| Obě strany předchozí revizePředchozí verzeNásledující verze | Předchozí verze |
| seznamy:frazemy [2016/10/20 15:12] – [Automatická anotace frazémů a ustálených kolokací] vaclavcvrcek | seznamy:frazemy [2021/02/09 13:57] (aktuální) – jankrivan |
|---|
| ====== Automatická anotace frazémů a ustálených kolokací ====== | ====== Automatická anotace frazémů a ustálených kolokací ====== |
| |
| Jako součást korpusu [[cnk:syn:verze4|SYN verze 4]] byla zveřejněna pilotní verze automatické identifikace [[pojmy:frazem|frazémů]] a ustálených [[pojmy:kolokace|kolokací]] nástrojem **FRANTA** (<fc #ff0000>FR</fc>azémová <fc #ff0000>AN</fc>otace a <fc #ff0000>T</fc>extová <fc #ff0000>A</fc>nalýza). Program pracuje tak, že v korpusu vyhledává a označuje frazémy a ustálené kolokace (dále budeme používat zastřešující pojem //víceslovné jednotky//) z předem daného slovníku (seznamu), který v současné době vychází především ze //[[seznamy:if:frazemy_SCFI|Slovníku české frazeologie a idiomatiky]]// a obsahuje okolo 40 000 položek. | Jako součást korpusu [[cnk:syn|SYN]] (od verze 4) byla zveřejněna pilotní verze automatické identifikace [[pojmy:frazem|frazémů]] a ustálených [[pojmy:kolokace|kolokací]] nástrojem **FRANTA** (<fc #ff0000>FR</fc>azémová <fc #ff0000>AN</fc>otace a <fc #ff0000>T</fc>extová <fc #ff0000>A</fc>nalýza). Program pracuje tak, že v korpusu vyhledává a označuje frazémy a ustálené kolokace (dále budeme používat zastřešující pojem //víceslovné jednotky//) z předem daného slovníku (seznamu), který v současné době vychází především ze //Slovníku české frazeologie a idiomatiky// a obsahuje okolo 40 000 položek. |
| |
| Vzhledem k velké variabilitě realizace víceslovných jednotek v korpusu je způsob jejich vyhledávání do značné míry flexibilní: | Vzhledem k velké variabilitě realizace víceslovných jednotek v korpusu je způsob jejich vyhledávání do značné míry flexibilní: |
| Kromě prosté identifikace víceslovných jednotek je tato procedura také součástí procesu automatické pravidlové [[pojmy:desambiguace|disambiguace]], při níž napomáhá v určování správné morfologické interpretace slovních tvarů, které jsou součástí rozpoznaných víceslovných jednotek. | Kromě prosté identifikace víceslovných jednotek je tato procedura také součástí procesu automatické pravidlové [[pojmy:desambiguace|disambiguace]], při níž napomáhá v určování správné morfologické interpretace slovních tvarů, které jsou součástí rozpoznaných víceslovných jednotek. |
| |
| <WRAP round alert 60%> | <WRAP round important 70%> |
| **Upozornění**: Jde o pilotní verzi automatické identifikace frazémů, která má prozatím některé **nedostatky**. Především si nečiní nárok na úplnost, řada výrazů tedy ve slovníku není zahrnutá. Dále je potřeba počítat s tím, že automatická anotace výrazů ze slovníku nemůže být spolehlivá: některé nemusejí být vůbec nalezeny (například proto, že nebyla detekována jejich nestandardní realizace), nebo může být naopak jako frazém označeno užití v doslovném významu (např. //Kocour si líže rány, které mu způsobil sousedův pes.//). | Automatická identifikace frazémů je zatím v pilotní verzi, která má prozatím některé **nedostatky** (viz podrobněji níže). Především si nečiní nárok na úplnost, řada výrazů tedy ve slovníku není zahrnutá. Dále je potřeba počítat s tím, že automatická anotace výrazů ze slovníku nemůže být spolehlivá: některé nemusejí být vůbec nalezeny (například proto, že nebyla detekována jejich nestandardní realizace), nebo může být naopak jako frazém označeno užití v doslovném významu (např. //Kocour si líže rány, které mu způsobil sousedův pes.//). |
| </WRAP> | </WRAP> |
| |
| |
