Toto je starší verze dokumentu!
Obsah
Morfologické značky (tagy)
Morfologické značky (tagy) jsou součástí výsledku (výstupem) morfologické analýzy, která pracuje s izolovanými slovními tvary, tedy bez ohledu na jejich kontext. Druhou částí výsledku je tzv. lemma, které identifikuje příslušnou lexikální jednotku ve smyslu slovníkového hesla. Morfologická analýza je obecně nejednoznačná; slovní tvary, brány izolovaně a bez ohledu na kontext, pochopitelně nemohou být v mnoha případech jednoznačně určeny, a to jak z hlediska lemmatu, tak z hlediska morfologické značky. V druhé fázi dochází k desambiguaci (zjednoznačnění), která z plejády možných interpretací vybírá v ideálním případě tu nejvhodnější.
Morfologické značky slouží k snadnějšímu hledání v korpusech (povětšinou pouze psané češtiny), jejich účelem tedy není být základem pro analýzu konkrétních výskytů. Automatická analýza není přirozeně bezchybná, podíl špatně určených značek se odhaduje na 4 % (úroveň kolísá v závislosti na typu morfologické kategorie).
Struktura značky
Každá značka je řetězcem 16 znaků (16. pozice chybí pouze v korpusech SYN2000 a ORWELL). Značka je konstruována tak, aby každá pozice odpovídala jedné morfologické kategorii podle víceméně tradičního lingvistického pojetí. Každé hodnotě v dané kategorii odpovídá jeden znak, převážně písmeno velké abecedy (např. 'P' pro plurál, neboli množné číslo), výjimečně i jiný znak (např. 'f' pro infinitiv, nebo ',' pro podřadicí spojky). Hodnota, která nedává smysl (např. pád u sloves), je reprezentována znakem '-' (pomlčka).
V případě, že značka je tvořena symbolem, který v rámci regulárních výrazů má speciální význam, je třeba naznačit zpětným lomítkem, že máme na mysli doslovný význam znaku. Např. pomocí znaku hvězdičky (*) jsou na druhé pozici tagovány výrazy jako plus, krát apod. ve funkci spojek (J). Chceme-li vyhledat slova s tímto tagem, musíme před hvězdičku přidat zpětné lomítko, abychom vyznačili, že nejde o její speciální význam: [tag="J\*.*"] (viz regulární výrazy).
Změny v morfologickém značkování psaných korpusů
S uveřejněním korpusu SYN2005 byla přidána 16. pozice, vyjadřující slovesný vid. I všechny následující korpusy používají morfologickou značku, kterou tvoří 16 pozic.
S uveřejněním korpusu SYN2009PUB bylo provedeno zjednodušení systému značek. Změny se týkají pozic č. 3–9, na kterých byla vypuštěna písmena, která souhrnně označovala více hodnot (např. „Y“ pro maskulinum animatum i inanimatum). V následujícím seznamu jsou tyto změny označeny hvězdičkou (*).
Pro sestavení morfologické značky můžete kromě následujícího seznamu použít i jednoduchý program pro vytváření tagů, který je integrován do rozhraní KonText.
Změny v morfologickém značkování mluvených korpusů
Popis jednotlivých pozic značky
Pozice jsou číslovány od 1 do 16 (16. pozice chybí pouze v korpusech SYN2000, ORWELL a InterCorp ve vydání 6 a starších). Každé pozici odpovídá jiná gramatická kategorie:
- pozice nepoužita
- pozice nepoužita
Pozice 1 - Slovní druh
Označuje hlavní slovní druh, víceméně podle obvyklého schématu známého z českých gramatik včetně školních. Přiřazení i těchto hlavních slovních druhů je však řízeno především potřebami konzistentnosti další analýzy přirozeného jazyka. Proto je možné, že v některých případech (zejména tehdy, kdy se gramatiky a slovníky v určení slovního druhu neshodují nebo uvádějí jiné rozdělení na významy slova) nemusí být zařazení zcela „tradiční“.
| Značka | Význam |
|---|---|
| N | substantivum (podstatné jméno) |
| A | adjektivum (přídavné jméno) |
| P | pronomen (zájmeno) |
| C | numerál (číslovka, nebo číselný výraz s číslicemi) |
| V | verbum (sloveso) |
| D | adverbium (příslovce) |
| R | prepozice (předložka) |
| J | konjunkce (spojka) |
| T | partikule (částice) |
| I | interjekce (citoslovce) |
| X | neznámý, neurčený, neurčitelný slovní druh |
| Z | interpunkce, hranice věty |
V korpusu ORALv1 z června 2017 přibyly na první pozici tagu tři značky, specifické pro spontánní mluvenou řeč.
