Víceslovné lexémy v syntaktickém kontextu

Víceslovné lexémy vsyntaktickém kontextu Alexandr Rosen — Hana Skoumalová — Jiří Znamenáček ABSTRACT: Multi-word lexemes in syntactic context. We start with the assumption that (i) acorpus represents the use of language, i.e. linguistic performance, (ii) arule-based grammar represents language as asystem, i.e. linguistic competence, and (iii) corpus annotation represents the interface between the two. To detect and diagnose mismatches between the language use and the language system we use aconstraint-based grammar run as aconstraint solver on texts tagged and dependency-parsed by stochastic tools. The texts also have MWEs (multi-word expressions) identified and transformed into aconstituency-based format before the grammar is applied. We describe the role and results of the grammar, and its use to check texts annotated with morphosyntactic categories, syntactic structure and information about the status of relevant expressions as MWEs. The grammar also employs lexical resources such as avalency lexicon and adatabase of MWEs to make the checking more accurate and the annotation more informative. The results are represented as typed feature structures where MWE-related information can be shared by lexical and phrasal nodes. This allows for the annotation of MWEs as lexical units, independently of their analysis in terms of syntactic structure. Focusing on the interplay of MWEs with their syntactic context we analyse anumber of representative examples, pointing out the pros and cons of specific solutions and the whole approach. KLÍČOVÁ SLOVA / KEYWORDS: čeština, HPSG, syntax, treebank, víceslovné lexikální jednotky Czech, HPSG, syntax, treebank, multi-word expressions 1. ÚVOD Má smysl porovnávat podobu, jakou by jazyk měl mít podle slovníku agramatiky videalizované podobě abstraktních hesel apravidel, sjeho faktickým stavem podle písemných imluvených dokladů reálného užívání? Je to možné, zajímavé aužitečné? Kladná odpověď předpokládá, že existuje metoda, která takové porovnání jazykového systému aúzu umožňuje. Cílem tohoto příspěvku je představit jeden zmožných způsobů, jak takového porovnání dosáhnout, ato na příkladu víceslovných lexémů.1 Výběr tohoto nijak nepodstatného zákoutí jazyka není vůbec náhodný. Víceslovné lexémy lze totiž jen velmi obtížně uchopit jako lexémy nebo syntaktické konstrukce, atedy jako součást slovníku nebo gramatiky vtradičním slova smyslu. „Uchopit“ zde znamená nejen deskriptivně, teoreticky aformálně popsat, ale také softwarově implementovat vpodobě konkrétního slovníku agramatiky. Ktomu přistupuje ještě 1 Pro víceslovné lexémy se často používají ijiné názvy: víceslovné lexikální jednotky, frazeologismy, kolokace, frazémy, nebo idiomy. Tyto pojmy se někdy definují sdůrazem na různé specifické aspekty třídy víceslovných lexémů. Zde dáváme přednost termínu víceslovný lexém zejména zdůvodů úsporného vyjádření bez nutnosti užívat zkratky. OPEN ACCESS 64 STUDIE ZAPLIKOVANÉ LINGVISTIKY 2/2020 jejich různorodá povaha avariabilita daná nejen systémovými vlastnostmi, ale také nejrůznějšími odchylkami vúzu. Nejsme samozřejmě první, kdo se oněco takového snaží. Hlavní inspirací pro naši práci byl projekt PARSEME abohatá literatura vzniklá na jeho základě (Sailer & Markantonatou, 2018; Markantonatou, Ramisch, Savary & Vincze, 2018; Parmentier & Waszczuk, 2019), ale již před tímto projektem se mnozí čeští izahraniční lingvisté zabývali teoretickým popisem víceslovných lexémů (Čermák, 2007; Moon, 2007; Baldwin & Kim, 2010) ipraktickým sestavováním slovníků adatabází (Čermák et al., 1983–2009; Kopřivová & Hnátková, 2014), obohacováním valenčních slovníků ofrazémy (Przepiórkowski, Hajič, Hajnicz & Urešová, 2017; Kettnerová, Lopatková, Bejček & Barančíková, 2018), nebo anotací víceslovných výrazů vsyntakticky anotovaných korpusech (Bejček & Straňák, 2010; Lopatková, 2015). Vycházíme ztoho, že úzus je zachycen vjazykovém korpusu, zatímco systém je dán abstraktní gramatikou aslovníkem. Běžné automatické nástroje na lingvistickou anotaci textů vkorpusu (taggery, parsery) dnes počítají stím, že se jazyk vtextech může více či méně