Nastavení

Morfologická značka (tag)

Morfologická značka (běžně nazývaná tag) je sumarizací gramatické informace o hledaném slovu (pozici) v konkrétním kontextu. Možné tagy pro každý token se přiřazují na základě morfologické analýzy, výsledný tag je pak pro každý token vybrán během následné desambiguace.

Tagy jsou poziční atributy. Morfologická značka v českých korpusech ČNK je tvořena sekvencí značek (písmen a čísel), které mají specifický význam podle toho, na jaké pozici v kódu stojí. Ve větě Po promoci na londýnské universitě odjel jsem roku 1878 do Netley na školení vojenských chirurgů. má tvar promoci (přesto, že se potenciálně jedná o tvar morfologicky víceznačný) morfologickou značku NNFS6-----A----, která o něm říká, že se jedná o

  • substantivum (=N)
  • běžné substantivum (=N)
  • femininum, tedy ženského rodu (=F)
  • singulár, tedy jednotné číslo (=S)
  • v šestém pádě, tedy lokálu (=6)

Počínaje korpusem SYN2020 se anotuje i zvláštní značka gramatických kategorií slovesa verbtag.

Tagset

Soubor pravidel a hodnot, které se můžou vyskytovat v tagu, se nazývá tagset. Aktuální poziční tagset užívaný v českých korpusech ČNK (dříve se používal tagset jiný) má 15 pozic, každá z nich nese informaci o jiné gramatické kategorii:

  1. Slovní druh
  2. Detailní určení slovního druhu
  3. Jmenný rod
  4. Číslo
  5. Pád
  6. Přivlastňovací rod
  7. Přivlastňovací číslo
  8. Osoba
  9. Čas
  10. Stupeň
  11. Negace
  12. Aktivum/pasívum
  13. Vid
  14. Nepoužito
  15. Varianta, stylový příznak apod.

Tagsety používané v paralelním korpusu InterCorp

Tagsety pro různé jazyky se různí. Jejich přehled naleznete zde.

Související odkazy