cnk:syn2020:lemmatizace - Příručka ČNK

Tato stránka je pouze pro čtení. Můžete si pouze prohlédnout zdrojový kód, ale ne ho měnit. Zeptejte se správce, pokud si myslíte, že něco není v pořádku.
~~NOTOC~~

====== Korpus SYN2020: Lemmatizace ======

V korpusu SYN2020 je zavedena tzv. **dvojúrovňová lemmatizace**: každý tvar má vedle atributu **lemma** přiřazen i atribut **sublemma**. Lemma sdružuje i více variant jednoho slova (např. lemma //filozofie// reprezentuje všechny tvary s kořenem //filozof// i //filosof//), sublemmata vymezují podskupiny tvarů podle této variantnosti (sublemma //filozofie// reprezentuje jen tvary s kořenem //filozof//, sublemma //filosofie// jen tvary s kořenem //filosof//). Pokud je slovo nevariantní, sublemma je totožné s lemmatem (např. lemma //kniha// reprezentuje stejnou množinu tvarů jako sublemma //kniha//).

Sublemmata však pokrývají nejen tento základní typ variantnosti, ale i další způsoby alternací. Konceptem lemmatu a sublemmatu jsou značeny níže uvedené vztahy mezi slovy (před dvojtečkou je uvedeno lemma, za dvojtečkou jeho sublemmata pokrývající uvedený vztah).

===== 1. Sublemmata jako synonymní varianty napříč celým paradigmatem =====

Základní variantnost. Ortografická a/nebo hlásková alternace je platná na všech pozicích paradigmatu. Příklady:

  * **ortografická** variantnost, zejména ve slovech cizího původu: s/z (filozof: filozof/filosof; organismus: organismus/organizmus), o/ó (citron: citron/citrón), t/th (teolog: teolog/theolog) a další změny (camping: camping/kempink; lobbista: lobbista/lobista; tsunami: tsunami/cunami; rádio: rádio/radio; brífink: brífink/briefing aj.) 
  * **hlásková** variantnost: ý/ej (mýdlo: mýdlo/mejdlo), í/ej/é (vylézat: vylézat/vylízat/vylejzat) a další změny (seškrábat: seškrábat/seškrabat; dolík: dolík/ďolík; přilba: přilba/přílba aj.)
  * variantnost v použití **spojovníku**: (email: email/e-mail; gore-tex: gore-tex/goretex); \\ variantní sublemmata s alternací spojovníku jsou uvedena ve [[cnk:syn2020:seznamy:spojovnik_nespojovnik_sublemmata|zvláštním seznamu]]. 
  * speciálním případem jsou alternace tvarů **deverbativních adjektiv**: (stažený: stažený/stáhnutý); \\ tato variantní sublemmata jsou uvedena ve [[cnk:syn2020:seznamy:deverbativni_adj_sublemmata|zvláštnímu seznamu]].

příklad značení (lemma //citron//):

^ pozice paradigmatu ^ tvar ^ sublemma ^ lemma ^ tag ^
| nominativ singuláru | citron | citron | citron | %%NNIS1-----A----%% |
| :::                 | citrón | citrón | citron | %%NNIS1-----A----%% |
| genitiv singuláru | citronu | citron | citron | %%NNIS2-----A----%% |
| :::                 | citrónu | citrón | citron | %%NNIS2-----A----%% |
| atd. |||||

Seznamy sublemmat s s hláskovými a ortografickými změnami neuvádíme. Publikujeme však návod, jak uvedená sublemmata dohledat v rozhraní Kontext, viz oddíl [[cnk:syn2020:seznamy:pokrocily_dotaz_sublemmata#hlaskova_a_ortograficka_variantnost_apelativ|Hlásková a ortografická variantnost apelativ]].