odlišovat od spisovné normy, ausilují ointerpretaci všech výrazů ajevů, aniž by odchylky nějak vyznačovaly. Anotace však může zachycovat úzus včetně těchto odchylek, ato ivlingvisticky definovaných pojmech. Představuje tak styčný bod mezi územ asystémem. Gramatika se slovníkem tak může text analyzovat azjišťovat, kde ajak se úzus asystém liší.2 Takto představená koncepce představuje ideální stav, kdy anotace správně popisuje text agramatika se slovníkem přesně abeze zbytku popisuje jazykový systém. Ve skutečnosti může disharmonie při analýze anotace signalizovat více možností: 1. odchylku úzu od systému, včetně odchylek, které lze považovat za chyby (tedy optimální, žádoucí výsledek); 2. chybu vanotaci textu; 3. chybu nebo opominutí vgramatice nebo slovníku. Ikdyž stanovit diagnózu disharmonie výběrem ztěchto tří možností není pro tuto metodu samozřejmé ani snadné, může být užitečný ipouhý signál, že anotace textů neodpovídá očekávání. Lze tak přispět kvývoji anotačních nástrojů, případně opravě anotace, nebo také kvývoji gramatiky adoplňování slovníku. Vtomto příspěvku se zaměříme nejprve (včásti 2) na popis dat adalších zdrojů, které využíváme vprojektu Mezi slovníkem agramatikou,3 tedy na anotované texty, jejich formát, postup anotace azpůsob porovnání sgramatikou aslovníkem. Včásti 3 2 Podobnou koncepci představuje spojení projektu Składnica (parsebank, tedy syntakticky anotovaný korpus— treebank, vytvořený syntaktickým analyzátorem— parserem) sprojektem Świgra (gramatika) (Woliński, 2019). 3 Příspěvek vznikl vrámci prací na projektu Mezi slovníkem agramatikou (Between Lexicon and Grammar) podpořeném Grantovou agenturou České republiky, reg. č.16-07473S. Tento projekt navazuje na projekt Treebank češtiny na základě gramatiky, podpořený ze stejného zdroje, reg. č.13-27184S (Jelínek et al., 2014; Jelínek, Petkevič, Rosen, Skoumalová & Vítovec, 2015; Petkevič, Rosen, Skoumalová & Vítovec, 2015; Rosen & Skoumalová, 2018). OPEN ACCESS ALEXANDR ROSEN — HANA SKOUmALOVá — JIŘÍ ZNAmENáčEK 65 představíme naši taxonomii víceslovných jednotek, včásti 4 obsah aformu gramatiky aslovníku, včásti 5 pak probereme výsledky. Vzávěrečné diskusi (část 6) pak zdůrazníme silné stránky islabiny tohoto projektu. 2. DATA Při vývoji aplikací orientovaných na přirozený jazyk je dnes běžné využívat autentická jazyková data ivlingvistickém výzkumu, zejména vpodobě jazykových korpusů. Texty vnich obsažené jsou často vybaveny lingvistickou anotací, tedy např.údaji oslovním druhu amorfologických kategoriích každého slova, případně iojeho syntaktické funkci azapojení do syntaktické struktury věty. Někdy se anotují ifrazeologismy nebo tzv.pojmenované entity, tedy slova nebo slovní spojení, která odkazují na konkrétní osoby, místa, data audálosti. Všechny tyto druhy lingvistické anotace se provádějí téměř vždy automaticky, ato svyužitím stochastických modelů, vygenerovaných ze vzorově anotovaných textů (etalonu), případně islovníků. Takové metody mohou být dostatečně spolehlivé pro řadu účelů, ale jen výjimečně jsou zcela bez chyb. Navíc jsou postaveny před úkol anotovat (tj.analyzovat) reálné texty, které někdy neodpovídají nejen jazykové normě, ale ani etalonu. Istakovými případy se však tyto metody vypořádají, aniž by na výsledku bylo na první pohled patrné, že text neodpovídá očekávání. To může být často užitečné, pokud výsledek využívají prakticky zaměřené aplikace, ale ne vždy žádoucí, pokud nás zajímají právě odchylky od libovolně definovaného standardu. Důraz na empirická data amožnosti jejich využití pro praxi ivýzkum se tak střetává steoreticky motivovanou potřebou verifikovat hypotézy formálně vyjádřené pravidly gramatiky aslovníkem. Nespočetné doklady jazykového úzu se sice stávají součástí empirických modelů jazyka, ale tyto modely nejsou zhlediska lingvistické teorie dostatečně transparentní, nepracují slingvistickými pojmy anelze vnich ověřovat lingvistické hypotézy. Výsledkem aplikace empirických modelů na texty však je anotace, kterou lze ověřovat aanalyzovat pomocí gramatiky aslovníku vytvořených tradičními lingvistickými metodami. Anotace korpusu tak představuje styčný bod mezi langue aparole, mezi