AplikaceAplikace
Nastavení

Differences

This shows you the differences between two versions of the page.

Link to this comparison view

Both sides previous revisionPrevious revision
Next revision
Previous revision
en:pojmy:lemma [2016/12/09 20:40] – [The link between a lemma and lexeme] Veronika Pojarováen:pojmy:lemma [2022/04/20 14:07] (current) – [Sublemma] David Lukeš
Line 9: Line 9:
    
 The lemma as a unit originates from an abstraction of a [[en:pojmy:word|word form's]] morphological characteristics, and represents a set of forms which have the same root and differ only on their respective morphological affixes or orthographic form. In some approaches, the selected morphological variants are also associated with the lemma.  The lemma as a unit originates from an abstraction of a [[en:pojmy:word|word form's]] morphological characteristics, and represents a set of forms which have the same root and differ only on their respective morphological affixes or orthographic form. In some approaches, the selected morphological variants are also associated with the lemma. 
 +
 +===== Sublemma =====
 +
 +Starting with the SYN2020 corpus, Czech corpora feature two-level lemmatization: each form is given a sublemma attribute in addition to the lemma attribute. While a lemma may include multiple variants of a single word (e.g. the lemma //filozof// represents all forms with both //filozof// and //filosof// stems), sublemmas delimit subgroups of forms according to this alternation (the sublemma //filozof// represents only forms with the stem //filozof//, while the sublemma //filosof// represents only forms with the stem //filosof//). If the word has no variants, the sublemma is identical to the lemma (e.g. the lemma //kniha// represents the same set of forms as the sublemma //kniha//).
 +
 +Different types of variants are handled as sublemmas (e.g. //mýdlo/mejdlo//, //okno/vokno//, //citron/citrón//, //email/e-mail//, //myslet/myslit//, //mýt/mejt//, //péci/péct/píct//, //kuchyně/kuchyň//, //antivirus/antivir//, //sedm/sedum//, //tenhle/tendle/tenle//, //ačkoli/ačkoliv//, proper names //Robert/Róbert/Roberto//, //Atény/Athény//). Sublemmas are also used to distinguish some specific groups of forms that are subsumed under one lemma (e.g. negated forms of adjectives and adverbs //černý/nečerný//, //hezky/nehezky//, short forms of adjectives //mladý/mlád//, suppletive forms //dobře/lépe/líp//, //člověk/lidé//).
  
 ===== The link between a lemma and lexeme ===== ===== The link between a lemma and lexeme =====
  
-In certain respects a lemma is analogical to a lexeme, differing only in the fact that the lemma is always a single word unit and in most corpora corresponds to the word form occurrences in a 1:1 ratio. Therefore in every corpus the number of lemmas is always smaller than the number of word forms (e.g. in the 100 mil. word corpus SYN2010 we find 1,7 mil. different word forms, but only 786 000 different lemmas).+In certain respects a lemma is the same as a lexeme, differing only in the fact that the lemma is always a single word unit and in most corpora corresponds to the word form occurrences in a 1:1 ratio. Therefore in every corpus the number of lemmas is always smaller than the number of word forms (e.g. in the 100 mil. word corpus SYN2010 we find 1,7 mil. different word forms, but only 786 000 different lemmas).
  
-===== Vztah lemmatu významu =====+===== The relation between lemma and meaning =====
  
-Lemma by mělo být základním nositelem lexikálního významu jednotkyNa základě lemmatu jsou proto sestavovány korpusově založené slovníkyVedle toho se ovšem stále více zdůrazňuje přístupkterý poukazuje na fakt, že význam je úzce spjat s morfologicky vymezeným [[pojmy:word|tvarem]] a že lemma je tak přílišnou abstrakcí zanedbávající důležité sémantické distinkce mezi tvary (srov. význam lemmatu //nerv// a význam tvarů //nerv//který se užívá zejména v kontextu anatomického popisua //nervy//, který je typický svými kolokacemi //leze na nervy, mít nervy na dranc// apod.).+A lemma should be the basic bearer of a unit's lexical meaningThis is why corpus-based dictionaries are compiled based on lemmasSimultaneouslythere is increasingly greater emphasis is placed on an approach which points out that meaning is closely linked to a morphologically defined [[en:pojmy:word|form]], and that the lemma, with it's excessive abstractionneglects some important semantic distinctions between forms.
  
-===== Hyperlemma a lemmatizace diachronních textů =====+===== Hyperlemmas and lemmatization of diachronic texts =====
  
-Přístup k lemmatizaci se může v odůvodněných případech lišitJedním z takových případů je zpracování [[pojmy:diachronni|diachronních]], dialektologických nebo [[pojmy:mluveny|mluvených]] korpusůkde potřeba shlukovat slovní tvary pod jednu jednotku může být ovlivněna i jinými kritérii, než je pouze příslišnost k jednomu morfologickému paradigmatuVždy ovšem platíže lemma je pouze pomůcka pro snadnější vyhledávánínikoli popis nebo interpretace jazykových dat.+Approaches to lemmatization can differ in selected casesOne such case is the processing of [[en:pojmy:diachronni|diachronic]], dialektological or [[en:pojmy:mluveny|spoken]] corporawhere the need to assemble word forms under one unit can be influenced by criteria other than simply falling under one morphological paradigmHoweverit is always the case that a lemma is only a tool for more accessible searchingand not for the description or interpretation of language data.
  
