====== 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 terminologii standardu [[https://universaldependencies.org/|Universal Dependencies]] se o těchto slovech mluví jako o "víceslovných tokenech", "multiword tokens".

===== 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:\\
^ word 	^ lemma	^sublemma ^ tag	^ verbtag^
| <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>se|být</code>	| <code>P7--4----------|VB-S---2P-AAI-1</code>	| <code>------|A-----</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"]%%).

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".

===== 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 (modrým písmem jsou v grafu vyznačeny hodnoty atributu ''sforma''):

{{:cnk:syn2020:agregaty_syntax.png?250|Zobrazení agregátů v syntaktickém stromu }}\\
\\
%%%% >> [[cnk:syn2020|Zpět na hlavní stránku Korpus SYN2020]]