| Obě strany předchozí revizePředchozí verzeNásledující verze | Předchozí verze |
| pojmy:ud [2024/06/17 00:21] – [Syntaktické funkce] alexandrrosen | pojmy:ud [2026/10/07 21:22] (aktuální) – stará verze byla obnovena (2026/10/07 21:16) rosen |
|---|
| ====== Universal Dependencies – UD ====== | ====== Universal Dependencies – UD ====== |
| |
| [[https://universaldependencies.org|Universal Dependencies]] je otevřený mezinárodní projekt, jehož cílem je shromažďovat a nabízet texty v mnoha jazycích, a to s lingvistickou anotací provedenou jednotným způsobem. Zásady morfologické a syntaktické anotace podle UD spolu s anotačními nástroji vytvořenými v rámci tohoto projektu byly využity k anotaci některých nedávno zveřejněných verzí ([[cnk:intercorp:verze13ud|13ud]], [[cnk:intercorp:verze16ud|16ud]]) paralelního korpusu [[https://wiki.korpus.cz/doku.php/cnk:intercorp|InterCorp]]. | [[https://universaldependencies.org|Universal Dependencies]] je otevřený mezinárodní projekt, jehož cílem je shromažďovat a nabízet texty v mnoha jazycích, a to s lingvistickou anotací provedenou jednotným způsobem. Zásady morfologické a syntaktické anotace podle UD spolu s anotačními nástroji vytvořenými v rámci tohoto projektu byly využity k anotaci některých nedávno zveřejněných verzí ([[cnk:intercorp:verze13ud|13ud]], [[cnk:intercorp:verze16ud|16ud]], [[cnk:intercorp:verze17ud|17ud]]) paralelního korpusu [[https://wiki.korpus.cz/doku.php/cnk:intercorp|InterCorp]]. |
| | |
| Obecné zásady anotace jsou uvedeny na stránkách projektu UD ([[https://universaldependencies.org/guidelines.html|UD Guidelines]]), včetně podrobného popisu: | Obecné zásady anotace jsou uvedeny na stránkách projektu UD ([[https://universaldependencies.org/guidelines.html|UD Guidelines]]), včetně podrobného popisu: |
| | **nummod** | [[https://universaldependencies.org/cs/dep/nummod.html | číslovka ]] | // **Jedno** kotě spalo. // | | | **nummod** | [[https://universaldependencies.org/cs/dep/nummod.html | číslovka ]] | // **Jedno** kotě spalo. // | |
| | **nummod:gov** | [[https://universaldependencies.org/cs/dep/nummod-gov.html | číslovka v pádu neshodném se jménem ]] | // **Pět** mužů hrálo karty. // | | | **nummod:gov** | [[https://universaldependencies.org/cs/dep/nummod-gov.html | číslovka v pádu neshodném se jménem ]] | // **Pět** mužů hrálo karty. // | |
| | **obj** | [[https://universaldependencies.org/u/dep/obj.html | přímý předmět ]] | //Cením si **vaší __pomoci__**.// | | | **obj** | [[https://universaldependencies.org/u/dep/obj.html | přímý předmět ]] | //Přiloží si **ruku** na srdce.// | |
| | **obl** | [[https://universaldependencies.org/u/dep/obl.html | jmenné příslovečné určení ]] | //Vzduch se tetelil **__očekáváním__ blaha**. // | | | **obl** | [[https://universaldependencies.org/u/dep/obl.html | jmenné příslovečné určení ]] | //Vzduch se tetelil **__očekáváním__ blaha**. // | |
| | **obl:arg** | [[https://universaldependencies.org/cs/dep/obl.html | předmět v nepřímém pádu nebo přísl. určení ve funkci argumentu ]] | //Otec určitě myslel **jen na __matku__**. Věnoval **jí** knížku. // | | | **obl:arg** | [[https://universaldependencies.org/cs/dep/obl.html | předmět v nepřímém pádu nebo přísl. určení ve funkci argumentu ]] | //Otec určitě myslel **jen na __matku__**. Věnoval **jí** knížku. // | |
| ==== Odkazy na řídící člen ==== | ==== Odkazy na řídící člen ==== |
| |
