Slovníky a morfologická analýza

Počítačové zpracování přirozeného jazyka

Slovníky a morfologická analýza Daniel Zeman http://ufal.mff.cuni.cz/course/popj1/

Slovník • Zásobárna informací o slovech – Morfologie • vzory ohýbání, pravidelné odvozování (zdrobněliny, přídavná jména slovesná…)

– Syntaxe • slovní druh • vztah k ostatním slovům: subkategorizace (neboli „povrchové valenční rámce“)

– Sémantika • významové rysy • valenční rámce se sémantickými rolemi

– … a cokoli dalšího, například překlad 18.11.1999

http://ufal.mff.cuni.cz/course/popj1

2

Slovní druhy (parts of speech) • Čeština – – – – – – – – – –

N A P C V D R J T I

18.11.1999

• Jiné podstatná jména přídavná jména zájmena číslovky slovesa příslovce předložky spojky částice citoslovce

– Z zvláštní (např. interpunkce) – X neznámé slovo – Člen (např. angličtina) – Wh-slovo (tázací / vztažné zájmeno či příslovce – např. angličtina: who, what, which, how, … – Počítací slovo (čínština)


3

Slovní druhy • Seznam slovních druhů (anglicky part of speech) je ve většině jazyků celkem podobný. • Jde o sémanticko-syntaktickou, ne morfologickou kategorii, ale určuje, které morf. kat. jsou relevantní. • Syntakticky vymezené druhy (podle vztahů ve větě) – Slovesa, podstatná jména, přídavná jména, příslovce, předložky, spojky, členy, wh-slova. Případně i citoslovce.

• Druhy vymezené jinak – Zájmena (syntakticky N, A, někdy se zvláštní funkcí – Wh) – Číslovky (syntakticky A, N, Adv) – Částice (to, co se nevešlo jinam) 18.11.1999


4

Slovní druhy • Otevřené kategorie (přijímají nová slova) – slovesa, podstatná jména, přídavná jména, příslovce, (citoslovce) – odvozování slov napříč kategoriemi

• Uzavřené kategorie (slova lze vyjmenovat) – zájmena, (předložky), spojky, částice, číslovky (matematicky neomezené, ale lingvisticky ano) – nejsou podkladem pro odvozování slov

18.11.1999


5

Sady značek • Obecná definice: – značka … (k1,k2,…,kn) – na sadu značek se často pohlíží jako na prostý seznam T = {ti}i=1..n přičemž se předpokládá vzájemně jednoznačné zobrazení T ↔ (K1,K2,…,Kn)

• Angličtina – Penn TreeBank (45) (VBZ: Verb,Pres,3,sg, JJR: Adj. Comp.) – Brown Corpus (87), Claws c5 (62), London-Lund (197)

18.11.1999


6

Sady značek • Rozdíly v různých korpusech a jazycích: – – – –

velikost (10 až 10000) pokryté kategorie (slovní druh, číslo, negace, …) míra podrobnosti rozpracování podoba (krátké identifikátory × dlouhé „poziční značky“)

• Čeština – – – – 18.11.1999

poziční značky PDT kompaktní (starší) značky PDT MULTEXT-EAST (Orwell 1984, paralelní korpus) Majka (FI MU Brno) http://ufal.mff.cuni.cz/course/popj1

7

Co všechno by měla kódovat morfologická značka pro češtinu? • Informace z morfologické značky by měla umožňovat vytvořit z lemmatu příslušný tvar slova. • Pokud je to nutné, může kromě morfologických informací obsahovat i lexikální, sémantické (slovní druh?) • Extrém 1: každý slovní tvar je „lemma“. Morfologie je nulová, lemma je samo svojí značkou. • Extrém 2: značka obsahuje detailní sémantické zařazení slova, takže lemma už není potřeba.

18.11.1999


8

Poziční značky PDT (Pražského závislostního korpusu) slovní druh poddruh

vnitřní vnitřní slovesný rod číslo zápor rod

AGFS3----1A---rod číslo pád osoba čas stupeň odstín

18.11.1999


9

Rod M

mužský životný

Y

M nebo I

I

mužský neživotný

T

I nebo F

F

ženský

W

I nebo N

N

střední

X

neznámý

18.11.1999

H, Q F nebo N Z

M, I nebo N


10

Číslo

18.11.1999

S

jednotné (singulár)

D

dvojné (duál)

P

množné (plurál)

X

neznámé http://ufal.mff.cuni.cz/course/popj1

11

Pád 1 2 3 4 5 6 7 X 18.11.1999

nominativ genitiv dativ akuzativ vokativ lokál instrumentál neznámý http://ufal.mff.cuni.cz/course/popj1

12

Stupeň, zápor, osoba • Stupeň přídavných jmen a příslovcí: – 1, 2 (komparativ), 3 (superlativ)

• Zápor (u V, A, D a taky N): – A (afirmativ), N (negativ)

• Osoba sloves a zájmen: – 1, 2, 3

18.11.1999


13

Slovesný čas, rod a způsob • Mění relevanci ostatních kategorií (jako je osoba a číslo) ⇒ zacházet s nimi jako se slovním (pod-) druhem. • Čas: přítomný (P), minulý (M), budoucí (F) • Rod: činný (aktivum A), trpný (pasivum P) • Způsob: oznamovací (N), rozkazovací (R), podmiňovací (C – např. bych)