jazykem jako systémem vpodobě gramatiky aslovníku na jedné straně ajeho užitím, který představuje korpus, na straně druhé (Rosen, 2018). Víceslovné lexémy definujeme široce jako výrazy, které se skládají zvíce slovních tvarů avyznačují se alespoň některým zvíce typů idiomatičnosti. Zhlediska jazykového systému se nacházejí mezi dvěma póly: slovníkem agramatikou. Prostor mezi těmito póly je zaplněn víceslovnými lexémy nejrůznějších typů, které se jim navíc blíží či vzdalují vzávislosti na úhlu pohledu. Ustrnulá spojení jako např.třesky plesky se výrazně odlišují od konstrukcí typu honit vodu, ato zdůvodů morfologických, syntaktických, sémantických ipragmatických. Když se omezíme jen na formálně snadno pozorovatelné projevy těchto odlišností, tedy např.míru oné „ustrnulosti“, snadno se ujistíme, že kontext nemá na podobu ustrnulých spojení žádný vliv. Oproti tomu víceslovné lexémy, které lze samy osobě analyzovat jako syntaktické konstrukce svíce či méně pravidelnými vlastnostmi svých členů, se často začleňují do kontextu podobně jako syntaktické konstrukce formálně identické. Příklad (1) ukazuje triviální OPEN ACCESS 66 STUDIE ZAPLIKOVANÉ LINGVISTIKY 2/2020 možnost flexe anegace slovesa ve víceslovném lexému. Homonymní doslovné užití týchž lexémů vpříkladu (2) vykazuje stejné formální vlastnosti. Vpříkladu (3) se spojuje idiomatické adoslovné čtení vjedné koordinaci. (1) Tihle kluci nehoní vodu vnaleštěných meďourech.4 (2) Čeřidla honí vodu kolem lodí, aby nezamrzla.5 (3) Praktická Lundová ale nehoní vodu, nýbrž vraha. Její ohoz je stále stejný: svetr, džíny, holiny.6 Příklad (4) ukazuje, že víceslovné lexémy připouštějí vnitřní modifikaci, která může zesilovat nebo jinak kvalifikovat význam celého slovního spojení. Tento příklad lze interpretovat ijako kombinaci spojení honit vodu avelká voda. Příklad (5) ukazuje slovoslednou variaci apříklad (6) možnost diateze řídícího slovesa. (4) Ve mně by Sally potkala kluka, který přijel do Prahy zPlzně honit velkou vodu, což se mu moc nepovedlo.7 (5) Rychtecký by na lázeňské kolonádě vtomhle oblečku vodu honit nemohl.8 (6) VPraze se také honí voda; […]9 Všechny výše uvedené příklady dokládají značnou variabilitu některých víceslovných lexémů. Tato variabilita je přitom alespoň uněkterých víceslovných jednotek srovnatelná sjejich neidiomatickými obdobami, ajde tedy ovariabilitu očekávanou, která je dána propojením lexikálních agramatických specifikací. Proto je důležité modelovat víceslovné lexémy vteoretickém aformálním rámci, který spojení slovníku agramatiky umožňuje. Kromě této „očekávané“ variability, dané postavením víceslovných lexémů vsystému jazyka, existuje ivariabilita daná užíváním jazyka, kterou víceslovné lexémy sdílejí se všemi výrazy ajevy, jako jsou třeba „chyby“ způsobené performančními faktory vužívání jazyka nebo tvůrčí modifikace standardu. Podobně jako ujiných výrazů akonstrukcí lze proti sobě postavit systém aúzus akonfrontovat anotaci korpusu sgramatikou aslovníkem. 3. TAXONOMIE VÍCESLOVNÝCH VÝRAZŮ Abychom mohli víceslovné jednotky popsat arozpoznat vrůzných podobách akontextech, je nutné je klasifikovat podle více hledisek: 4 SYNv8 (Křen et al., 2019); Aha!, 21.10.2010. 5 SYNv8; Mladá fronta DNES, 2.3.2018, Liberecký kraj. 6 SYNv8; Magazín Víkend DNES, č.13/2013. 7 SYNv8; Vlasta, č.22/2011. 8 SYNv8; Bulvár, č.3/2014. 9 Karel Čapek: Ze života slov, Lidové noviny, 9.1.1934; http://ld.johanesville.net/capek-80-o- -umeni-a-kulture-iii?page=236. OPEN ACCESS ALEXANDR ROSEN — HANA SKOUmALOVá — JIŘÍ ZNAmENáčEK 67 1. typ užití (např.přísloví, pranostika, přirovnání, citace, termín, víceslovné synsémantikum) 2. syntaktický typ (např.fráze jmenná, adjektivní, adverbiální, předložková, slovesná plnovýznamová nebo skategoriálním slovesem, složená spojka nebo předložka) 3. míra ustrnulosti (možnost užití variant nebo fragmentů základní podoby, slovosledná amorfologická omezení aomezení slovesných transformací) 4. typ idiomaticity (lexikální, morfologická, syntaktická, sémantická, pragmatická, statistická).10 Kromě toho určujeme uvíceslovných lexémů také jejich lemma, definici, zařazení podle stylu nebo registru jazyka, syntaktickou strukturu (strukturní vzorec, závislostní asložkový strom) avalenci. Až na valenci uvádíme jen specifikace, které jsou zhlediska standardní gramatiky neočekávané, takže např.uspojení Pandořina skříňka není uvedeno, že se nevyskytuje vobráceném slovosledu, protože to platí obecně pro všechny jmenné fráze podobného typu, tedy např.ipro dědečkovy brýle. Všechny tyto údaje jsou uvedeny vlexikální databázi, sníž mohou pracovat uživatelé iaplikace. Podrobnější popis databáze uvádí Hnátková et al. (2019). 