| ====== Označení automaticky identifikovaných víceslovných jednotek v korpusu ====== | ===== Označení automaticky identifikovaných víceslovných jednotek v korpusu ===== |
| |
| Automaticky nalezené víceslovné jednotky jsou v rozhraní [[manualy:kontext:index|KonText]] označeny pomocí dvou [[pojmy:atributy_pozicni|pozičních atributů]]:((U slov, která nejsou součástí žádné označené víceslovné jednotky, jsou hodnoty atributů ''col_lemma'' a ''col_type'' prázdné.)) | Automaticky nalezené víceslovné jednotky jsou v rozhraní [[manualy:kontext:index|KonText]] označeny pomocí dvou [[pojmy:atributy_pozicni|pozičních atributů]]:((U slov, která nejsou součástí žádné označené víceslovné jednotky, jsou hodnoty atributů ''col_lemma'' a ''col_type'' prázdné.)) |
| |
| **col_lemma** (collocation lemma): lemma víceslovné jednotky v podobě slovníkového hesla v základním tvaru (nominativ singuláru, infinitiv apod.); jednotlivé slovní tvary jsou v něm odděleny podtržítkem, konkrétní hodnota atributu ''col_lemma'' může -- v případech velké variability např. u přirovnání -- obsahovat také alternativy, zástupná slova či symboly: | **col_lemma** (collocation lemma): [[pojmy:lemma|lemma]] víceslovné jednotky v podobě slovníkového hesla v základním tvaru (nominativ singuláru, infinitiv apod.); jednotlivé slovní tvary jsou v něm odděleny podtržítkem, konkrétní hodnota atributu ''col_lemma'' může -- v případech velké variability např. u přirovnání -- obsahovat také alternativy, zástupná slova či symboly: |
| |
| * alternativy, např. ''někomu_došla/dojde_trpělivost'' | * alternativy, např. ''někomu_došla/dojde_trpělivost'' |
| [{{:seznamy:frazemy-strom.png?nolink&500|Klasifikace víceslovných jednotek}}] | [{{:seznamy:frazemy-strom.png?nolink&500|Klasifikace víceslovných jednotek}}] |
| |
| | |
| | ===== Zástupná slova v kolokačním lemmatu col_lemma ===== |
| | |
| | ==== Označení slovního druhu ==== |
| | |
| | Jedná se pouze o případy, kdy v užití daného slovního spojení v psaných textech je veliká variantnost některého slova (většinou v přirovnání), kdy nelze předem všechny tyto konkrétní varianty zahrnout do lemmatu ustáleného spojení. |
| | |
| | * ''A'' - nahrazuje libovolné adjektivum v kolokačním [[pojmy:lemma|lemmatu]] (za konkrétní lemma adjektiva v daném výskytu přirovnání v korpusu) |
| | * ''N'' - nahrazuje libovolné substantivum v kolokačním lemmatu (za konkrétní lemma substantiva v daném výskytu přirovnání v korpusu) |
| | * ''V'' - nahrazuje libovolné sloveso v kolokačním lemmatu (za konkrétní lemma slovesa v daném výskytu přirovnání v korpusu) |
| | |
| | ^ Hodnota atributu col_lemma ^ Příklad ^ |
| | | ''col_lemma=%%"%%<fc #ff0000>A</fc>_jako_kámen%%"%%'' | //Svaly v obličeji jsem měl <fc #ff0000>tuhé</fc> jako kámen.// | |
| | | ''col_lemma=%%"%%<fc #ff0000>N</fc>_jako_hrom%%"%%'' | //Tomu se říká <fc #ff0000>návrat</fc> jako hrom!// | |
| | | ''col_lemma=%%"%%<fc #ff0000>N</fc>_do_nepohody%%"%%'' | //Živnostníci potřebují <fc #ff0000>pracanty</fc> do nepohody.// | |
| | | ''col_lemma=%%"%%<fc #ff0000>V</fc>_jako_zařezaný%%"%%'' | //Policista to všecko <fc #ff0000>poslouchal</fc> jako zařezaný.// | |
| | |
| | ==== Zástupné sloveso „dělat“ ==== |
| | |
| | ^ Hodnota atributu col_lemma ^ Příklad ^ |
| | | ''col_lemma=%%"%%<fc #ff0000>dělat</fc>_do_zblbnutí%%"%%'' | //Jeden obraz <fc #ff0000>točíte</fc> do zblbnutí ze všech stran.// | |
| | |
| | ==== Zástupné slovo „něco“, „nějaký“ apod. ==== |
| | |
| | ^ Hodnota atributu col_lemma ^ Příklad ^ |
| | | ''col_lemma=%%"%%v_<fc #ff0000>nějakém</fc>_slova_smyslu%%"%%'' | //Můžete milovat někoho, s kým jste prožili – v <fc #ff0000>biblickém</fc> slova smyslu – jednu jedinou noc?// | |
