seznamy:frazemy - Příručka ČNK

Tato stránka je pouze pro čtení. Můžete si pouze prohlédnout zdrojový kód, ale ne ho měnit. Zeptejte se správce, pokud si myslíte, že něco není v pořádku.
====== 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.

Vzhledem k velké variabilitě realizace víceslovných jednotek v korpusu je způsob jejich vyhledávání do značné míry flexibilní:

  * umožňuje u jednotlivých slovních tvarů požadovat konkrétní morfologickou interpretaci;
  * umožňuje zadat za lexikální jednotku proměnné;
  * umožňuje určit, zda je hledané slovní spojení souvislé či nikoliv;
  * umožňuje změny slovosledu.

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.

**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.//).

===== 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.))

**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:

  * alternativy, např. ''někomu_došla/dojde_trpělivost''
  * zástupná slova //něco//, //nějaký//, //dělat// atd., např. ''v_nějakém_slova_smyslu'' zahrnuje mj. //v pravém/dobrém/jistém slova smyslu//
  * symbol pro označení [[seznamy:tagy#pozice_1_-_slovni_druh|slovního druhu]], např. ''A_jako_kámen'' zahrnuje mj. //pevný/nehybný/tuhý jako kámen//

**col_type** (collocation type): dvoupísmenná značka, jejíž první písmeno určuje druh víceslovné jednotky a druhé slouží k rozlišení hlavního (''H'') a závislého (''Z'') slova v ní. Část slovního spojení označená jako hlavní (''H'') nemusí být syntakticky ani sémanticky dominantní, hlavní motivací pro toto rozlišení byla možnost korektního vyhodnocení frekvence daného spojení v korpusu: jako ''H'' je totiž označena vždy právě jedna [[pojmy:pozice|pozice]] slovního spojení (zpravidla se jedná o slovo poslední), zatímco všechny ostatní jsou označeny jako ''Z'' (viz poslední sloupec následující tabulky). Toto řešení umožňuje např. jednoduše vypsat množinu všech víceslovných jednotek v korpusu spolu s frekvencemi pomocí funkce [[manualy:kontext:novy_dotaz#seznam_slov|Seznam slov]] na atribut ''col_type'' s dodatečným filtrem podle [[pojmy:regularni_vyrazy|regulárního výrazu]] ''.H'' a typem výstupu zadaným jako atribut ''col_lemma''.


^ 1. pozice ^ význam ^ příklad víceslovného lemmatu ^ příklad jeho označení v korpusu ^
| K | neslovesné kolokace | cesta_do_pekel | Dluhy jsou cestou''[KZ]'' do''[KZ]'' pekel''[KH]''. |
| J | víceslovné spojky | a_právě_proto | A''[JZ]'' právě''[JZ]'' proto''[JH]'' se tak nejspíš nestalo. |
| M | přísloví, okřídlená rčení, citace apod. | čiň_čertu_dobře,_peklem_se_ti_odmění | Čiň''[MZ]'' čertu''[MZ]'' dobře''[MZ]'',  peklem''[MZ]'' se''[MZ]'' ti''[MZ]'' odmění''[MH]''. |
| P | přirovnání | tma_jako_v_pekle | Uvnitř byla tma''[PZ]'' jako''[PZ]'' v''[PZ]'' pekle''[PH]''. |
| S | větné výrazy | rozpoutalo_se_hotové_peklo | V tu chvíli se''[SZ]'' rozpoutalo''[SZ]'' hotové''[SZ]'' peklo''[SH]''. |
| V | slovesné kolokace | mít_z_pekla_štěstí | Měl''[VZ]'' jste skutečně z''[VZ]'' pekla''[VZ]'' štěstí''[VH]''. |

[{{: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 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)


^ Dotaz ^ 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. |

2. Zástupné sloveso **dělat**

col_lemma=%%"%%<fc #ff0000>dělat</fc>%%_do_zblbnutí"%%\\
//Jeden obraz <fc #ff0000>točíte</fc> do zblbnutí ze všech stran.//

3. Zástupné slovo **něco, nějaký** apod.

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//


V některých případech se varianta kolokačního lemmatu vyjadřuje výskytem různých forem slova oddělených lomítkem:\\

col_lemma=%%"někomu_došla/dojde_trpělivost"%%\\
//Najednou vzduch rozčísl hrůzostrašný řev babičky, které už zkrátka došla trpělivost.//
Historie: • negace • oral2006 • totalita • syntakticke_znacky • med • agregat • oral2008 • prehled_pozic_1_a_2 • dialekt • strukturni_atributy_intercorp