4. POSTUP ANOTACE Databáze je jedním zvíce zdrojů, které se při anotaci využívají. Další znich jsou valenční slovník (Lopatková, Kettnerová, Bejček, Vernerová & Žabokrtský, 2016; Rosen & Skoumalová, 2018), tagger (Skoumalová, Hnátková & Petkevič, 2011) azávislostní parser (Jelínek, 2016), nástroj pro automatickou anotaci víceslovných lexémů vtextu (Hnátková, 2002) avneposlední řadě sada nástrojů, které tvoří páteř celého postupu automatické anotace azajišťují konverzi mezi různými formáty anotace atextových dat (Jelínek et al., 2014). Text se anotuje tímto postupem (některé méně podstatné kroky neuvádíme): 1. morfologická analýza (tagger); 2. anotace víceslovných lexémů; 3. závislostní syntaktická analýza (parser); 4. doplnění údajů ovíceslovných lexémech zdatabáze; 5. konverze do formátu typovaných sestav rysů asložkových stromů; 10 Pod idiomaticitou rozumíme odlišnost od standardního systémového chování celého víceslovného lexému nebo jednotlivých slov vněm obsažených. Jednotlivé typy idiomaticity se mohou vzájemně kombinovat, svýjimkou idiomaticity statistické dané obligatorností aproximitou, ukteré má víceslovný lexém vždy kompozicionální význam, aidiomaticity sémantické, kde možnost doslovného (kompozicionálního) čtení vylučujeme. Mezi víceslovné lexémy zahrnujeme pouze ty n-tice slov, které tvoří frázi, anebo složené synsemantikum. Neuvažujeme tedy taková frekventovaná spojení jako by se nebo bychom zítra. (Více viz Cvrček, 2013; Hnátková et al., 2017; Hnátková et al., 2018.) OPEN ACCESS 68 STUDIE ZAPLIKOVANÉ LINGVISTIKY 2/2020 6. doplnění údajů zvalenčního slovníku; 7. ověření adoplnění anotace pomocí gramatiky. Při tomto postupu na sebe navazují samostatné moduly, které mají za úkol provést vždy jeden krok anotace. Tím se náš přístup liší od jiných projektů, ve kterých byla identifikace víceslovných jednotek součástí gramatiky, ať už se jednalo osystémy založené na HPSG (Sailer & Richter, 2002; Richter & Sailer, 2014), nebo na LFG (Dyvik, Losnegaard & Rosén, 2019). Vnásledující části přiblížíme gramatiku, její funkci, obsah aformu. 5. GRAMATIKA Úkolem gramatiky vtomto projektu je vprvní řadě ověřit, zda úzus, zastoupený lingvisticky anotovanými texty sdůrazem na víceslovné lexémy, odpovídá pravidlům této gramatiky alexikálním specifikacím ze slovníku, společně představujícím jazyk jako systém. Negativní výsledek, tedy zjištění, že anotace textů neodpovídá pravidlům, může vkonkrétním případě znamenat inesprávnou anotaci nebo neadekvátní popis vgramatice či slovníku. Anotace, která obsahuje morfologickou asyntaktickou analýzu textů spolu sidentifikací víceslovných lexémů, prochází kontrolou formální ijazykové správnosti akonzistence. Anotace vyjadřující kompatibilní analýzu jsou obohaceny odalší informace: relevantní vlastnosti lexikálních kategorií jsou promítnuty do frázových uzlů, lexikální kategorie dostávají valenční rámce, které mají být naplněny větnými členy vdané větě. Uvíceslovných lexémů, které jsou jako takové anotovány jen vterminálních uzlech, se relevantní informace odaném lexému dostávají do vyšších složek. Toto sdílení informací ovíceslovném lexému mezi syntaktickými dcerami amatkami končí unejnižší složky, která obsahuje všechny součásti frazému, ikdyž může obsahovat ijiné podsložky. Kromě syntaktického modulu, který kontroluje syntaktickou strukturu amorfosyntaktické údaje obsažené vanotaci textů atuto analýzu doplňuje oinformace zvalenčního slovníku azterminálních uzlů složkového stromu, je součástí gramatiky také modul lexikální, který využívá lexikální hesla zexterního valenčního slovníku ageneruje valenční rámce pro slovesa vtextu, ato ve více verzích podle možných