AplikaceAplikace
Nastavení

Rozdíly

Zde můžete vidět rozdíly mezi vybranou verzí a aktuální verzí dané stránky.

Odkaz na výstup diff

Obě strany předchozí revizePředchozí verze
Následující verze		Předchozí verze
cnk:lemtag_mluv [2017/06/01 11:03] – [Lemmatizace a tagování mluvených korpusů] petrapoukarovacnk:lemtag_mluv [2017/07/10 08:29] (aktuální) – [Literatura] zuzanakomrskova
Řádek 17: Řádek 17:
 ===== Úpravy morfologického slovníku ===== ===== Úpravy morfologického slovníku =====
  
-Výchozí morfologický slovník MorfFlex CZ (Hajič - Hlaváčová, 2013) byl ručně a poloautomaticky doplňován, upravován nebo byly některé interpretace gramatických kategorií vynechány s ohledem na cílový registr (např. tvar //bej// představuje v mluvených datech pouze redukovanou variantu slovesa //být//, a nikoliv substantivum). Nerozpoznané tvary byly doplňovány od frekvence 5 výskytů. +Výchozí morfologický slovník MorfFlex CZ (Hajič–Hlaváčová, 2013) byl ručně a poloautomaticky doplňován, upravován nebo byly některé interpretace gramatických kategorií vynechány s ohledem na cílový registr (např. tvar //bej// představuje v mluvených datech pouze redukovanou variantu slovesa //být//, a nikoliv substantivum). Nerozpoznané tvary byly doplňovány od frekvence 5 výskytů. 
 Příklady některých úprav: Příklady některých úprav:
  
 **Poloautomatické** doplňování: **Poloautomatické** doplňování:
-  * **nářeční koncovky** jako např. ak. sg. fem. na -u (//nedělu, chvilu//), slovesné tvary minulého aktivního příčeští (//dělale, chodile//)+  * **nářeční koncovky** jako např. u ak. sg. fem. zakončení na -u (//nedělu, chvilu//), slovesné tvary minulého aktivního příčeští (//dělale, chodile//)
   * varianty lišící se **kvantitou samohlásek** (//myslim, vim, makem, polivka//), **palatalizací** (//tydeň//), **přítomností protetického v-** (//vokýnko, vobrazovka//)   * varianty lišící se **kvantitou samohlásek** (//myslim, vim, makem, polivka//), **palatalizací** (//tydeň//), **přítomností protetického v-** (//vokýnko, vobrazovka//)
-  * "namapování" neznámých tvarů ke známým (se všemi jeho morfologickými intepretacemi)+  * "namapování" neznámých tvarů ke známým (se všemi jeho morfologickými interpretacemi)
  
 **Manuální doplňování**: **Manuální doplňování**:
Řádek 31: Řádek 31:
  
 **Odstranění některých interpretací**: **Odstranění některých interpretací**:
-  * odstranění interpretace jako adverbium: //prostě// +  * odstranění interpretace výrazu jako adverbium: //prostě// 
-  * odstranění interpretace jako imperativ //viď// +  * odstranění interpretace výrazu jako imperativ: //viď// 
-  * odstranění interpretace jako vokativu //pote// (redukovaná výslovnost //pojďte//)+  * odstranění interpretace výrazu jako vokativ: //pote// (redukovaná výslovnost //pojďte//)
  
 **Doplnění některých interpretací** **Doplnění některých interpretací**
Řádek 40: Řádek 40:
 ===== Podoba lemmatu ===== ===== Podoba lemmatu =====
  
-  * většinu slov má lemma v podobě **spisovného lemmatu**, tedy stejnou jako v psaném jazyce, a to i v případech, kdy regionální podoba frekvenčně převažuje (např. pod lemma **týden** spadají všechny tvary regionálních variant //tejden, tydeň, tédeň//) +  * většina slov má lemma v podobě **spisovného lemmatu**, tedy stejnou jako v psaném jazyce, a to i v případech, kdy regionální podoba frekvenčně převažuje (např. pod lemma **//týden//** spadají všechny tvary regionálních variant //tejden, tyden, tydeň, tédeň//) 
-  * slova s** dvojí spisovnou podobou** mají dvojité lemma  (//polívka/polévka//) +  * slova s** dvojí spisovnou podobou** mají vícenásobné lemma (//polívka/polévka//) 
-  * slova, u nichž **nelze jednoznačně přiřadit jednotlivé tvary** mají také dvojité lemma (//myslet/myslit, muset/musit//) +  * slova, u nichž **nelze jednoznačně přiřadit jednotlivé tvary**, mají také vícenásobné lemma (//myslet/myslit, muset/musit//) 
-  * **zkratky** mají dvojIté lemma:// SMS/esemeska, endéer/NDR// +  * **zkratky** mají vícenásobné lemma: //SMS/esemeska, endéer/NDR//  
 + 
 +Vícenásobné lemma funguje jako multihodnota, to znamená, že při zadání jedné z možností vždy dostaneme všechny tvary přiřazené k vícenásobnému lemmatu.
  
-Dvojité lemma funguje jako multihodnota, to znamená, že při zadání jedné z možností vždy dostaneme všechny tvary přiřazené k dvojitému lemmatu. 
  
 ===== Podoba tagu ===== ===== Podoba tagu =====
Řádek 53: Řádek 54:
  
   * **F** pro nedořečená slova (např. //nepoda*//)   * **F** pro nedořečená slova (např. //nepoda*//)
-  * **H** pro neverbální zvuky (hezitační zvuky označené @, responzní //hmm, emm//)+  * **H** pro neverbální zvuky (hezitační zvuky, označené @, responzní //hmm, emm//)
   * **M** pro komentáře (vždy uvedené v kulatých závorkách)   * **M** pro komentáře (vždy uvedené v kulatých závorkách)
 +
 +===== Poděkování =====
 +Rádi bychom poděkovali za konzultace doc. Kláře Osolsobě a Mgr. Daně Hlaváčkové, Ph.D. 
  
 ===== Literatura ===== ===== Literatura =====
Řádek 60: Řádek 64:
 <WRAP round tip 70%> <WRAP round tip 70%>
  
-Kopřivová, M. - Lukeš, D. - Komrsková, Z. - Poukarová, P.: Korpus ORAL: sestavení, lemmatizace a morfologické značkování. In //Korpus - Gramatika - Axiologie// 2017 (v tisku).+Kopřivová, M. - Lukeš, D. - Komrsková, Z. - Poukarová, P. (2017): Korpus ORAL: sestavení, lemmatizace a morfologické značkování. In //Korpus - Gramatika - Axiologie//, 15, 47-67.
  
 Lukeš. D. - Klimešová, P. - Komrsková, Z. - Kopřivová, M. (2015) : Experimental Tagging of the ORAL Series Corpora: Insights on Using a Stochastic Tagger. In: TSD 2015, Ed. P. Král a V. Matoušek. Springer international Publishing, 342-350. Lukeš. D. - Klimešová, P. - Komrsková, Z. - Kopřivová, M. (2015) : Experimental Tagging of the ORAL Series Corpora: Insights on Using a Stochastic Tagger. In: TSD 2015, Ed. P. Král a V. Matoušek. Springer international Publishing, 342-350.

Historie: