Slovníky a morfologická analýza

Prezentace na téma: "Slovníky a morfologická analýza"— Transkript prezentace:

1 Slovníky a morfologická analýza
Počítačové zpracování přirozeného jazyka Slovníky a morfologická analýza Daniel Zeman

2 Slovník Zásobárna informací o slovech Morfologie Syntaxe Sémantika
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

3 Slovní druhy (parts of speech)
Čeština N podstatná jména A přídavná jména P zájmena C číslovky V slovesa D příslovce R předložky J spojky T částice I citoslovce Jiné 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)

4 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)

5 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

6 Sady značek Obecná definice: Angličtina 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)

7 Sady značek Rozdíly v různých korpusech a jazycích: Čeština
velikost (10 až 10000) pokryté kategorie (slovní druh, číslo, negace, …) míra podrobnosti rozpracování podoba (krátké identifikátory × dlouhé „poziční značky“) Čeština poziční značky PDT kompaktní (starší) značky PDT MULTEXT-EAST (Orwell 1984, paralelní korpus) Majka (FI MU Brno)

8 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.

9 Poziční značky PDT (Pražského závislostního korpusu)
G F S 3 - 1 slovní druh poddruh rod číslo pád vnitřní rod vnitřní číslo osoba čas stupeň zápor slovesný rod odstín

10 Rod M mužský životný Y M nebo I I mužský neživotný T I nebo F F ženský
W I nebo N N střední H, Q F nebo N X neznámý Z M, I nebo N

11 Číslo S jednotné (singulár) D dvojné (duál) P množné (plurál) X
neznámé

12 Pád 1 nominativ 2 genitiv 3 dativ 4 akuzativ 5 vokativ 6 lokál 7
instrumentál X neznámý

13 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

14 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)

15 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)

16 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 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

17 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) 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 wh-pronoun (whose) 36. WRB wh-adv. (where) 37. . period…

18 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).

19 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

20 Morfologická analýza a značkování
Analýza: A+  2(L, T) Syntéza: (L, T)  A+ Značkování: A+  (L, T) resp. 2(L, T), Kontexty  (L, T) Značkování (tagging) je zjednoznačnění morfologické analýzy. Může být ruční nebo automatické ((pos)taggerem).

21 Příklady značkování Slovní tvar A+ ® 2(L,K1,…,Kn) ® T
Vysušený kámen se pokryl bílou solí. morfologická analýza: solí ® {(sůl, podstatné-jméno, pád-7, číslo-jednotné), (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, číslo-množné), (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)

22 Lemmatizace Opakování: lemma lÎL 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)ÎMA(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)