diatezí (viz Skoumalová, 2016). Gramatika je implementována vsystému Trale,11 formalismu určeném pro gramatiky založené na HPSG, lingvistické teorii pro modelování lingvistických výrazů jako strukturovaných sestav rysů (viz např.Pollard & Sag, 1994). Formát gramatického formalismu je kompatibilní sformátem analýzy aslovníkových hesel. Jednou znejdůležitějších vlastností této teorie iformalismu je pojetí gramatiky jako množiny omezení, která jsou kladena na výrazy jazyka. Nejde tedy omnožinu pravidel, která vprocedurálním smyslu pomocí syntaktických stromů generují nebo analyzují ře11 https://hpsg.hu-berlin.de/Software/Trale/, http://www.sfs.uni-tuebingen.de/hpsg/archive/projects/trale OPEN ACCESS ALEXANDR ROSEN — HANA SKOUmALOVá — JIŘÍ ZNAmENáčEK 69 tězce slov. Výhodou takto pojaté gramatiky je kromě jiného imožnost ji interpretovat zároveň jako návod ksyntéze (generování) ianalýze. Vnašem projektu ji však interpretujeme právě jen jako omezení kladená na morfologickou asyntaktickou anotaci textu, včetně anotace víceslovných lexémů. Tím se nejvíc liší od typických aplikací lingvisticky formulovaných gramatik. Gramatika dostává na vstupu sestavy rysů, vytvořené stochastickými nástroji pro morfologickou asyntaktickou analýzu, doplněné ospecifikace víceslovných lexémů avalenčních rámců azkonvertované do náležité podoby. Proto neobsahuje žádná syntaktická pravidla bezkontextového typu afunguje jako constraint solver,12 přičemž omezení pocházejí ze tří zdrojů: data, slovník avlastní gramatika. Každá věta je na vstupu anotována jednoznačně, tj.odpovídá jí právě jeden syntaktický strom, který ani vjednom uzlu neobsahuje žádné nejednoznačné údaje. Víceznačné interpretace mohou vzniknout jen vdůsledku podrobnější taxonomie morfosyntaktických kategorií nebo nejistoty ohledně výběru valenčního rámce. 6. ANALYZOVANÉ PŘÍKLADY Na jedenácti větách, znichž většina obsahuje alespoň dva víceslovné lexémy, ukážeme výsledky aplikace gramatiky na anotované texty aproblémy stím spojené. Přitom se zaměříme hlavně na analýzu víceslovných lexémů vsyntaktickém kontextu. Ukaždé věty uvedeme její složkovou strukturu na vstupu do gramatiky, někdy ukážeme iúdaje ujednotlivých relevantních uzlů po průchodu gramatikou. Je důležité si uvědomit, že syntaktická struktura je dána stochastickou závislostní analýzou, transformovanou do složkového tvaru. Gramatika ji nemůže měnit, může ji jen kontrolovat adoplňovat údaje do uzlů struktury. Příklady obsahují víceslovné lexémy několika syntaktických typů. Uvádíme jejich seznam spolu sčísly příkladů, označením případné sémantické idiomatičnosti pomocí hvězdičky adoplněním typu příslovečného nebo přívlastkového určení (za znaménkem plus). Jmenná fráze široká veřejnost (7) sametová revoluce* (9) celou dobu (10) +čas děs ahrůza (11) klinická smrt (17) +termín svěcená voda (17) neřád neřádská (18) 12 Constraint solver je algoritmus a/nebo implementace algoritmu, který hledá řešení splňující všechna daná omezení. Ugramatiky to tedy neznamená, že gramatika něco analyzuje nebo generuje, ale aplikuje omezení daná gramatickými pravidly aslovníkem na vstupní data. Výsledkem je jednak verdikt osouladu vstupních dat spředpoklady gramatiky aslovníku, jednak potenciálně informativnější obsah výstupních dat. OPEN ACCESS 70 STUDIE ZAPLIKOVANÉ LINGVISTIKY 2/2020 Předložková fráze vdnešní době (7) +čas při vší úctě (9) +okolnost před koncem (12) +čas na plné obrátky* (12) +způsob před nedávnem (13) +čas na míru (14) +způsob vřadě případech (19) +okolnost Slovesná fráze skategoriálním slovesem mít nárok (8) dávat najevo (10) podat výkon (13) přivodit smrt (13) být nesvůj* (14) Slovesná fráze plnovýznamová chodit do práce (8) lhát si do kapsy* (9) Složená spojka ikdyž (8) (11) Složená předložka vduchu* (9) Adverbiální fráze pomalu, ale jistě (9) +způsob Následuje rozbor jednotlivých příkladů. (7) Proč vdnešní době vítězí ekonomický zájem jednotlivců nad zájmem široké veřejnosti?13 Příklad (7) obsahuje dva víceslovné lexémy, zvýrazněné vGrafu 1 podtržením. Kaž - dý znich má vsyntaktické analýze svoji složku, přičemž první znich obsahuje další neterminální uzel pro jmennou frázi. Na vstupu do gramatiky jsou však údaje ovíceslovných lexémech uvedeny jen uterminálních uzlů. Až gramatika je promítne do všech vyšších složek.14 ZGrafu 1 je už při zběžném prozkoumání patrné, že do subjektové části věty je chybně zahrnuta ipředložková fráze nad zájmem veřejnosti. Jde ochybu stochastického parseru, na niž by gramatika jako na možný problém mohla upozornit na zá13 SYNv8; Deníky Bohemia, 8.9.2009. 