Značkování víceslovných lexikálních jednotek

Počínaje korpusem SYNv14 a korpusem synr25 označujeme v korpusech víceslovné lexikální jednotky (VLJ) novým značením propojeným s databází VLJ LEMUR (Lexicon of Multiword Expressions). Toto značkování je zatím spuštěno v pilotní verzi a navazuje na dosavadní značkování frazémů nástrojem FRANTA.

Pro značkování používáme dva atributy: mwe_lemma a mwe_tag.

mwe_lemma (multi-word expression 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.

mwe_tag (multi-word expression tag): poziční tag víceslovné jednotky s deseti pozicemi.

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

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).

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

Na pozicích 4-9 se rozlišují různé typy idiomaticity, pokud se jimi daná VLJ vyznačuje. Vycházíme z Baldwinovy klasifikace idiomatiticy (viz Baldwin, T., Kim, S.N.: Multiword Expressions. In: Indurkhya, N., Damerau, F.J. (eds.) Handbook of Natural Language Processing, pp. 267–292. CRC Press, Boca Raton, 2nd edn. (2010)) a rozlišujeme idiomatiticu lexikální, morfologickou, syntaktickou, sémantickou, pragmatickou a statistickou. Pokud daná VLJ určitý typ idiomaticity nemá, je hodnota na příslušné pozici „-“.

4. pozice vyjadřuje lexikální idiomaticitu, možné hodnoty jsou „l“ (lexikální idiomaticita, např. jáma_lvová) a „k“ (makaronská struktura, např. per_ hubam) 5. pozice vyjadřuje morfologickou idiomaticitu, s možnou hodnotou „z“ (alespoň jedno slovo ve VLJ je morfologicky idiomatické, např. podle_nosa_poznáš_kosa) 6. pozice vyjadřuje syntaktickou idiomaticitu, s možnými hodnotami „a“ pro anakolut, „t“ pro atrakci, „v“ pro zvláštní valenci, „p“ pro apoziopezi, „e“ for elipsu, „s“ pro neobvyklý pořádek slov, „o“ pro jiné typy syntaktické idiomaticity 7. pozice vyjadřuje sémantickou idiomaticitu, již chápeme jako stupeň kompozicionality dané VLJ. Hodnoty jsou „n“ pro nekompozicionální, „z“ pro zřídka kompozicionální, „c“ pro často kompozicionální (a „-“ pro vždy kompozicionální, tj. VLJ není sémanticky idiomatická). 8. pozice rozlišuje pragmatickou understood as the degree of compositionality of the MWE. The values are: “n” non-compositional, “z” rarely compositional, “c” often compositional. The eighth position distinguishes pragmatic idiomaticity of the MWE. Only one value is used: “p”, if the MWE exhibits this type of idiomaticity, such as the MWE smím prosit? ‘may I ask?’ (may I have this dance?). The ninth position is used to identify statistical idiomaticity (“s”). This label is used only when the MWE does not exhibit any other type of idiomaticity; in such cases, the expression is a term or collocation—i.e., a frequent co-occurrence with fully compositional semantics and regular, grammatical morphology and syntax.

V korpusu SYNv14 nejsou na těchto pozicích žádné hodnoty.

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.