Jako součást korpusu SYN verze 4 byla zveřejněna pilotní verze automatické identifikace frazémů a ustálených kolokací nástrojem FRANTA (FRazémová ANotace a Textová Analýza). 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:

• 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 disambiguace, při níž napomáhá v určování správné morfologické interpretace slovních tvarů, které jsou součástí rozpoznaných víceslovných jednotek.

Automaticky nalezené víceslovné jednotky jsou v rozhraní KonText označeny pomocí dvou pozičních atributů:¹⁾

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 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 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 Seznam slov na atribut col_type s dodatečným filtrem podle regulárního výrazu .H a typem výstupu zadaným jako atribut col_lemma.

Klasifikace víceslovných jednotek

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)

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

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 měly zúročit všechny snahy o dokonalou figuru, …
• V březnu roku 1872 měl Myslbek v sádře hotovou jednu figuru a rozpracovanou protější.
• … každý, kdo měl alespoň o jednu tu frčku navíc, …
• Bulharský premiér Borisov měl pro dobrou náladu důvod.
• Mám advokátní praxi zaměřenou na rodinné právo.
• …nevěděli, koho mají na toto právo upozornit
• … v demokratické společnosti má každý právo na své právo

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.

1. doposud nebyla ještě daná kolokace zpracovaná a zařazena do vyhledávání a označení v korpusu
2. text je chybně morfologicky diasmbiguovaný, proto se daný výskyt kolokace neidentifikoval.
3. 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 si líže rány, které mu způsobil sousedův pes.

Oproti tomu ustálené slovní spojení (col_lemma="jít_na_porážku" – Už ráno bylo zřejmé, že ODS jde na porážku.) se v textu častěji používá v doslovném významu: Nejvýkonnější dojnice jdou běžně na porážku už po dvou nebo třech obdobích březosti.

Příklady hledání frazémů ve frazeologicky označkovaném korpusu SYN2015 najdete na zvláštní stránce.