| * Kromě odkazu na hlavu (''head'' jako slovosledné pořadí hlavy ve větě nebo ''parent'' jako její relativní pozice vůči danému slovu) jsou u každého tokenu uvedeny i některé další atributy jeho hlavy: lemma (''p_lemma''), slovní druh (''p_upos''), morfologické kategorie (''p_feats'') a syntaktická funkce (''p_deprel''). | * Kromě odkazu na hlavu (''head'' jako slovosledné pořadí hlavy ve větě nebo ''parent'' jako její relativní pozice vůči danému slovu) jsou u každého tokenu uvedeny i některé další atributy jeho hlavy: slovní tvar (''p_word''),((Od verze 17ud.)) lemma (''p_lemma''), slovní druh (''p_upos''), morfologické kategorie (''p_feats'') a syntaktická funkce (''p_deprel''). |
| * Token může být vybaven i atributy, které specifikují vlastnosti pomocného slova, které na tokenu závisí. Např. lemma předložky je určeno atributem ''case_lemma'', morfologické kategorie pomocného slovesa atributem ''aux_feats'', morfologické kategorie spony atributem ''cop_feats'', slovní druh determinátoru atributem ''det_upos'', lemma podřadicí spojky atributem ''mark_lemma''. | * Token může být vybaven i atributy, které specifikují vlastnosti pomocného slova, které na tokenu závisí. Např. lemma předložky je určeno atributem ''case_lemma'', morfologické kategorie pomocného slovesa atributem ''aux_feats'', morfologické kategorie spony atributem ''cop_feats'', slovní druh determinátoru atributem ''det_upos'', lemma podřadicí spojky atributem ''mark_lemma''. |
| * Podobné prostředky reprezentace syntaktické struktury používají i jiné syntakticky anotované korpusy zpřístupněné v prohlížeči KonText (např. ''syn2020''). | * Podobné prostředky reprezentace syntaktické struktury používají i jiné syntakticky anotované korpusy zpřístupněné v prohlížeči KonText (např. ''syn2020''). |
| * Spojka závisí na následujícím členu koordinace. Její syntaktická funkce je ''cc''. | * Spojka závisí na následujícím členu koordinace. Její syntaktická funkce je ''cc''. |
| * K identifikaci hlavy bez ohledu na to, zda je token členem koordinace nebo zda je v ní na prvním nebo některém dalším místě, slouží odkaz na tzv. efektivní hlavu: atribut ''e_id'' odkazuje na její identifikátor (pořadové číslo tokenu představujícího hlavu v rámci věty), atribut ''eparent'' na její relativní pozici vůči danému tokenu. | * K identifikaci hlavy bez ohledu na to, zda je token členem koordinace nebo zda je v ní na prvním nebo některém dalším místě, slouží odkaz na tzv. efektivní hlavu: atribut ''e_id'' odkazuje na její identifikátor (pořadové číslo tokenu představujícího hlavu v rámci věty), atribut ''eparent'' na její relativní pozici vůči danému tokenu. |
| * Ve [[en:cnk:intercorp:verze16ud|verzi 16ud]] je další atribut ''e_deprel'', jehož hodnota se rovná hodnotě atributu ''deprel'' daného tokenu, s výjimkou případů, kdy daný token není prvním členem koordinace, tj. když jeho ''deprel'' má hodnotu ''conj''. V těchto případech se hodnota ''e_deprel'' rovná hodnotě ''p_deprel'' – ukazuje tedy syntaktickou funkci celé koordinace. | * Od [[en:cnk:intercorp:verze16ud|verze 16ud]] je u každého tokenu další atribut ''e_deprel'', jehož hodnota se rovná hodnotě atributu ''deprel'' daného tokenu, s výjimkou případů, kdy daný token není prvním členem koordinace, tj. když jeho ''deprel'' má hodnotu ''conj''. V těchto případech se hodnota ''e_deprel'' rovná hodnotě ''p_deprel'' – ukazuje tedy syntaktickou funkci celé koordinace. |