| | | ''col_lemma=%%"%%za_<fc #ff0000>nějaké</fc>_převahy%%"%%'' | //... ten poslední v Sušici letos na jaře se hrál za <fc #ff0000>výrazné</fc> převahy domácích// | |
| | |
| | ==== Varianty v kolokačním lemmatu ==== |
| | |
| | V některých případech se varianta kolokačního lemmatu vyjadřuje výskytem různých forem slova oddělených lomítkem. |
| | |
| | ^ Hodnota atributu col_lemma ^ Příklad ^ |
| | | ''col_lemma=%%"%%někomu_došla/dojde_trpělivost%%"%%'' | //Najednou vzduch rozčísl hrůzostrašný řev babičky, které už zkrátka došla trpělivost.// | |
| | |
| | |
| | ===== Chybovost frazémové anotace ===== |
| | |
| | Automatické označování ustálených kolokací probíhá bez jakékoliv znalosti syntaktické struktury a valence, je proto u některých hesel (zejména u dvouslovných nesouvislých slovesných frazémů) riziko, že u těchto nesouvislých frazémů mohou nastat problémy s jeho identifikací. Při vyhledávání hesel //mít figuru//, //mít frčku//, //mít náladu//, //mít právo// apod. jsou označeny i falešné výskyty, např.: |
| | |
| | * //Kdy jindy by se <fc #ff0000>měly</fc> zúročit všechny snahy o dokonalou <fc #ff0000>figuru</fc>, ...// |
| | * //V březnu roku 1872 <fc #ff0000>měl</fc> Myslbek v sádře hotovou jednu <fc #ff0000>figuru</fc> a rozpracovanou protější.// |
| | * //... každý, kdo <fc #ff0000>měl</fc> alespoň o jednu tu <fc #ff0000>frčku</fc> navíc, ...// |
| | * //Bulharský premiér Borisov <fc #ff0000>měl</fc> pro dobrou <fc #ff0000>náladu</fc> důvod.// |
| | * //<fc #ff0000>Mám</fc> advokátní praxi zaměřenou na rodinné <fc #ff0000>právo</fc>.// |
| | * //...nevěděli, koho <fc #ff0000>mají</fc> na toto <fc #ff0000>právo</fc> upozornit// |
| | * //... v demokratické společnosti <fc #ff0000>má</fc> každý <fc #ff0000>právo</fc> na své <fc #ff0000>právo</fc>// |
| | |
| | |
| | Pilotní verze frazémové anotace stále trpí některými nedostatky. Jedním z nich je např. to, že některé výskyty frazémů nebo ustálených kolokací nejsou automaticky označené. Důvodů může být několik. |
| | |
| | - doposud nebyla ještě daná kolokace zpracovaná a zařazena do vyhledávání a označení v korpusu |
| | - text je chybně morfologicky diasmbiguovaný, proto se daný výskyt kolokace neidentifikoval. |
| | - příslušná kolokace nebyla zařazeno do programu identifikace, protože automaticky nelze spolehlivě určit, který výskyt daného řetězce slov v textu má hledaný přenesený význam. |
| | |
| | Dalším rizikem automatické anotace je to, že označené výskyty nemusí být frazeologické. |
| | |
| | Frazeologický význam se realizuje jeho výskytem ve frazému. Označování frazémů probíhá automaticky, proto v případě některých obecných slovních spojením je velké riziko, že automaticky, jenom podle výskytu daného řetězce slov v textu, nelze spolehlivě určit, zda se jedná o přenesený frazeologický význam. |
| | |
| | Pozor tedy na **frazeologický** a **doslovný** význam slova. Frazém popisující např. náladu sportovního týmu po těžké porážce (''col_lemma=%%"%%lízat_si_rány%%"%%'') se v doslovném významu v psaných textech objevuje zřídka, ale přesto: //Kocour <fc #ff0000>si líže rány</fc>, které mu způsobil sousedův pes.// |
| | |
| | Oproti tomu ustálené slovní spojení (''col_lemma=%%"%%jít_na_porážku%%"%%'' -- //Už ráno bylo zřejmé, že ODS <fc #ff0000>jde na porážku</fc>.//) se v textu častěji používá v doslovném významu: //Nejvýkonnější dojnice <fc #ff0000>jdou</fc> běžně <fc #ff0000>na porážku</fc> už po dvou nebo třech obdobích březosti.// |
| | |
| | ====== Další příklady vyhledávání frazémů ====== |
| | |
| | Příklady hledání frazémů najdete na [[kurz:hledani_frazemy|zvláštní stránce]]. |