| Značka | Význam |
|---|---|
| F | fragmenty (nedořečená slova) |
| H | neverbální zvuky (např. hezitační) |
| M | komentáře přepisujících (v kulatých závorkách) |
Pozice 2 - Detailní určení slovního druhu
Detailní určení slovního druhu slouží především k zachycení dalších relevantních morfologických kategorií, které jsou uvedeny na dalších pozicích (ne vždy však jednoznačně). Ze znaku použitého pro detailní určení slovního druhu je možné jednoznačně vyvodit hlavní slovní druh.
| Značka | Význam | Značka | Význam |
|---|---|---|---|
| ! | zkratka jako adverbium | R | předložka, obyčejná |
| * | slovo „krát“ (slovní druh: spojka) | S | zájmeno přivlastňovací „můj“, „tvůj“, „jeho“ (vč. plurálu) |
| , | spojka podřadicí (vč. „aby“ a „kdyby“ ve všech tvarech) | T | částice (slovní druh 'T') |
| . | zkratka jako adjektivum | U | adjektivum přivlastňovací (na „-ův“ i „-in“) |
| : | interpunkce všeobecně | V | předložka vokalizovaná („ve“, „pode“, „ku“, …) |
| ; | zkratka jako substantivum | W | zájmena záporná („nic“, „nikdo“, „nijaký“, „žádný“, …) |
| = | číslo psané číslicemi (značkováno jako slovní druh: číslovka - 'C') | X | slovní tvar, který byl rozpoznán, ale značka (ve slovníku) chybí |
| ? | číslovka „kolik“ | Y | zájmeno „co“ spojené s předložkou („oč“, „nač“, „zač“) |
| ^ | spojka souřadicí | Z | zájmeno neurčité („nějaký“, „některý“, „číkoli“, „cosi“, …) |
| } | číslovka psaná římskými číslicemi | a | číslovka neurčitá („mnoho“, „málo“, „tolik“, „několik“, „kdovíkolik“, …) |
| ~ | zkratka jako sloveso | b | příslovce (bez určení stupně a negace; „pozadu“, „naplocho“, …) |
| @ | morfologickou analýzou nerozpoznaný tvar (slovní druh: 'X' = neznámý) | c | kondicionál slovesa být („by“, „bych“, „bys“, „bychom“, „byste“) |
| 0 | předložka s připojeným „-ň“ (něj), „proň“, „naň“, atd. (značkováno jako slovní druh: zájmeno - 'P') | d | číslovka druhová, adjektivní skloňování („jedny“, „dvojí“, „desaterý“, …) |
| 1 | vztažné přivlastňovací zájmeno „jehož“, „jejíž“, … | e | slovesný tvar přechodníku přítomného („-e“, „-íc“, „-íce“) |
| 2 | slovo před pomlčkou | f | slovesný tvar: infinitiv |
| 3 | zkratka jako číslovka | g | příslovce (s určením stupně a negace; „velký“, „zajímavý“, …) |
| 4 | vztažné nebo tázací zájmeno s adjektivním skloňováním (obou typů: „jaký“, „který“, „čí“, …) | h | číslovky druhové „jedny“ a „nejedny“ |
| 5 | zájmeno „on“ ve tvarech po předložce (tj. „n-“: „něj“, „něho“, …) | i | slovesný tvar rozkazovacího způsobu |
| 6 | reflexívní zájmeno „se“ v dlouhých tvarech („sebe“, „sobě“, „sebou“) | j | číslovka druhová >= 4, substantivní postavení („čtvero“, „desatero“, …) |
| 7 | reflexívní zájmeno „se“, „si“ pouze v těchto tvarech, a dále „ses“, „sis“ | k | číslovka druhová >= 4, adjektivní postavení, krátký tvar („čtvery“, …) |
| 8 | přivlastňovací zájmeno „svůj“ | l | číslovky základní 1-4, „půl“, …; sto a tisíc v nesubstantivním skloňování |
| 9 | vztažné zájmeno „jenž“, „již“, … po předložce („n-“: „něhož“, „níž“, …) | m | slovesný tvar přechodníku minulého, příp. (zastarale) přechodník přítomný dokonavý |