| * Atribut ''e_deprel'' má stejnou hodnotu jako ''p_deprel'' také v případech, kdy má atribut ''deprel'' hodnotu ''fixed'', ''flat'', ''compound'' nebo ''list''. Tokeny, které jsou součástí takových konstrukcí, lze tedy také vyhledávat podle syntaktické funkce celé konstrukce pomocí atributu ''e_deprel''. | * Atribut ''e_deprel'' má stejnou hodnotu jako ''p_deprel'' také v případech, kdy má atribut ''deprel'' hodnotu ''fixed'', ''flat'', ''compound'' nebo ''list''. Tokeny, které jsou součástí takových konstrukcí, lze tedy také vyhledávat podle syntaktické funkce celé konstrukce pomocí atributu ''e_deprel''. |
| * Chceme-li vyhledat všechna slova s určitou syntaktickou funkcí, včetně těch, které jsou součástí koordinace, můžeme ve [[cnk:intercorp:verze13ud|verzi 13ud]], kde atribut ''e_deprel'' chybí, využít atribut ''p_deprel'', který ukazuje syntaktickou funkci hlavy daného tokenu. Např. dotaz na všechny přímé předměty, včetně koordinovaných, tak můžeme formulovat pomocí operátoru disjunkce (%%|%%) takto: ''%%[deprel="obj" | deprel="conj" & p_deprel="obj"]%%''. | * Chceme-li vyhledat všechna slova s určitou syntaktickou funkcí, včetně těch, které jsou součástí koordinace, můžeme ve [[cnk:intercorp:verze13ud|verzi 13ud]], kde atribut ''e_deprel'' chybí, využít atribut ''p_deprel'', který ukazuje syntaktickou funkci hlavy daného tokenu. Např. dotaz na všechny přímé předměty, včetně koordinovaných, tak můžeme formulovat pomocí operátoru disjunkce (%%|%%) takto: ''%%[deprel="obj" | deprel="conj" & p_deprel="obj"]%%''. |
| | * Od [[en:cnk:intercorp:verze17ud|verze 17ud]] má každý token navíc atribut ''e_word'', jehož hodnotou je slovní tvar (hodnota atributu ''word'') efektivní hlavy daného tokenu. |
| |
| |
| ==== Legenda k seznamu atributů ===== | ==== Legenda k seznamu atributů ===== |
| |
| * V {{cnk:intercorp:ud_ic_atributy.pdf|Seznamu atributů podle jazyků ve verzi 13ud}} nebo {{cnk:intercorp:ud_ic16ud_attributy.pdf|Seznamu atributů podle jazyků ve verzi 13ud}} jsou pod sebou všechny atributy v daném korpusu. | * V {{cnk:intercorp:ud_ic_atributy.pdf|Seznamu atributů podle jazyků ve verzi 13ud}} nebo {{cnk:intercorp:ud_ic16ud_attributes.pdf|Seznamu atributů podle jazyků ve verzi 16ud}} jsou pod sebou všechny atributy v daném korpusu. |
| * Ve sloupcích je uvedeno, zda je atribut využit pro jazyk určený zkratkou v záhlaví. | * Ve sloupcích je uvedeno, zda je atribut využit pro jazyk určený zkratkou v záhlaví. |
| * Atributy jsou rozděleny do čtyř kategorií, odlišených barvou pozadí. | * Atributy jsou rozděleny do čtyř kategorií, odlišených barvou pozadí. |
| ==== O korpusu InterCorp s anotací podle UD ==== | ==== O korpusu InterCorp s anotací podle UD ==== |
| |
| Alexandr Rosen: Exploring InterCorp v16ud: the potential of a multilingual parallel treebank with complexity and diversity metrics. Instytut Slawistyki Zachodniej i Południowej, Uniwersytet Warszawski. Warszawa, 10/06/2024. [[https://owncloud.korpus.cz/s/RRdGfaEAw2RMZ8g|Prezentace]] | Olga Nádvorníková a Alexandr Rosen (2024): Vyhledávání v paralelním korpusu za použití anotace Universal Dependencies. [[https://www.youtube.com/watch?v=5l5Vbb1eQDw&t=190s|Záznam workshopu]] z 17. 9. 2024, doprovodné akce [[https://bcl2024.ff.cuni.cz|Bienále české lingvistiky 2024]], viz též [[https://jakobson.korpus.cz/~rosen/BCL2024/P18_SLIDES/Prezentace_Bienale2024_WorkShop.pdf|prezentace]]. |
| |