===== 2. Sublemmata jako synonymní varianty v části paradigmatu =====

Sublemma zastupuje hláskovou nebo morfologickou alternaci, která je platná na pozici lemmatu a obvykle i na části dalších pozic v paradigmatu. Na pozicích, kde alternace není, se anotuje sublemma, které se rovná lemmatu:\\

=== Příklady variantních sublemmat u sloves: ===

  * alternace v **infinitivech a minulém příčestí** (myslet: myslet/myslit);\\ seznam sloves s touto alternací je uveden na [[cnk:syn2020:seznamy:slovesa_castecna_paradigmata_l-ova_pricesti_sublemmata|zvláštní stránce]]

  * alternace v **infinitivech** (péci: péci/péct/píct; být: být/bejt);\\ seznam sloves s alternací pouze infinitivu je uveden na [[cnk:syn2020:seznamy:slovesa_castecna_paradigmata_infinitivy_sublemmata|zvláštní stránce]]

  * **kombinované alternace** v infinitivech a dalších částech paradigmat (lít: lít/lejt; \\ obléknout: obléknout/obléci/obléct/oblíknout/oblíct/vobléknout/vobléci/vobléct/voblíct);\\ seznam sloves s dalšími kombinacemi alternací je uveden na [[cnk:syn2020:seznamy:slovesa_castecna_paradigmata_zvlastni_sublemmata|zvláštní stránce]]


[Pozn.: Archaické infinitivy na -ti nikdy netvoří sublemma, jsou tvarem pod nejbližšími sublemmaty, např. "mysliti" je pod sublemmatem "myslit". Viz příklad.]

Příklad značení (lemma //myslet//):

^ pozice paradigmatu ^ tvar ^ sublemma ^ lemma ^ tag ^
| infinitiv | myslet  | myslet | myslet | %%Vf--------A-I--%% |
| :::       | mysleti | myslet | myslet | %%Vf--------A-I-2%% |
| :::       | myslit  | myslit | myslet | %%Vf--------A-I--%% |
| :::       | mysliti | myslit | myslet | %%Vf--------A-I-2%% |
| l-ové příčestí ženského rodu | myslela  | myslet | myslet | %%VpFS----R-AAI--%% |
| :::                          | myslila  | myslit | myslet | %%VpFS----R-AAI--%% |
| 1. osoba singuláru indikativu prézentu | myslím   | myslet | myslet | %%VB-S---1P-AAI--%% |


=== Příklady variantních sublemmat u substantiv: ===

  * kuchyň (kuchyně: kuchyně/kuchyň) – alternace jen v nominativu singuláru a akuzativu singuláru
  * dinosaur (dinosaurus: dinosaurus/dinosaur) – alternace jen v nominativu singuláru

příklad značení (lemma //kuchyně//):

^ pozice paradigmatu ^ tvar ^ sublemma ^ lemma ^ tag ^
| nominativ singuláru | kuchyně | kuchyně | kuchyně | %%NNFS1-----A----%% |
| :::                 | kuchyň | kuchyň | kuchyně | %%NNFS1-----A----%% |
| akuzativ singuláru  | kuchyni  | kuchyně | kuchyně | %%NNFS4-----A----%% |
| :::                 | kuchyň | kuchyň | kuchyně | %%NNFS4-----A----%% |
| genitiv singuláru   | kuchyně   | kuchyně | kuchyně | %%NNFS2-----A----%% |

Seznam těchto variantních sublemmat substantiv je uveden na [[cnk:syn2020:seznamy:substantiva_castecna_paradigmata_sublemmata|zvláštní stránce]].

=== Příklady variantních sublemmat u dalších slovních druhů: ===

  * von (on: on/von) – alternace u tvarů von, vona, vono;\\ voni (oni: oni/voni) – alternace u tvarů voni, vony
  * sedum (sedm: sedm/sedum); osum, vosum (osm: osm/osum/vosum) – alternace u tvarů nominativu singuláru a akuzativu singuláru

[Pozn. Alternace vznikající jen na dalších pozicích paradigmatu mimo lemma (např. předložkové tvary zájmena //on//) nezakládají nové sublemma. Tyto varianty se liší pouze v tagu. Viz příklad.]

příklad značení (lemma //on//):

^ pozice paradigmatu ^ tvar ^ sublemma ^ lemma ^ tag ^
| nominativ singuláru feminina | ona | on | on | %%PPFS1--3-------%% |
| :::                 | vona | von | on | %%PPFS1--3-------%% |
| genitiv singuláru feminina  | jí | on | on | %%PPFS2--3-------%% |
| :::                 | ní | on | on | %%P5FS2--3-------%% |