| A | adjektivum obyčejné | n | číslovky základní >= 5 |
| B | sloveso, tvar přítomného nebo budoucího času | o | číslovky násobné neurčité („-krát“: „mnohokrát“, „tolikrát“, …) |
| C | adjektivum, jmenný tvar | p | slovesné tvary minulého aktivního příčestí (včetně přidaného „-s“) |
| D | zájmeno ukazovací („ten“, „onen“, …) | q | archaické slovesné tvary minulého aktivního příčestí (zakončení „-ť“) |
| E | vztažné zájmeno „což“ | r | číslovky řadové |
| F | součást předložky, která nikdy nestojí samostatně („nehledě“, „vzhledem“, …) | s | slovesné tvary pasívního příčestí (vč. přidaného „-s“) |
| G | přídavné jméno odvozené od slovesného tvaru přítomného přechodníku | t | archaické slovesné tvary přítomného a budoucího času (zakončení „-ť“) |
| H | krátké tvary osobních zájmen („mě“, „mi“, „ti“, „mu“, …) | u | číslovka tázací násobná „kolikrát“ |
| I | citoslovce (značkováno jako slovní druh: citoslovce - 'I') | v | číslovky násobné („-krát“: „pětkrát“, „poprvé“ …) |
| J | vztažné zájmeno „jenž“ („již“, …), bez předložky | w | číslovky neurčité s adjektivním skloňováním („nejeden“, „tolikátý“, „několikátý“ …) |
| K | zájmeno tázací nebo vztažné „kdo“, vč. tvarů s „-ž“ a „-s“ | x | zkratka, slovní druh neurčen/neznámý |
| L | zájmeno neurčité „všechen“, „sám“ | y | zlomky zakončené na „-ina“ (značkováno jako slovní druh: číslovka - 'C') |
| M | přídavné jméno odvozené od slovesného tvaru minulého přechodníku | z | číslovka tázací řadová „kolikátý“ |
| N | substantivum, obyčejné | ||
| O | samostatně stojící zájmena „svůj“, „nesvůj“, „tentam“ | ||
| P | osobní zájmena (vč. tvaru „tys“) | ||
| Q | zájmeno tázací/vztažné „co“, „copak“, „cožpak“ |
Pozice 3 - Jmenný rod
| Značka | Význam |
|---|---|
| - | neurčuje se |
| F | femininum (ženský rod) |
| H | femininum nebo neutrum (tedy nikoli maskulinum)* |
| I | maskulinum inanimatum (rod mužský neživotný) |
| M | maskulinum animatum (rod mužský životný) |
| N | neutrum (střední rod) |
| Q | femininum singuláru nebo neutrum plurálu (pouze u příčestí a jmenných adjektiv)* |
| T | masculinum inanimatum nebo femininum (jen plurál u příčestí a jmenných adjektiv)* |
| X | libovolný rod (F/M/I/N) |
| Y | masculinum (animatum nebo inanimatum)* |
| Z | 'nikoli femininum' (tj. M/I/N; především u příslovcí)* |
* Tato značka je k dispozici pouze v korpusech: SYN2006PUB, SYN2005, SYN2000, ORWELL.
Pozice 4 - Číslo
| Značka | Význam |
|---|---|
| - | neurčuje se |
| D | duál (pouze 7. pád feminin) |
| P | plurál (množné číslo) |
| S | singulár (jednotné číslo) |
| W | pouze v kombinaci s jmenným rodem 'Q' (singulár pro feminina, plurál pro neutra)* |
| X | libovolné číslo (P/S/D) |
* Tato značka je k dispozici pouze v korpusech: SYN2006PUB, SYN2005, SYN2000, ORWELL.
Pozice 5 - Pád
| Značka | Význam |
|---|---|
| - | neurčuje se |
| 1 | nominativ (1. pád) |
| 2 | genitiv (2. pád) |
| 3 | dativ (3. pád) |
| 4 | akuzativ (4. pád) |
| 5 | vokativ (5. pád) |
| 6 | lokál (6. pád) |
| 7 | instrumentál (7. pád) |
| X | libovolný pád (1/2/3/4/5/6/7)* |
* Tato značka je k dispozici pouze v korpusech: SYN2006PUB, SYN2005, SYN2000, ORWELL.
