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
Poslední revizeObě strany příští revize
cnk:syn2020:agregat [2020/12/17 15:58] Jan Křivancnk:syn2020:agregat [2022/01/03 14:04] – [Tokenizace a morfologické značkování] Jan Křivan
Řádek 1: Řádek 1:
 ====== Korpus SYN2020: Agregáty ====== ====== Korpus SYN2020: Agregáty ======
  
-V korpusu SYN2020 je nově řešena problematika tzv. agregátů, slov, která se v češtině píšou jako jedno slovo, z pohledu syntaxe či určování gramatických kategorií se však chovají spíše jako slova dvě (výjimečně tři).\\ +V korpusu SYN2020 je nově řešena problematika tzv. **agregátů**, slov, která se v češtině píšou jako jedno slovo, z pohledu syntaxe či určování gramatických kategorií se však chovají spíše jako slova dvě (výjimečně tři). V terminologii standardu [[https://universaldependencies.org/|Universal Dependencies]] se o těchto slovech mluví jako o "víceslovných tokenech""multiword tokens".
-\\ +
-Jsou to tyto typy slov:\\ +
-  - spojky //aby//, //kdyby// a //jakoby//: chovají se jako spojky, ale zároveň obsahují kondicionálový tvar slovesa //být//\\ +
-  - spojení víceméně jakýchkoli slov s krátkým tvarem druhé osoby singuláru indikativu slovesa //být//: //s//, nejčastěji //ses//, //sis//, dále spojení l-ových příčestí a //s// (//dělalas//, //viděls//), méně často spojení se zájmeny (//tos//, //komus//) i jinými slovy (//vždyťs//, //knihus//)\\ +
-  - zřídka i spojení slov s krátkým tvarem 2osoby singuláru slovesa //být// odděleného od původního slovesa apostrofem (či znakem apostrofu podobným): //ty´s// +
-  - spojení předložky se zájmenem //co//, //copak// a //on//: //nač//, //očpak//, //zaň//, //doň//\\ +
-  - zcela výjimečně spojení předložkyzájmena a tvaru //s// (2osoby singuláru //být//): //načs//\\+
  
-Tyto agregáty řešíme tak, že původní slovo necháváme jako jeden token, ale tomuto tokenu přiřadíme dvě (tři) sady lemma + sublemma + tag + verbtag. V každém z těchto atributů jsou hodnoty z různých sad odděleny svislítkem.+===== Typy agregátů ===== 
 + 
 +Mezi agregáty lze rozlišit následující typy slov: 
 + 
 +1. spojky **//aby//**, **//kdyby//**: chovají se jako spojky, ale zároveň obsahují kondicionálový tvar slovesa //být// (//abych zjistila//, //kdyby pracoval//); podobně je značena spojka **//jako//** v případech, kdy tvoří pravopisný slitek s kondicionálovým tvarem (//jakoby se ztratil// odpovídající spojení //jako by se ztratil//
 + 
 +2. spojení víceméně jakýchkoli slov s **krátkým tvarem druhé osoby singuláru indikativu prézentu slovesa //být//** (//s//): 
 +  * nejčastěji //ses//, //sis// (//smál ses//, //přála sis//), 
 +  * dále spojení l-ových příčestí a //s// (//dělalas//, //viděls//),  
 +  * méně často spojení se zájmeny (//tos//, //komus//) i jinými slovy (//vždyťs//, //knihus//)\\ 
 + 
 +3. zřídka i spojení slov s krátkým tvarem 2. osoby singuláru slovesa //být// **odděleným apostrofem** (či znakem apostrofu podobným): //proto's//, //ty´s// 
 + 
 +4. spojení **předložky se zájmenem** //co//, //copak// a //on//: //nač//, //očpak//, //zaň//, //doň//\\ 
 + 
 +5. zcela výjimečně spojení **předložky, zájmena a 2. osoby singuláru slovesa //být//**: //načs//\\ 
 + 
 +===== Tokenizace a morfologické značkování ===== 
 + 
 +Uvedené agregáty zpracováváme tak, že původní slovo necháváme jako jeden token, ale tomuto tokenu přiřadíme dvě (tři) sady hodnot lemma + sublemma + tag + verbtag. V každém z těchto atributů jsou hodnoty z různých sad odděleny svislítkem.
  
