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.

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 pro různé jazyky se různí. Jejich přehled naleznete zde.