléments circonstanciels selon leur sémantique: de lieu, de manière, de temps, etc.). Au début de l’annotation syntaxique, de nombreuses incertitudes d’annotation ont été rencontrées; il conviendrait donc de discuter de certains cas syntaxiques, par exemple l’annotation des prédicats complexes, l’ellipse, la distinction entre propositions asyndétiques et constructions explicatives, le statut de certaines parties du discours, etc.
Une autre orientation du travail consiste à accroître le corpus lui-même. Il faudrait enrichir ses différentes composantes génériques, par exemple en y intégrant davantage de textes scientifiques et de vulgarisation scientifique. En outre, le corpus doit être converti au format international largement utilisé Universal Dependency (voir la fig. 18; les étiquettes grammaticales ne sont pas indiquées ici; l’exemple est un exemple de finnois annoté syntaxiquement).
FIG. 18. Format Universal Dependency
L’un des principaux objectifs de l’analyse syntaxique automatique est de créer un analyseur syntaxique fondé sur des méthodes statistiques (en anglais, statistically-based parser), qui s’appuierait sur ALKSNIS comme référence pour l’analyse syntaxique et servirait à annoter de grands volumes de textes.
Si les ressources le permettent, l’analyse syntaxique peut également être étendue à d’autres domaines, par exemple à l’annotation des rôles thématiques (en anglais, thematic role annotation). Il s’agit d’une représentation sémantique particulière, liée à la valence. Dans le système interne d’annotation syntaxique, ce niveau est attribué à chaque mot et n’est actuellement pas visible du public, car il est encore expérimental, insuffisamment développé et non vérifié. Il serait également utile d’annoter les expressions figées (en anglais, multi-word
BENDRINĖ KALBA 90 (2017) www.bendrinekalba.lt ISSN 2351-7204
Page 28
AGNĖ BIELINSKIENĖ, LOÏC BOIZOU, ERIKA RIMKUTĖ. Lietuvių kalbos morfologiškai ir sintaksiškai anotuoti tekstynai | 28
expressions, MWE22), qui comprennent des collocations et des phraséologismes. Jusqu’à présent, elles n’étaient pas annotées dans le corpus, à l’exception des locutions morphologiques dont les éléments sont réunis en une seule unité (par exemple, pour l’instant, de loin) et qui remplissent une seule fonction morphologique et syntaxique (elles sont le plus souvent étiquetées comme des adverbes et des compléments circonstanciels). Il est également prévu d’annoter les relations anaphoriques (lorsqu’un nom employé dans une phrase est remplacé par un pronom dans une autre phrase (ou dans une autre partie de la phrase), c’est-à-dire d’annoter les liens entre le pronom et le nom qu’il remplace).
LITERATŪRA
Bielinskienė A., Boizou L., Kovalevskaitė J., Rimkutė E. 2016: Lithuanian dependency treebank ALKSNIS. – Human language technologies – the Baltic perspective: proceedings of the 7th international conference, Baltic HLT 2016. Amsterdam: IOS Press, 107–114. Prieiga internete: http://ebooks.iospress.nl/volumearticle/45523 (žiūrėta 2017 10 15).
Boizou L., Zamblera F. 2014. Syntactic engine for the Lithuanian language. – Human language technologies – the Baltic perspective: proceedings of the 6th international conference, Baltic HLT 2014. Amsterdam: IOS Press, 69–74. Prieiga internete: http://ebooks.iospress.nl/publication/38006 (žiūrėta 2017 10 15).
Bro į kaitė K. 2017: Tarinio raiška gramatinėmis formomis sintaksiškai anotuotame lietuvių kalbos tekstyne ALKSNIS. Magistro darbas. Vytauto Didžiojo universitetas.
Dadūrkevičius 2017: Lietuvių kalbos gramatika skaitmeniniame atvirojo kodo pasaulyje. – 24-osios Jono Jablonskio konferencijos Skaitmeniniai kalbos ištekliai jų plėtros kryptys ir panaudos galimybės pranešimų tezės. 2017 m. rugsėjo 29 d., Vilnius.
Hajič J., Panevová J., Buráňová E., Urešová Z., Bémová A. 1999: ANNOTATIONS AT ANALYTICAL LEVEL. Instructions for annotators (11.10.1999), UK MFF ÚFAL Praha. Prieiga internete https://ufal.mff.cuni.cz/pedt2.0/publications/a-man-en.pdf (žiūrėta 2017 11 05).