Pozice 6 - Přivlastňovací rod
Vyjadřuje rod subjektu nebo objektu, jemuž zájmeno nebo adjektivum přivlastňuje: jeho/její (kniha), kde jeho je tagováno jako přivlastňovací maskulinum a její jako přivlastňovací femininum, analogicky u adjektiv otcův/matčin (bratr) je otcův značkován jako maskulinum a matčin jako femininum.
Rody mužský neživotný a střední se nikdy jako samostatná kategorie nevyskytují. Rod mužský životný (M) se může vyskytnout jen u přivlastňovacích adjektiv.
| Značka | Význam |
|---|---|
| - | neurčuje se |
| F | femininum (ženský rod) |
| M | maskulinum animatum (rod mužský životný) |
| X | libovolný rod (F/M/I/N) |
| Z | 'nikoli femininum' (tj. M/I/N; u přivlastňovacích adjektiv)* |
* Tato značka je k dispozici pouze v korpusech: SYN2006PUB, SYN2005, SYN2000, ORWELL.
Pozice 7 - Přivlastňovací číslo
Kategorie, která se uplatňuje u zájmen: můj, tvůj, jeho atp. představují přivlastňovací singulár, protože přivlastňují subjektu nebo objektu v singuláru, zatímco náš, váš jejich jsou označeny jako přivlastňovací plurál.
| Značka | Význam |
|---|---|
| - | neurčuje se |
| P | plurál (množné číslo) |
| S | singulár (jednotné číslo) |
Pozice 8 - Osoba
| Značka | Význam |
|---|---|
| - | neurčuje se |
| 1 | 1. osoba |
| 2 | 2. osoba |
| 3 | 3. osoba |
| X | libovolná osoba (1/2/3)* |
* Tato značka je k dispozici pouze v korpusech: SYN2006PUB, SYN2005, SYN2000, ORWELL.
Pozice 9 - Čas
| Značka | Význam |
|---|---|
| - | neurčuje se |
| F | futurum (budoucí čas) |
| H | minulost nebo přítomnost (P/R)* |
| P | prézens (přítomný čas) |
| R | minulý čas |
| X | libovolný čas (F/R/P)* |
* Tato značka je k dispozici pouze v korpusech: SYN2006PUB, SYN2005, SYN2000, ORWELL.
Pozice 10 - Stupeň
| Značka | Význam |
|---|---|
| - | neurčuje se |
| 1 | 1. stupeň |
| 2 | 2. stupeň |
| 3 | 3. stupeň |
Pozice 11 - Negace
| Značka | Význam |
|---|---|
| - | neurčuje se |
| A | afirmativ (bez negativní předpony „ne-“) |
| N | negace (tvar s negativní předponou „ne-“) |
Pozice 12 - Aktivum/pasivum
| Značka | Význam |
|---|---|
| - | neurčuje se |
| A | aktivum nebo 'nikoli pasívum' |
| P | pasívum |
Pozice 13 - Nepoužito
| Značka | Význam |
|---|---|
| - | neurčuje se |
Pozice 14 - Nepoužito
| Značka | Význam |
|---|---|
| - | neurčuje se |
Pozice 15 - Varianta (stylový příznak)
Značkování stylového příznaku je z podstaty věci značně subjektivní a vázané na širší kontext, který při automatickém zpracování nelze brát v úvahu. Hodnoty přisuzované jednotlivým jevům jsou založeny na hodnocení, které se objevují v tradičních jazykovědných příručkách, můžou tedy být zastaralé nebo zcela mylné. Doporučujeme proto údaje na této pozici buď zcela ignorovat nebo je brát s velkou rezervou.
| Značka | Význam |
|---|---|
| - | neurčuje se („základní“ tvar pro kategorie v pozicích 1-14) |
| 1 | varianta, víceméně rovnocenná („méně častá“) |
| 2 | řídká, archaická nebo knižní varianta |
| 3 | velmi archaický tvar, též hovorový* |
| 4 | velmi archaický nebo knižní tvar, pouze spisovný (ve své době)* |
| 5 | hovorový tvar, ale v zásadě tolerovaný ve veřejných projevech* |
| 6 | hovorový tvar (koncovka standardní obecné češtiny) |
| 7 | hovorový tvar (koncovka standardní obecné češtiny), varianta k '6'* |
| 8 | zkratky |
| 9 | speciální použití (tvary zájmen po předložkách apod.) |
* Některé značky jsou si velice blízké a je obtížné mezi nimi rozlišovat. V korpusech SYN2015 a SYN v4 byly proto značky 3,4 převedeny na 2 a značky 5,7 na 6.
