seznamy:mwe - 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.
====== Značkování víceslovných lexikálních jednotek ======

Počínaje korpusem [[cnk:syn:verze14|SYNv14]] označujeme v korpusech víceslovné lexikální jednotky (VLJ) novým značením propojeným s [[https://db.korpus.cz/search/_lemur_simple|databází VLJ LEMUR]] (**L**exicon of **Mu**ltiword Exp**r**essions). Toto značkování je zatím spuštěno v pilotní verzi a navazuje na dosavadní [[seznamy:frazemy|značkování frazémů nástrojem FRANTA]].

<WRAP round important 70%>
Automatické značkování VLJ nese některé **nedostatky**. Především si nečiní nárok na úplnost, řada výrazů tedy ve slovníku není zahrnutá. Dále je potřeba počítat s tím, že některé výrazy 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>

Pro značkování používáme dva atributy: **mwe_lemma** a **mwe_tag**.

===== Atribut mwe_lemma =====

**mwe_lemma** (multi-word expression 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 **mwe_lemma** je tak např. ''bít_se_jako_lev''. Heslo může zahrnovat více lexikálních variant téže VLJ, např. **mwe_lemma** ''bít_se_jako_lev'' zahrnuje varianty //bít se jako lev//, //rvát se jako lev// a //bránit se jako lev//.

===== Atribut mwe_tag =====

**mwe_tag** (multi-word expression tag): poziční [[pojmy:tag|tag]] víceslovné jednotky s deseti pozicemi. 

==== 1. pozice ====

Na první pozici označujeme typ užití VLJ (např. přísloví, citace, slovesný frazém). 

^ 1. pozice ^ význam ^ příklad víceslovného lemmatu ^
| **c** | citace | důvěřuj,_ale_prověřuj |
| **f** | cizojazyčné spojení | comme_il_faut |
| **g** | zeměpisný název | České_Budějovice |
| **j** | větný frazém: jiný než přísloví, pranostiky | nemůžu_si_pomoct |
| **k** | přirovnání | jako_malý_kluk |
| **l** | kolokace | hrát_roli |
| **n** | neslovesný frazém | s_odřenýma_ušima |
| **o** | otevřený frazém | ještě_štěstí,_že |
| **p** | přísloví | dvakrát_měř,_jednou_řež |
| **q** | kvazifrazém | dávat_smysl |
| **r** | pranostika | únor_bílý_pole_sílí |
| **s** | víceslovné synsémantikum | v_souvislosti_s |
| **t** | termín | umělá_inteligence |
| **v** | slovesný frazém | vidět_na_vlastní_oči |

==== 2. pozice ====

Druhá pozice rozlišuje syntaktický typ dané VLJ (např. jmenná fráze, klauze, souvětí). Přesněji jde o syntaktický typ konkrétního dokladu dané VLJ, např. pod mwe_lemmatem ''vytřeštit_oči'' (typ **v**) jsou obsaženy i doklady //vytřeštěné oči// a //třeštící oči// (typ **a**).

^ 2. pozice ^ význam ^ příklad víceslovného lemmatu ^
| **a** | adjektivní fráze | na_hony_vzdálený |
| **c** | složená spojka | i_kdyby \\ jednak_,_jednak |
| **d** | adverbiální fráze | zas_a_znova \\ co_nejdříve |
| **i** | složené citoslovce | ach_bože \\ čerta_starýho  |
| **j** | jiný | in_memoriam \\ nebo_co |
| **k** | klauze | co_se_něčeho_týká \\ nedá_se_nic_dělat |
| **l** | slovesná fráze s kategoriálním/lehkým slovesem | položit_otázku \\ mít_obavu |
| **n** | jmenná fráze | trestná_minuta \\ moučkový_cukr |
| **p** | složená předložka | na_základě \\ v_souvislosti_s |
| **r** | předložková fráze | v_podstatě \\ mimo_jiné |
| **s** | souvětí | ať_se_děje,_co_se_děje |
| **v** | slovesná fráze plnovýznamová | lapat_po_dechu |

==== 3. pozice ====

Je-li označená VLJ výsledkem syntaktické transformace (např. pasivizace či nominalizace) základní varianty VLJ, označujeme to na třetí pozici.

^ 3. pozice ^ význam ^ přiklad dokladu (souvisejícího víceslovného lemmatu) | 
| **P** | pasivum | je kladen důraz (klást_důraz) | 
| **R** | reflexivní pasivum | pozornost se soustředí (soustředit_pozornost) | 
| **N** | verbální substantivum na -ní, -tí | spáchání trestného činu (spáchat_trestný_čin) | 
| **O** | verbální substantivum na -ost | použitelnost metody (použít_metodu) | 
| **A** | verbální adjektivum odvozené od tvaru trpného příčestí | stanovený cíl (stanovit_cíl) | 
| **G** | verbální adjektivum odvozené od tvaru přítomného přechodníku | zhoršující se situace (zhoršit_situaci) | 
| **S** | verbální adjektivum odvozené od tvaru minulého přechodníku | položivší základy (položit_základ) | 
| **L** | verbální adjektivum odvozené od tvaru minulého aktivního příčestí | jsme na sebe zvyklí (zvyknout_si_na_sebe) | 
| **T** | verbální adjektivum zakončené na -telný/-itelný | viditelný pouhým okem (vidět_pouhým_okem) | 
| **V** | jmenná fráze se vztažnou větou | jablko, které nepadlo daleko od stromu (jablko_nepadá_daleko_od_stromu) | 

==== Další pozice ====

Pozice 4-9 zůstávají zatím nevyužité (hodnota **_**), protože dané vlastnosti VLJ nejsou v databázi LEMUR dostatečně spolehlivě anotované.

Poslední, **10. pozice**  je spíše technického rázu, právě jeden token z víceslovného výrazu je označen **C**, aby bylo možné při počítání frekvencí počítat každou VLJ jen jednou, ne podle počtu jejích tokenů.
Historie: • kolokace • anonymizace • strukturni_atributy_syn • srovnatelny • anotace • konkordance • citaty • regularni_vyrazy • nastroje • korpusovy_manazer