AplikaceAplikace
Nastavení

Toto je starší verze dokumentu!


Syntaktická analýza a syntaktické značkování

V některých korpusech ČNK (počínaje SYN2015) se používá syntaktická anotace, označující závislostní vztahy mezi slovy ve větě a skladební funkce jednotlivých slov. Tato syntaktická anotace vychází ze zásad pro anotaci na tzv. analytické rovině v Pražském závislostním korpusu (PDT).

Systém syntaktického značkování: analytická rovina Pražského závislostního korpusu
Analytickou rovinu PDT (PDT 2.0 s revizemi 2.5 a 3.0) jsme zvolili jako východisko pro značkování korpusu SYN2015 ze dvou důvodů: kvůli srozumitelnosti syntaktické teorie v PDT obsažené a kvůli dostupnosti kvalitně „manuálně“ označkovaných dat. Závislostní skladba, podle které je značkováno PDT, vychází z pojetí skladby Vl. Šmilauera a je tedy blízká „tradiční“ české skladbě takové, jaká se dodnes vyučuje na mnoha základních i středních školách, a tedy srozumitelná většímu počtu uživatelů. PDT na analytické rovině navíc obsahuje cca 1,5 milionu kvalitně syntakticky označkovaných dat, která lze využít pro trénink a testování programů pro automatické syntaktické značkování; tolik manuálně označkovaných dat neobsahuje žádný jiný český syntakticky značkovaný korpus.

Automatická syntaktická anotace: parsing
Syntaktická anotace se provádí automaticky, stochastickým programem (parserem), v tomto případě programem TurboParser, a má výrazně vyšší chybovost než anotace morfologická. Přibližně 1/6 tokenů nemá správně určeného „rodiče“ nebo správně přiřazenou syntaktickou funkci. Úspěšnost přiřazení rodiče, tzv. UAS (unlabeled attachment score), je 88,48 %; úspěšnost přiřazení rodiče i syntaktické funkce, tzv. LAS (labeled attachment score), je 82,46 %. Syntaktickou anotaci tedy lze využívat jako rámcové vodítko k dalšímu jazykovému výzkumu, je však nutné počítat s tím, že není spolehlivá. Chybovost je vyšší u méně častých syntaktických funkcí a konstrukcí, u nejčastějších funkcí v obvyklém kontextu klesá pod 10 %.

Závislostní syntaktická struktura
V závislostní syntaktické anotaci je každému tokenu přiřazen jeden „rodič“, tj. jiný token, na kterém je daný token závislý, popř. „kořen“ věty, vnější rodič reprezentující celou větu (na „kořeni“ věty je závislý např. přísudek v hlavní větě). Každému tokenu je také přiřazena jedna syntaktická značka. Syntaktické značky zčásti odpovídají obvyklým skladebním funkcím jako přísudek (Pred), podmět (Sb), přívlastek (Atr) ap., zčásti to jsou funkce pomocné, přiřazené nejčastěji synsémantickým slovům (např. AuxP pro předložku) a interpunkci (AuxK pro interpunkční znaménko na konci věty).

Příklad syntaktické struktury
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).

Vyhledávání syntaktických struktur v KonTextu: syntaktické atributy
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

Související odkazy