14 Syntaktická struktura vGrafu 1 ani vdalších grafech neobsahuje interpunkci. OPEN ACCESS ALEXANDR ROSEN — HANA SKOUmALOVá — JIŘÍ ZNAmENáčEK 71 kladě valenčního rámce slovesa vítězit, vybaveného slotem pro předložkovou frázi spředložkou nad.15 Uzly stromu jsou označeny nikoli frázovou kategorií (NP, PP), ale funkcí: matrix je funkce pro nejvyšší uzel, reprezentující celou větu, head pro hlavu, tj.řídící větný člen (ve větě pro slovesnou frázi nebo sloveso, ve jmenné frázi pro řídící substantivum), subj pro podmět, advbPlain pro adverbiale (příslovečné určení), attrPlain pro atribut (přívlastek). Analytické tvary se synsémantiky (pomocnými slovy) se dělí na sHead (povrchovou hlavu), představující synsémantickou část, adHead (hloubkovou hlavu), zastupující autosématickou část tvaru. Díky tomuto řešení lze tutéž analýzu ze stejných dat zobrazit také jako závislostní strom, obsahující pouze terminální uzly. Je možné si vybrat mezi závislostmi hloubkovými (Graf 2), kde synsémantika jsou závislá na hloubkové hlavě, nebo povrchovými (Graf 3), kde je tomu naopak, arůznými 15 Problém analýzy předložkových frází vpodobném kontextu se objevuje idále vpříkladu (9). Graf 1:Složková struktura věty (7). Graf 2:Závislostní struktura věty (7) shloubkovými závislostmi vygenerovaná ze složkové struktury. Graf 3:Závislostní struktura věty (7) spovrchovými závislostmi vlinearizované podobě. OPEN ACCESS 78 STUDIE ZAPLIKOVANÉ LINGVISTIKY 2/2020 (13) Když před nedávnem podal sportovní výkon, bakterie jeho oslabený organismus napadla apostupně přivodila jeho smrt.28 Alternativní syntaktická analýza se slovesem asubstantivem vjediné, odalší větné členy nerozšiřitelné složce je vtěchto případech těžko představitelná (Graf 11). Považujeme to za další argument ve prospěch stávajícího řešení slexikálním asyntaktickým pohledem na víceslovné lexémy. Příklad (14) obsahuje jedno zvíce možných spojení se slovem nesvůj, které se kromě být může pojit také se slovesy cítit se, připadat si nebo vypadat, případně být použito samostatně ve stejném významu (15, 16). Svariabilitou součástí lexému se vdatabázi počítá, ale možnost užít slovo samostatně naráží na definici víceslovných lexémů. Kromě možnosti postulovat vtěchto případech elipsu přechodníku vsyntaktické struktuře se jako řešení nabízí možnost připustit jako variantu víceslovného lexému ijediné slovo. Tuto druhou možnost vrámci daného formalismu preferujeme. 28 SYNv8; Právo, 3.12.2002. Graf 10:Složková struktura věty (12). Graf 11:Složková struktura věty (13). OPEN ACCESS ALEXANDR ROSEN — HANA SKOUmALOVá — JIŘÍ ZNAmENáčEK 79 (14) Byl evidentně nesvůj ze saka akalhot na míru.29 (15) Je tam ticho, hostů je málo apersonál stojí podél zdí, nesvůj znedostatku práce.30 (16) Trochu nesvůj si uvědomil, že se tam sním možná bude zacházet oněco přísněji než vtomto světě.31 Spojení na míru jako příslovečné nebo přívlastkové určení způsobu může být užito také jako složená předložka aplatí pro něj analogicky to, co bylo řečeno ospojení vduchu výše vpříkladu (9). Příklad (17), který je posledním příkladem zapadajícím do systému, obsahuje dvě jmenné fráze, znichž klinická smrt je označena jako termín adruhá, svěcená voda, je vestejné složce sfokalizátorem ani (Graf 13). 29 SYNv8; Deníky Bohemia, 15.9.2004. 30 SYN2015 (Křen et al., 2015); Hill, T. (2004). Kryptograf. Překlad: Demlová, M. Praha: Egmont. 