| | Alexandr Rosen (2024): Exploring InterCorp v16ud: the potential of a multilingual parallel treebank with complexity and diversity metrics. Instytut Slawistyki Zachodniej i Południowej, Uniwersytet Warszawski. Warszawa, 10/06/2024. [[https://jakobson.korpus.cz/~rosen/INTERCORP/SLIDES/2024_UDCM_Wwa.pdf|Prezentace]] |
| |
| Olga Nádvorníková: Analyse contrastive de la complexité syntaxique à l’aide de corpus parallèles. Translitteræ, Laboratoire LATTICE (Langues, Textes, Traitements informatiques et Cognition) – CNRS UMR 8094 (Centre national de la recherche scientifique: Unité mixte de recherche), ENS (L'École normale supérieure). Paris, 28/05/2024. [[https://www.youtube.com/watch?v=wJrCez_XPQY|Video]], [[https://owncloud.korpus.cz/s/aHLBR4soqmoZcFQ|pdf]] | Olga Nádvorníková (2024): Analyse contrastive de la complexité syntaxique à l’aide de corpus parallèles. Translitteræ, Laboratoire LATTICE (Langues, Textes, Traitements informatiques et Cognition) – CNRS UMR 8094 (Centre national de la recherche scientifique: Unité mixte de recherche), ENS (L'École normale supérieure). Paris, 28/05/2024. [[https://www.youtube.com/watch?v=wJrCez_XPQY|Záznam přednášky]], [[https://jakobson.korpus.cz/~rosen/INTERCORP/SLIDES/C4%20Nadvornikova%20Analyse%20contrastiv%20e%20de%20la%20complexité%20syntaxique.pdf|prezentace]]. |
| | |
| Olga Nádvorníková, Alexandr Rosen, Martin Stluka: InterCorp a Universal Dependencies: nové možnosti výzkumu. Teoreticko-metodologický seminář Ústavu českého jazyka a teorie komunikace FF UK. Praha, 20/03/2024, 27/03/2024. [[https://docs.google.com/document/d/1nSPzyhT6oHKUDN8A_uYmWrZH6tAmxTH_pUMOdjg01Eg/edit?usp=sharing|Program workshopu s odkazy na prezentace a záznamy]] | |
| | |
| Alexandr Rosen (2023). The InterCorp parallel corpus with a uniform annotation for all languages. Jazykovedný časopis, 74(1):254–265. [[https://www.juls.savba.sk/ediela/jc/2023/1/jc23-01.pdf|Článek]], [[https://owncloud.korpus.cz/s/wLxfrmwKCACX73W|prezentace]] | |
| | |
| Olga Nádvorníková, Alexandr Rosen, Martin Vavřín: InterCorp s jednotnou morfologickou a syntaktickou anotací podle Universal Dependencies: zážitky tvůrců a uživatelů. Praha, 16/11/2021. | |
| [[https://owncloud.korpus.cz/s/n3XSpYPpcMjbdC6|Video]], pdf: [[https://owncloud.korpus.cz/s/aioW5oXt8Yo7tKp|zážitky tvůrců]], [[https://owncloud.korpus.cz/s/8ALLEPbZnqbLodY|zážitky uživatelů]] | |
| |
| | Olga Nádvorníková, Alexandr Rosen, Martin Stluka (2024): InterCorp a Universal Dependencies: nové možnosti výzkumu. Teoreticko-metodologický seminář Ústavu českého jazyka a teorie komunikace FF UK. Praha, 20/03/2024, 27/03/2024. [[https://docs.google.com/document/d/1nSPzyhT6oHKUDN8A_uYmWrZH6tAmxTH_pUMOdjg01Eg/edit?usp=sharing|Program workshopu s odkazy na prezentace a záznamy]] |
| |
| | Alexandr Rosen (2023). The InterCorp parallel corpus with a uniform annotation for all languages. Jazykovedný časopis, 74(1):254–265. [[https://www.juls.savba.sk/ediela/jc/2023/1/jc23-01.pdf|Článek]], [[https://jakobson.korpus.cz/~rosen/INTERCORP/SLIDES/rosen-slovko-2023.pdf|prezentace]] |
| |
| | Olga Nádvorníková, Alexandr Rosen, Martin Vavřín (2021): InterCorp s jednotnou morfologickou a syntaktickou anotací podle Universal Dependencies: zážitky tvůrců a uživatelů. Praha, 16/11/2021. |
| | [[https://owncloud.korpus.cz/s/n3XSpYPpcMjbdC6|Záznam přednášky]], prezentace: [[https://owncloud.korpus.cz/s/aioW5oXt8Yo7tKp|zážitky tvůrců]], [[https://owncloud.korpus.cz/s/8ALLEPbZnqbLodY|zážitky uživatelů]] |
