Syntactic analysis and syntactic tagging

Some of CNC's corpora (the first of which is SYN2015) are syntactically annotated, marking dependency relations between two words in a sentence and the analytical functions of individual words. This syntactic annotation is based on the principles of the analytical-layer annotation used in the Prague Dependency Treebank (PDT).

The analytical layer of the PDT (PDT 2.0 following revisions 2.5 and 3.0) was chosen as the starting point for tagging the SYN2015 corpus for the following two reasons: firstly because of the intelligibility of the syntactic theory contained in the PDT, and secondly due to the availability of high-quality „manually“ tagged data. The dependency structure based on which the PDT is annotated is based on that of Vl. Šmilauer, and is therefore closely related to the „traditional“ Czech structure as it is taught is the majority of primary and secondary schools to this day, which makes it easily comprehensible for a large number of users. In addition, the PDT's analytical layer contains approximately 1.5 million words of high-quality syntactically annotated data, which can be used to train and test automatic syntactic annotation programs; such a vast quantity of manually annotated data is not contained in any other syntactically annotated corpus of the Czech language.

Syntactic annotation is done automatically, using a stochastic program (parser), in this case the TurboParser program. This kind of annotation has a much lower error rate than morphological annotation. Approximately 1/6 tokens are left without a correctly identified „parent“ or correctly matched syntactic function. The success rate of parent identification, i.e. UAS (unlabeled attachment score), is 88,48 %; the success rate of both parent and syntactic function identification, i.e. LAS (labeled attachment score), is 82.46%. Therefore, although syntactic annotation can be used as an approximate guide for further language research, we must keep in mind that it is not entirely reliable. The error rate is higher for less common syntactic functions and constructions, whereas the most frequent functions in expected contexts have an error rate lower than 10%.

In dependency-based syntactic annotation, each token is assigned one „parent“, i.e. another token on which the given token is dependent, or alternatively the „root“ of the sentence, an external parent representing the entire sentence (e.g. the predicate in the main clause is dependent on the sentence „root“). One syntactic tag is also assigned to each token. Syntactic tags partially correnspond to the usual syntactic functions such as predicate (Pred), subject (Sb), attribute (Atr) etc., and partially they have auxiliary functions, most often assigned to synsemantic words (e.g. AuxP for prepositions) and punctuation marks (AuxK for punctuation marks at the end of a sentence).

Syntaktickou strukturu věty si můžeme přiblížit na příkladu věty Plavidlo bude převážet turisty mezi minaretem a zříceninou Janohrad v parku. Věta je zobrazena jako závislostní strom, kde větve představují závislostní vztahy mezi slovy. V závislostním stromu jsou tokeny se základními syntaktickými funkcemi zobrazeny červeně, tokeny s pomocnými funkcemi jsou zobrazeny zeleně a grafické symboly žlutě.

Na technickém kořenu stromu (vlevo nahoře, s identifikátorem věty) závisí přísudek převážet (Pred) a koncová interpunkce (AuxK). Na přísudku závisí podmět Plavidlo (Sb) a předmět turisty (Obj). Pomocné sloveso bude (AuxV) tvoří s tvarem převážet jeden slovesný tvar, je tedy také zobrazeno jako závislé na tomto uzlu. Kromě toho závisí na slovese převážet i předložková fráze s významem místního určení obsahující koordinaci mezi minaretem a zříceninou Janohrad. Na rovině povrchové syntaxe v PDT funguje předložka jako formálně řídící, na slově převážet je tedy závislá předložka (AuxP), na ní je závislý reprezentant koordinačního spojení, spojka a (Coord). Na koordinačním uzlu jsou závislá obě koordinovaná substantiva z předložkové fráze minaretem a zříceninou (Adv_Co: funkce Adv, příslovečné určení, je doplněna o koncovku _Co, která označuje koordinované členy). Podstatné jméno zříceninou je dále rozvito neshodným přívlastkem Janohrad (Atr). Na koordinačním uzlu (Coord) je také závislá předložková fráze v parku, která sice není koordinovaná, ale rozvíjí oba členy koordinace, tj. jak slovo minaretem, tak slovo zříceninou. Opět je zde předložka v (AuxP) závislá na řídícím členu, na předložce je pak závislé substantivum parku s funkcí přívlastku (Atr).

Pro prohlížení syntakticky anotovaných korpusů se obvykle používají speciální prohlížeče schopné zobrazit syntaktickou strukturu, například program TrEd. V prohlížeči KonTextu možnost zobrazovat syntaktickou strukturu není, lze ale vyhledávat slova a slovní spojení podle syntaktických parametrů. K tomu je každému tokenu přiřazeno několik atributů, některé další atributy jsou pak přiřazeny jen vybraným tokenům. Všechny syntaktické atributy jsou popsané v samostatném článku. Základní syntaktické atributy přiřazené všem tokenům jsou:

• parent (číselný odkaz na pozici řídícího tokenu)
• afun (syntaktická funkce)

Další atributy umožňují vyhledávat podle vlastností „rodiče“. U autosémantických slov lze vyhledávat i podle „efektivního rodiče“, což je nejbližší autosémantický rodič (či prarodič) daného slova. Ve výše uvedeném příkladu by tak slovu zříceninou, které je závislé přes koordinaci a předložku mezi na slovese převážet, byly přiřazeny následující atributy:

afun="Adv_Co";

parent="-1", p_tag="J^--------------", p_lemma="a", p_afun="Coord";

eparent="-5, "ep_tag="Vf--------------", ep_lemma="převážet", ep_afun="Pred";

prep="mezi"

V korpusu pak lze podle těchto atributů vyhledávat, např. lze vyhledat všechna substantiva v akuzativu se syntaktickou funkcí Obj závislá na slovese převážet: [afun="Obj" & tag="NN..4.*" & p_lemma="převážet"]

Nebo lze vyhledat všechna slova (syntaktická substantiva) v sedmém pádě s předložkou mezi závislá na slovese v infinitivu: [prep="mezi" & case="7" & ep_tag="Vf.*"].

— Tomáš Jelínek