31 SYN2015; Petersová, E. (2004). Neobyčejný benediktin. Překlad: Pošustová, S. Praha: Mladá fronta. Graf 12:Složková struktura věty (14). Graf 13:Složková struktura věty (17). OPEN ACCESS 80 STUDIE ZAPLIKOVANÉ LINGVISTIKY 2/2020 (17) Je vklinické smrti, té už nepomůže ani svěcená voda.32 Podobně jako uvěty (10) sverbonominálním spojením dát najevo rozhodla gramatika ivtomto příkladu, že neodpovídá valenčnímu rámci. Zde ale nešlo ovalenci víceslovného lexému, ale slovesa pomoci. Pád zájmena té byl totiž vpředchozí analýze chybně určen jako genitiv. Následují příklady, které odporují systému české syntaxe. Vpříkladu (18) je kromě víceslovné jednotky mít (něco) za sebou, která se nijak nevymyká zjazykového systému, použito spojení neřád neřádská. (18) Ten má určitě leccos za sebou, neřád neřádská.33 Vpřípadě věty (18) gramatika selhala anevydala žádný výsledek (proto se také graf liší— nepochází zvýstupu Tralu, ale zjeho vstupu). Důvodem je neshoda vrodu mezi slovem neřád ajeho adjektivním přívlastkem neřádská. Nicméně parser si světou poradil, adokonce je ive frázi neřád neřádská správně určena hlava apřívlastek. Ačkoli tato konstrukce odporuje české gramatice aje tedy nesystémová, je vžitá jako expresivní výraz, nebo spíše vzor, podle kterého se dají další výrazy tvořit (kluk ušatá, chlap mizerná atd.). Je tedy žádoucí vtomto případě uvolnit omezení daná gramatikou tak, aby věta nebyla označena za chybnou, ale uspojení neřád neřádská bylo vyznačeno, že není vsouladu se systémem. Poslední příklad ukazuje konstrukci, která se vymyká jazykovému systému aje ipociťována jako nesprávná, ale přesto se vtextech vyskytuje. Můžeme pouze spekulovat, jak ktéto chybě dochází— zda po záměně slova mnoha za slovo řadě pisatel zapomene opravit tvar případech na správný tvar případů, nebo jestli má vliv předložka v, která vyžaduje lokálovou rekci, anebo jestli někteří mluvčí jazyka začínají pociťovat tvar řadě vtéto konstrukci spíše jako číslovku. 32 SYNv8; Sport, 15.2.2017. 33 SYNv8; Šukšin, V. M. (1987). Červená kalina. Překlad: Psůtková Z. Praha: Lidové nakladatelství. Graf 14:Složková struktura věty (18). head head (2) má advbPlain (3) určitě obj (4) leccos advbPlain sHead (5) za dHead (6) sebou subj head (1) Ten apos head (8) neřád attrPlain (9) neřádská OPEN ACCESS ALEXANDR ROSEN — HANA SKOUmALOVá — JIŘÍ ZNAmENáčEK 81 (19) Američané vřadě případech dokázali svou vstřícnost.34 Stejně jako vpředchozím případě iutéto věty gramatika nevydala žádný výsledek. Na rozdíl od předchozího případu ale nemá být gramatika opravena tak, aby nesystémovou konstrukci připustila, ale měla by na ni upozornit. 7. ZÁVĚRY Implementovali jsme aotestovali lingvisticky motivovanou složkovou gramatiku založenou na pravidlech scílem zkontrolovat adoplnit anotaci textů provedenou stochastickými nástroji. Ktomu gramatika využívá valenční slovník adatabázi víceslovných lemmat. Gramatika se interpretuje jako constraint solver, který považuje morfosyntakticky astrukturně anotované texty, pravidla gramatiky alexikální hesla za množinu omezení, která si nemají odporovat. Výsledky budou využity pro vytvoření korpusu sověřenou anotací. Součástí této anotace bude iinformace, které konstrukce nebo tvary jsou vrozporu sobecnými gramatickými pravidly. Na jejím základě bude možné statisticky vyhodnotit všechny případy, kdy je úzus vrozporu sgramatikou, ato na nejrůznějších typech jevů. Zde jsme se zaměřili na anotaci víceslovných lemmat vjedenácti větách, znichž většina obsahuje alespoň dvě taková lemmata. Ukázali jsme, jak gramatika doplňuje údaje ovíceslovných lemmatech do neterminálních uzlů ajak umožňuje kontrolu analýzy provedené stochastickými nástroji. Ikdyž se složková syntaktická struktura často liší od struktury, kterou bychom uvíceslovných lexémů očekávali, ukázali jsme přednosti dvojího pohledu. Lexikální pohled je vyjádřen informacemi vuzlech stromu asyntaktický jeho strukturou. Ikdyž jsme ukázali řadu typů víceslovných lexémů, některé typy (např.rčení) jsme nechali stranou kvůli zaměření na interakci lexémů se syntaktickým kontextem azprostorových důvodů. Jde zejména opříklady syntaktické, morfologické 34 SYNv8; Mladá fronta DNES, 8.7.1999. Graf 15:Složková struktura věty (19). subj (1) Američané head advbPlain sHead (2) v dHead sHead (3) řadě dHead (4) případech head (5) dokázali obj attrPlain (6) svou head (7) vstřícnost OPEN ACCESS 82 STUDIE ZAPLIKOVANÉ LINGVISTIKY 2/2020 alexikální idiomatičnosti, které se týkají např.neobvyklých valenčních vlastností (Když Pán Bůh dopustí, imotyka spustí. Lehce nabyl, lehce