===== 3. Sublemmata jako zástupci oddělených, ale úzce souvisejích paradigmat =====

=== Supletivismus a zvláštní kategorie stupňování ===

Supletivní části paradigmat u substantiv (člověk vs. lidé), supletivní stupňování u adjektiv a adverbií (dobrý vs. lepší, dobře vs. lépe vs. líp) jsou reprezentovány zvláštními sublemmaty. K propojení paradigmat dochází v lemmatu. V rámci lemmatu adjektiv a adverbií se připojují i zvláštní tvary stupňované prefixoidem //sebe-// (//sebedokonalejší//, //sebelépe//, //sebelíp//):

  * supletivní paradigma substantiv (rok: rok/léta; člověk: člověk/lidé)
  * supletivní stupňování (dobrý: dobrý/lepší/nejlepší; dobře: dobře/lépe/líp)
  * zvláštní typ stupňování (příjemný: příjemný/sebepříjemnější)

příklad značení (lemma //dobře//):

^ pozice paradigmatu ^ tvar ^ sublemma ^ lemma ^ tag ^
| pozitiv | dobře | dobře | dobře | %%Dg-------1A----%% |
| komparativ | lépe | lépe | dobře | %%Dg-------2A----%% |
| :::                 | líp | líp | dobře | %%Dg-------2A----%% |
| superlativ | nejlépe | lépe | dobře | %%Dg-------3A----%% |
| :::                 | nejlíp | líp | dobře | %%Dg-------3A----%% |
| tvar sebe- | sebelépe | sebelépe | dobře | %%Db-------------%% |
| :::                 | sebelíp | sebelíp | dobře | %%Db-------------%% |

Seznam všech supletivních paradigmat substantiv i supletivně stupňovaných adjektiv a adverbií je uveden na [[cnk:syn2020:seznamy:supletivismus_sublemmata|zvláštní stránce]]. Pro sublemmata se zvláštním stupňováním (sebe-) publikujeme návod, jak je dohledat, viz sekci [[cnk:syn2020:seznamy:pokrocily_dotaz_sublemmata#sublemmata_zvlastniho_druhu_stupnovani_sebe|Sublemmata zvláštního druhu stupňování]].

[Pozn. V pravidelně stupňovaných paradigmatech adjektiv a adverbií se u všech stupňovaných tvarů sublemma rovná lemmatu, tj. základnímu tvaru pozitivu.) 

=== Negace adjektiv a adverbií ===

Pravidelně negované tvary adjektiv a adverbií jsou reprezentovány vlastním negovaným sublemmatem a jsou lemmatizovány afirmativním tvarem:

  * negace adjektiv (bezpečný: bezpečný/nebezpečný)
  * negace adverbií (dlouho: dlouho/nedlouho)

Osamostatněné původně negativní tvary adjektiv a adverbií (např. //nesporný//, //nevyzpytatelný//, //neustálý//, //nevybíravě//, //nestranně//) mají vlastní lemma a v tagu mají značenou afirmaci, viz oddíl [[cnk:syn2020:negace|negace]].

příklad značení (lemmata //bezpečný//, //vybíravě//, //nevybíravě//):

^ pozice paradigmatu ^ tvar ^ sublemma ^ lemma ^ tag ^
| afirmativní nominativ singuláru neutra v pozitivu | bezpečné | bezpečný | bezpečný | %%AANS1----1A----%% |
| afirmativní nominativ singuláru neutra v komparativu | bezpečnější | bezpečný | bezpečný | %%AANS1----2A----%% |
| negovaný nominativ singuláru neutra v pozitivu | nebezpečné | nebezpečný | bezpečný | %%AANS1----1N----%% |
| negovaný nominativ singuláru neutra v komparativu | nebezpečnější | nebezpečný | bezpečný | %%AANS1----2N----%% |

^ pozice paradigmatu ^ tvar ^ sublemma ^ lemma ^ tag ^
| pozitiv | vybíravě | vybíravě | vybíravě | %%Dg-------1A----%% |
| pozitiv | nevybíravě | nevybíravě | nevybíravě | %%Dg-------1A----%% |

K **lemmatizaci negace** všech slovních druhů více v oddílu [[cnk:syn2020:negace|negace]].