 Výsledek pak vypadá třeba takto:\\ Výsledek pak vypadá třeba takto:\\
-^ word ^ lemma ^ tag ^ verbtag^ +^ word ^ lemma ^sublemma ^ tag ^ verbtag^ 
-| <code>abych</code> | <code>aby|být</code> | <code>J,-------------|Vc-S---1----I--</code> | <code> ------|A----- </code> +| <code>abych</code> | <code>aby|být</code> | <code>aby|být</code> | <code>J,-------------|Vc-S---1----I--</code> | <code>------|A----- </code> | 
-| <code>ses</code> | <code>se|být</code> | <code>P7--4----------|VB-S---2P-AAI-1</code> | <code>------|A-----</code>+| <code>ses</code> | <code>se|být</code> | <code>se|být</code> | <code>P7--4----------|VB-S---2P-AAI-1</code> | <code>------|A-----</code>
-| <code>naň</code> | <code>na|on</code> | <code>RR--4----------|P5MS2--3-------</code> | <code>------|------</code> |+| <code>naň</code> | <code>na|on</code> | <code>na|on</code> | <code>RR--4----------|P5MS2--3-------</code> | <code>------|------</code> |
  
-Hodnoty atributů u agregátů jsou tedy tzv. **multihodnoty** (pro daný token platí zároveň více hodnot atributu). V důsledku tohoto řešení lze (v pokročilém dotazu) hledat tokeny, které splňují zdánlivě nesmyslné podmínky, např. lemma tokenu je //proč// a zároveň //být// (%%[lemma = "proč" & lemma = "být"]%%) nebo je token adverbium a zároveň sloveso (%%[pos = "D" & pos = "V"]%%). + 
 +Hodnoty atributů u agregátů jsou tedy tzv. **multihodnoty** (pro daný token platí zároveň více hodnot atributu). V důsledku tohoto řešení lze (v pokročilém dotazu) hledat tokeny, které splňují zdánlivě nesmyslné podmínky, např. lemma tokenu je //proč// a zároveň //být// (%%[lemma = "proč" & lemma = "být"]%%) nebo je token adverbium a zároveň sloveso (%%[pos = "D" & pos = "V"]%%)
 + 
 +Poznámka: K dispozici je i zvláštní atribut ''sforma'' - syntaktický slovní tvar, který v rámci agregátu odpovídá jeho uspořádání (např. a|bych, se|s, na|ň), jinak je totožný s atributem ''word''. Atribut ''sforma'' je využit v syntaktickém značkování agregátů, viz níže.
  
 Chceme-li se z nějakého důvodu agregátům vyhnout, lze do pokročilého dotazu například přidat podmínku %%& tag != ".+\|.+"%% (tag neobsahuje "svislítko", tedy není to "multihodnota", není to "agregát"), například %%[lemma = "být" & tag != ".+\|.+"]%% vypíše všechny tvary slovesa //být// kromě "agregátů". Chceme-li se z nějakého důvodu agregátům vyhnout, lze do pokročilého dotazu například přidat podmínku %%& tag != ".+\|.+"%% (tag neobsahuje "svislítko", tedy není to "multihodnota", není to "agregát"), například %%[lemma = "být" & tag != ".+\|.+"]%% vypíše všechny tvary slovesa //být// kromě "agregátů".
-\\ 
  
 +===== Syntaktické značkování =====
 +
 +Při zobrazení syntaktických stromů se jednotlivé části agregátů chovají jako samostatná syntaktická slova. 
 +
 +Ve větě //aby ses měla nač vymluvit// jsou tři agregáty (//aby: aby|být//; //ses: se|být//; //nač: na|co//), celkem je tedy ve větě pět tokenů, ale osm syntaktických slov:
 +
 +{{:cnk:syn2020:agregaty_syntax.png?250|Zobrazení agregátů v syntaktickém stromu }}\\
 +\\
 %%%% >> [[cnk:syn2020|Zpět na hlavní stránku Korpus SYN2020]] %%%% >> [[cnk:syn2020|Zpět na hlavní stránku Korpus SYN2020]]