Kapočiūtė-Dzikienė J., Rimkutė E., Boizou L. 2017: A Comparison of Lithuanian Morphological Analyzers. – 20th International Conference Text, Speech, and Dialogue (TSD 2017). Springer International Publishing AG, 47–56.
Muischnek K., Müürisep K., Puolakainen T. 2014: Dependency Parsing of Estonian: Statistical and Rule-based Approaches. – Human Language Technologies – The Baltic Perspective: proceedings of the 6th international conference, Baltic HLT 2014. Amsterdam:
22 Pastoviųjų junginių tyrimams skirtas tarptautinis projektas PARSEME, žr. https://typo.uni-konstanz.de/parseme/.
BENDRINĖ KALBA 90 (2017)
www.bendrinekalba.lt
ISSN 2351-7204
Page 29
AGNĖ BIELINSKIENĖ, LOÏC BOIZOU, ERIKA RIMKUTĖ. Lietuvių kalbos morfologiškai ir sintaksiškai anotuoti tekstynai | 29
Pretkalniņa L., Rituma L., Saulīte B. 2016: Universal Dependency Treebank for Latvian: A Pilot. – Proceedings of the 7th International Conference on Human Language Technologies – the Baltic Perspective: proceedings of the 7th international conference, Baltic HLT 2016. Amsterdam: IOS Press, 136–143. Prieiga internete: http://ebooks.iospress.nl/volumearticle/45527 (žiūrėta 2017 10 10).
Rimkutė E. 2006: Morfologinio daugiareikšmiškumo ribojimas kompiuteriniame tekstyne. Daktaro disertacija. Vytauto Didžiojo universitetas.
Utka A. 2009: Dažninis rašytinės lietuvių kalbos žodynas: 1 milijono žodžių morfologiškai anotuoto tekstyno pagrindu. Kaunas: Vytauto Didžiojo universiteto leidykla. Prieiga internete: http://donelaitis.vdu.lt/publikacijos/Dazninis_zodynas.pdf (žiūrėta 2017 12 07).
Utka A., Bielinskienė A., Boizou L., Kovalevskaitė J., Repečka V., Rimkutė E. 2017: Kalbos technologijos – būtina sąlyga kalbai egzistuoti. BNS Spaudos centras. 2017 m. spalio 5, 1–4. Prieiga internete: http://sc.bns.lt/view/item/246397 (žiūrėta 2017 10 20).
Zeldes A. 2016: ANNIS User Guide (Version 3.4.3). Prieiga internete: http://corpus-tools.org/annis/resources/ANNIS_User_Guide_3.4.3.pdf (žiūrėta 2017 10 31).
Zinkevičius V. 2000: Lemuoklis – morfologinei analizei. – Darbai ir dienos, 24, 245–274. Prieiga internete: http://donelaitis.vdu.lt/publikacijos/zinkevicius.pdf (žiūrėta 2017 10 07).
Zipser F., Romary L. 2010: A model oriented approach to the mapping of annotation formats using standards. – Proceedings of the Workshop on Language Resource and Language Technology Standards, LREC 2010. Malta. Prieiga internete: http://hal.archives-ouvertes.fr/inria-00527799/en/ (žiūrėta 2017 12 07).
Įteikta 2017 11 06
Priimta 2017 12 20
BENDRINĖ KALBA 90 (2017)
www.bendrinekalba.lt
ISSN 2351-7204
Page 30
AGNĖ BIELINSKIENĖ, LOÏC BOIZOU, ERIKA RIMKUTĖ. Lietuvių kalbos morfologiškai ir sintaksiškai anotouti tekstynai | 30
LITHUANIAN MORPHOLOGICALLY ANNOTATED CORPUS AND TREEBANK
Summary
Annotated corpora are fundamental resources, which are very useful to develop language technology. The size, quality, and structure of such annotated corpora has a direct influence on the development of other tools. This article describes two annotated corpora prepared by the Centre of Computational Linguistics at Vytautas Magnus University: MATAS, a morphologically annotated corpus, and ALKSNIS, a treebank. It mainly discusses the structure and the tag set of both corpora, as well as the annotation procedure and tools. Both corpora are available online through ANNIS interface, therefore the syntax of ANNIS simple and complex requests is summarised for the Lithuanian potential users.