=== Jmenné tvary adjektiv ===

Jmenné tvary adjektiv nesou vlastní sublemma (//mlád//), lemmatizovány jsou dlouhým tvarem adjektiva (//mladý//). Jako sublemma se používá tvar maskulina. Pokud je tvar maskulina neexistující nebo raritní, užívá se tvaru feminina (//patrna//).

  * jmenný tvar maskulinní (šťastný: šťastný/šťasten)
  * jmenný tvar femininní (patrný: patrný/patrna)

[Pozn. Obecněčeské koncovky adjektiv typu "mladej" nezakládají vlastní sublemma. Tyto varianty se liší pouze v tagu na 15. pozici. Vlastní sublemmata ale zakládají negované varianty jmenných tvarů. Viz příklad.]

příklad značení (lemma //šťastný//):

^ pozice paradigmatu ^ tvar ^ sublemma ^ lemma ^ tag ^
| nominativ singuláru feminina v pozitivu v dlouhém tvaru | šťastná | šťastný | šťastný | %%AAFS1----1A----%% |
| singulár feminina v pozitivu ve jmenném tvaru | šťastna | šťasten | šťastný | %%ACFS------A----%% |
| negovaný singulár feminina v pozitivu ve jmenném tvaru | nešťastna | nešťasten | šťastný | %%ACFS------N----%% |
| nominativ singuláru maskulina živ. v pozitivu v dlouhém tvaru  | šťastný | šťastný | šťastný | %%AAMS1----1A----%% |
| :::  | šťastnej | šťastný | šťastný | %%AAMS1----1A---6%% |

Seznam všech sublemmat jmenných tvarů je uveden na [[cnk:syn2020:seznamy:jmenne_tvary_sublemmata|zvláštní stránce]].

===== 4. Sublemmata jako varianty neohebných slovních druhů a zájmen =====

U neohebných slovních druhů a zájmen sublemmata reprezentují nejen hláskovou a ortografickou variantnost, ale i další typy variant se stejným formálním základem (//teďka//, //teďky//, //teďkonc//). Variantnost se týká i vokalizovaných předložek (//v//, //ve//) a zájmen, kde jsou v rámci lemmatu sdružena sublemmata s některými postfixy (//kterýžto//, //kdož//). V souladu s pojetím v bodě (3) byla do sublemmat propojena/oddělena i zájmena s některými postfixy. 

Příklady:

  * hned (hned: hned/hnedka/hnedky/hnedle/hnedlinko)
  * teď (teď: teď/teďka/teďky/teďko/teďkon/teďkonc)
  * doposud (doposud: doposavad/doposavád/doposaváď/doposavaď)
  * ahoj (ahoj: ahoj/ahojka/ahojky/ahojte)
  * kvůli (kvůli: kvuli/kůli/kvůlivá/kůlivá)
  * kdokoli (kdokoli: kdokoli/kdokoliv/kdožkolivěk/kdožkoliv/kdožkoli)
  * zájmena (jenž: jenž/jenžto; kdo: kdo/kdož/kdože/ktož; který: který/kerý/kterýž/kterýžto)
  * vokalizované předložky (k: k/ke/ku)

Seznamy variantních sublemmat zvlášť neuvádíme. Každý uživatel si je ale může připravit pomocí pokročilého dotazu v rozhraní Kontext, viz návod v sekci [[cnk:syn2020:seznamy:pokrocily_dotaz_sublemmata#sublemmata_u_neohebnych_slovnich_druhu_a_zajmen|Sublemmata u neohebných slovních druhů a zájmen]]. 