18.11.1999


14

Stylová či jiná odchylka 1 jiná varianta, méně častá 2 jiná varianta, velmi řídká, zastaralá nebo knižní 3 velmi zastaralá, popř. hovorová varianta 5 hovorová, tolerovaná v mluv. i psaném projevu 6 hovorová, nevhodná v psaném projevu 7 hovorová jako 6, ale méně preferovaná mluvčími 9 zvláštní použití (např. po jistých předložkách) 18.11.1999


15

Sada značek Penn TreeBanku 1. CC coord. conj. 2. CD cardinal number 3. DT determiner 4. EX existential there 5. FW foreign word 6. IN preposition or subord. conjunction 7. JJ adjective 8. JJR adj, comparative 9. JJS adj, superlative

18.11.1999

10. LS list item marker 11. MD modal 12. NN noun, singular/mass 13. NNS noun, plural 14. NNP proper noun, sing. 15. NNPS proper noun, pl. 16. PDT predeterminer 17. POS possessive ending 18. PRP personal pronoun 19. PRP$ poss. pronoun


16

Sada značek Penn TreeBanku 20. RB adverb 21. RBR adv, comparative 22. RBS adv, superlative 23. RP particle 24. SYM symbol 25. TO to 26. UH interjection 27. VB verb, base (do) 28. VBD verb, past (did) 29. VBG verb, gerund or pres. participle (doing)

18.11.1999

30. VBN verb, past participle

(done) 31. VBP verb, non-3rd pers. sing. present (do) 32. VBZ verb, 3rd pers. sing. present (does) 33. WDT wh-det. (which?) 34. WP wh-pronoun (who) 35. WP$ possessive whpronoun (whose) 36. WRB wh-adv. (where) 37. . period…


17

Universal POS Tags http://universaldependencies.org/u/pos/index.html • • • • • •

NOUN PROPN (proper noun) VERB ADJ (adjective) ADV (adverb) INTJ (interjection)

22.10.2010

• • • • • • • • • • •

PRON (pronoun) DET (determiner) AUX (auxiliary) NUM (numeral) ADP (adposition) SCONJ (subordinating conj.) CONJ (coordinating conj.) PART (particle) PUNCT (punctuation) SYM (symbol) X (unknown)

http://ufal.mff.cuni.cz/course/npfl094

18

Universal Features http://universaldependencies.org/u/feat/index.html • • • •

PronType (druh zájmena) NumType (druh číslovky) Poss (přivlastňovací) Reflex (zvratné)

• • • • • •

Gender (rod) Animacy (životnost) Number (číslo) Case (pád) Definite(ness) (určitost) Degree (stupeň)

22.10.2010

• • • • • • •

VerbForm (slovesný tvar) Mood (způsob) Tense (čas) Aspect (vid) Voice (slovesný rod) Person (osoba) Negative(ness) (zápor)

http://ufal.mff.cuni.cz/course/npfl094

19

Morfologická analýza a syntéza • Formálně: Zobrazení, které každému slovu (slovnímu tvaru) přiřadí dvojici lemma – značka, nebo množinu takových dvojic. • Veškerá informace o slovním tvaru je ve značce. • Z dvojice lemma – značka lze jednoznačně dostat slovní tvar (= morfologická syntéza). 18.11.1999


20

Morfologie • A … abeceda grafémů, A+ je např. slovo • L ⊆ 2A+ … slovník lemmat (lemma = základní, heslový tvar) – lemma l ∈ L

• Ki … i-tá morfologická kategorie – kategorie je množina hodnot. – např. Krod = {M, I, F, N}

• T ⊆ K1×…×Kn = sada morfologických značek – v angličtině part-of-speech tag set, obvykle n=1; u nás např. n=15 – značka t = (k1, …, kn) ∈ T, ki je hodnota i-té kategorie 18.11.1999


21

Morfologická analýza a značkování • Analýza: • Syntéza: • Značkování: resp.

A+ → 2(L, T)

(L, T) → A+ A+ → (L, T) 2(L, T), Kontexty → (L, T)

• Značkování (tagging) je zjednoznačnění morfologické analýzy. • Může být ruční nebo automatické ((pos)taggerem). 18.11.1999


22

Příklady značkování • Slovní tvar A+ → 2(L,K1,…,Kn) → T – Vysušený kámen se pokryl bílou solí. • morfologická analýza: solí → {(sůl, podstatné-jméno, pád-7, číslojednotné), (solit, sloveso, číslo-jednotné, čas-přítomný, osoba-3)} • značkování (zjednoznačnění): … → (sůl, podstatné-jméno, …)

– He always books the tickets early. • morfologická analýza: books → {(book-1, podstatné-jméno, číslomnožné), (book-2, sloveso, číslo-jednotné, čas-přítomný)} • značkování: … → (book-2, sloveso, číslo-jednotné, čas-přítomný)

– [napodzim] [dozraje] [slatkí] [plot] • m.a.: [plot] → {(plot, pád-1), (plod, pád-1), (plot, pád-4), …} • značkování: … → (plod, pád-1) 18.11.1999


23

Lemmatizace • Opakování: lemma l∈L je lexikální jednotka (slovníkové heslo). Bývá reprezentováno základním tvarem slova, ale zrovna tak by to mohl být číselný odkaz. • Úplná morfologická analýza MA: A+ → 2(L,K1,K2,…,Kn)

• Lemmatizace je částečná morfologická analýza – LA: A+ → 2L (w → {l; (l,t1,t2,...,tn)∈MA(w)}) – chceme však A+ → L, takže opět musíme zjednoznačňovat (speciální případ rozlišování významu slov, WSD) – „klasické“ značkování se lemmatizací nezabývá (předpokládá, že se nějak provede později) 18.11.1999


24

Slovníky a morfologická analýza

Recommend Documents