-V případě diachronního korpusu [[cnk:diakorp|DIAKORP]] se proto v budoucnu počítá s lemmatizací pomocí tzv. **hyperlemmat**, která uživateli korpusu umožní vyhledat všechny výskyty konkrétního lexému bez ohledu na různost jeho dobových, pravopisných ajpodob a tvarů (například: při vyhledávání pomocí hyperlemmatu //kůň// bude možno najít i starší české podoby //kóň// a //kuoň//).+In the case of the diachronic corpus [[en:cnk:diakorp|DIAKORP]], lemmatization with the help of so-called **hyperlemmas** is planned in the futureThis will enable the users to find all occurrences of the given lexeme regardless of its various forms (historical and orthographic variants).
  
-===== Lemmatizace =====+===== Lemmatization =====
  
-Lemmatizace je součást automatické morfologické (slovnědruhové) [[pojmy:anotace|anotace]]. Principem lemmatizace je přiřazení lemmatu jednomu slovnímu tvaru (přípskupině slovních tvarův korpusu+Lemmatization is a part of the process of morphological (inclword class) [[en:pojmy:anotace|annotation]]. The principle of lemmatization is the assignment of a lemma to one word form (orgroup of word formsin the corpus
  
-Lemmatizace je typicky součástí procesu [[pojmy:desambiguace|desambiguace (zjednoznačnění)]] slovních tvarů v textu na základě kontextu. Lemmatizace je jednoduchá nekontextová (patří-li lemmatizovaný slovní tvar k paradigmatu jediného lexémunapřslovesnému tvaru //vytvoříme// bude přiřazeno lemma //vytvořit// jakožto reprezentativní podoba příslušného slovesného lexému bez ohledu na kontext). +Lemmatization is typically part of the context-based [[en:pojmy:desambiguace|disambiguation]] process of word forms in text. Lemmatization is simple and independent of context (if the lemmatized word form belongs to the paradigm of one single lexemee.gthe verb form //believed// will be assigned the lemma //believe// as a representative form of the verbal lexeme regardless of context). 
  
-Automatická lemmatizace je naopak nesnadnáje-li lemmatizovaný slovní tvar homonymnítjpatří-li k paradigmatům více lexémůnapřtvar //zvířenou// náleží jednak paradigmatu adjektivního lexému //zvířený//, jednak paradigmatu substantivního lexému //zvířena//. V tomto případě se v procesu lemmatizace na základě kontextu rozhodne, které z potenciálních lemmat se danému tvaru přiřadí. U lexikálních homonym, jejichž morfologické paradigma je totožné, se někdy při lemmatizaci rozlišuje mezi jednotlivými lexikálními významy homonyma, např. //travička_1// vs. //travička_2//+On the other handautomatized lemmatization is problematic when the lemmatized word form is homonymousi.eit belongs to the paradigms of more than one lexemee.g. the form //saw// belongs both the the paradigm of the verbal lexeme //see//, and to the paradigm of the noun lexeme //saw//. In this case the assigned lemma is decided based on context
  
 ==== Problems with lemmatization ==== ==== Problems with lemmatization ====
  
-Velkým lingvistickým i počítačovým problémem je lemmatizace víceslovných spojeníJiným neřešeným problémem při automatické lemmatizaci je lemmatizace všech tvarů pod jediné lemma i tam, kde to není patřičné: napřzdvořilá prosba o dovolení projít //Dovolíte?// se neodráží v žádném z registrovaných významů slova //dovolit//, protože není součástí výlučně morfologické lemmatizace. Podobné je to i u frazémů, kde nelze tvar //holičkách// (frazému //nechat na holičkách//) lemmatizovat jako //holičky// (tvarkterý navíc vůbec neexistuje)+One of the biggest linguistic and computational problems is the lemmatization of multiword expressionsAnother problem of automatic lemmatization which remains unsolved is the lemmatization of all forms under one lemma even in cases where it is not appropriate e.g. //Cheers!//, when no registered meaning of the word //cheer// corresponds with the pragmatic meaningbecause it does not fall under strictly morphological lemmatization
  
 ==== The lemmatization process ==== ==== The lemmatization process ====
  
-Automatickou lemmatizaci provádí počítačový program zvaný //lemmatizátor//, který bývá součástí morfologického [[pojmy:tag|taggeru]], provádějícího morfologickou [[pojmy:desambiguace|desambiguaci]] textuSmyslem lemmatizace je jednak identifikovat v daném kontextu náležitý lexém u homonymních slovních tvarů, jednak umožnit uživateli pracovat nikoli jen se slovními tvary, nýbrž i s lemmaty jakožto reprezentanty příslušných lexémů jejich paradigmatcož mu podstatně usnadňuje práci s korpusem+Automatic lemmatization is done by a computer program called a //lemmatizátor//, which is often part of a morphological [[en:pojmy:tag|tagger]] carrying out the [[en:pojmy:desambiguace|disambiguation]] of the textThe purpose of lemmatization is firstly to identify in given context the appropriate lexeme among homonymous word forms, and secondly to enable the user to work not only with word forms, but also lemmas as representations of the given lexemes and their paradigmsall of which facilitates work with the corpus
  
 ==== Related links ==== ==== Related links ====
  
 <WRAP round box 49%> <WRAP round box 49%>
-[[en:pojmy:anotace|Annotation]] • [[en:pojmy:desambiguace|Disambiguation]] • [[en:pojmy:tag|Tags and tagging]] • [[en:pojmy:word|Word form+[[en:pojmy:anotace|Annotation]] • [[en:pojmy:desambiguace|Disambiguation]] • [[en:pojmy:tag|Tags and tagging]] • [[en:pojmy:word|Word form]]
 </WRAP> </WRAP>