===== 5. Sublemmata jako varianty u proprií =====

Variantnost u proprií je řešena v závislosti na typu vlastního jména. Vyjma oblasti geografických názvů a obyvatelským jmen je značení pomocí sublemmat zaměřeno na tzv. varianty s prostupnými paradigmaty, tj. varianty, které se liší v zakončení nominativu, ale mají / mohou mít shodné tvary v dalších pádech (např. //Marka// může být genitiv od //Marek//, //Mark//, //Marc//, //Marko// i //Marco//). Homonymní tvary dostávají v takovém případě sublemma, které je rovno lemmatu. V omezené míře se pomocí sublemmat vyjadřuje variantnost hlásková a pravopisná.

==== Sublemmata u křestních jmen ====

U křestních jmen se pod jedno zvolené lemma zahrnují jednak varianty s prostupnými paradigmaty, jednak omezeně i varianty ortografické a hláskové (relevantní jsou jevy jako vokalická délka, rozdíl i/y, í/ý, s/z, zdvojování souhlásek, jen omezeně rozdíl c/k).

  * Robert (Robert: Robert/Róbert/Roberto)
  * Marek (Marek: Marek/Mark/Marc/Marco/Marko)
  * Lydie (Lydie: Lydie/Lýdie/Lydia)
  * Platón (Platón: Platón/Platon)
  * Nicoletta (Nicoletta: Nicoletta/Nicolette)

[Pozn.: Pokud jsou oba typy variantnosti v konfliktu, dává se přednost variantám s prostupnými paradigmaty (tj. např. Daniella: Daniella/Danielle, nikoliv Daniela: Daniela/Daniella nebo konfliktní Daniela: Daniela/Daniella/Danielle)).]

==== Sublemmata u příjmení ====

U příjmení nejsou do jednoho lemmatu sjednocovány hláskové a ortografické varianty. Pod společné lemma se zahrnují jen varianty s prostupnými paradigmaty, a to u skloňovaných mužských slovanských příjmení se zakončeními //-ý//, //-i//, //-y//, //-ij//, //-oj// (sjednocují se pod lemma s českým zakončením //-ý//) a také ženských slovanských příjmení se zakončením //-á//, //-a// (sjednocují se pod lemma s českým zakončením //-á//):

  * Lykowský (Lykowský: Lykowský/Lykowski/Lykowsky)
  * Dostojevský (Dostojevský: Dostojevský/Dostojevskij)
  * Tolstý (Tolstý: Tolstý/Tolstoj)
  * Lykowská (Lykowská: Lykowská/Lykowska)

==== Sublemmata u geografických názvů a obyvatelských jmen ====

U geografických a obyvatelských jmen se pomocí lemmat a sublemmat sjednocují různé ortografické a hláskové varianty. Kritériem pro uvedení pod jedním lemmatem je (alespoň potenciálně) shodná reference označujícího a zároveň ortografická a hlásková blízkost; pomocným kritériem je shodná/blízká skloňovatelnost (nesjednocuje se tedy např. //Řezno// a //Regensburg//; tento vztah porušuje všechna kritéria vyjma shodné reference). Příklady:

  * t/th (Atény: Atény/Athény)
  * i/í (Kuřívody: Kuřívody/Kuřivody)
  * přítomnost spojovníku, v/w, j/i, elize ch (Tchaj-wan: Tchaj-wan/Tchajwan/Tchai-wan/Tchaiwan/Tchajvan/Taiwan/Tajvan/Tajwan)
  * o/ó, j/y (Kjóto: Kjóto/Kyoto/Kjótó)
  * a/á (Ázerbájdžánec: Ázerbájdžánec/Ázerbajdžánec)

\\
Seznamy variantních sublemmat u proprií neuvádíme. Publikujeme ale návod, jak sublemmata dohledat v rozhraní Kontext, viz sekci [[cnk:syn2020:seznamy:pokrocily_dotaz_sublemmata#sublemmata_u_proprii|Sublemmata u proprií]].

\\
%%%% >> [[cnk:syn2020|Zpět na hlavní stránku Korpus SYN2020]]
Historie: • seznamy • genre • hledani_v_mluvenych_korpusech • struktura-capek • struktura_ortofon • oral2006 • jazyky-v-migraci • totalita • skript_vyhledavani_a_subkorpusy