pozbyl.), elidovaného slovesa (My ovlku, vlk za dveřmi. Někdo holky, jinej vdolky. Svůj ksvému. Národ sobě.) nebo jinak neužívaných slov vneobvyklé syntaktické struktuře (láry fáry, třesky plesky, tintili vantili). Další vývoj gramatiky se zaměří dvěma směry: na vyšší pokrytí apřesnost kontrolovaných jevů astruktur ataké na automatickou diagnostiku případů, kdy anotace nesplňuje předpoklady gramatiky. SEZNAM LITERATURY Baldwin, T., & Kim, S.N. (2010). Multiword expressions. In N.Indurkhya & F.J.Damerau (Eds.), Handbook of Natural Language Processing, 2nd edition (s.267–292). Boca Raton, FL: CRC Press. Bejček, E., & Straňák, P. (2010). Annotation of multiword expressions in the Prague Dependency Treebank. Language Resources and Evaluation, 44(1–2), 7–21. Cvrček, V. (2013). Kvantitativní analýza kontextu. Studie zkorpusové lingvistiky, svazek 18. Praha: Nakladatelství Lidové noviny. Čermák, F., Hronek, J., Machač, J., Blatná, R., Churavý, M., Červená, V., Holub, J., Kopřivová, M., Kroupová, L., Mejstřík, V., Šára, M., & Trnková, A. (1983–2009). Slovník české frazeologie aidiomatiky (SČFI), svazek 1–4. Praha: Academia/Leda. Dyvik, H., Losnegaard, G.S., & Rosén, V. (2019). Multiword expressions in an LFG grammar for Norwegian. In Y.Parmentier & J.Waszczuk (Eds.), Representation and Parsing of Multiword Expressions: Current Trends (s.69–108). Berlin: Language Science Press. Hnátková, M. (2002). Značkování frazémů aidiomů vČeském národním korpusu spomocí Slovníku české frazeologie aidiomatiky. Slovo aslovesnost, 63(2), 117–126. Hnátková, M., Jelínek, T., Kopřivová, M., Petkevič, V., Rosen, A., Skoumalová, H., & Vondřička, P. (2017). Eye of aneedle in ahaystack. Multiword expressions in Czech: Typology and lexicon. In R. Mitkov (Ed.), Computational and Corpus-Based Phraseology (s.160–175). Berlin: Springer. Hnátková, M., Jelínek, T., Kopřivová, M., Petkevič, V., Rosen, A., Skoumalová, H., & Vondřička, P. (2018). Lepší vrabec vhrsti nežli holub na střeše. Víceslovné lexikální jednotky včeštině: typologie aslovník. Korpus— gramatika— axiologie, 9(17), 3–22. Hnátková, M., Jelínek, T., Kopřivová, M., Petkevič, V., Rosen, A., Skoumalová, H., & Vondřička, P. (2019). Lexical database of multiword expressions in Czech. In V.P.Zakharov (Ed.), Trudy meždunarodnoj konferencii „Korpusnaja lingvistika— 2019“ (s.9–16). St.Petersburg: Saint Petersburg University Press. Jelínek, T. (2016). Combining dependency parsers using error rates. In P.Sojka, A.Horák, I.Kopeček & K.Pala (Eds.), Text, Speech and Dialogue— Proceedings of the 19thInternational Conference TSD 2016 (s.82–92). Berlin: Springer. Jelínek, T., Petkevič, V., Rosen, A., Skoumalová, H., Vítovec, P., & Znamenáček, J. (2014). Agrammar-licensed treebank of Czech. In V.Henrich, E.Hinrichs, D. de Kok, P.Osenova & A.Przepiórkowski (Eds.), Proceedings of the Eleventh International Workshop on Treebanks and Linguistic Theories (TLT13) (s.218–229). Tübingen. Jelínek, T., Petkevič, V., Rosen, A., Skoumalová, H., & Vítovec, P. (2015). Taking care of orphans: Ellipsis in dependency and constituency-based treebanks. In M.Dickinson, E.Hinrichs, A.Patejuk & A.Przepiórkowski (Eds.), Proceedings of the Fourteenth International Workshop on Treebanks OPEN ACCESS ALEXANDR ROSEN — HANA SKOUmALOVá — JIŘÍ ZNAmENáčEK 83 and Linguistic Theories (TLT14). (s.119–133). Warsaw: Institute of Computer Science, Polish Academy of Sciences. Kettnerová, V., Lopatková, M., Bejček, E., & Barančíková, P. (2018). Enriching VALLEX with light verbs: From theory to data and back again. The Prague Bulletin of Mathematical Linguistics, 111, 21–56. Kopřivová, M., & Hnátková, M.(2014). From dictionary to corpus. In V.Jesenšek & P.Grzybek (Eds.), Phraseology in Dictionaries and Corpora, Proceedings of EUROPHRAS 2012, Mednarodna knjižna zbirka ZORA 97 (s.155–168). Maribor: Mednarodna založba Oddelka za slovanske jezike in književnosti, Filozofska fakulteta, Univerza vMariboru. Křen, M., Cvrček, V., Čapka, T., Čermáková,A., Hnátková, M., Chlumská, L., Jelínek, T., Kováříková, D., Petkevič, V., Procházka, P., Skoumalová, H., Škrabal, M., Truneček, P., Vondřička, P., & Zasina, A. (2015). SYN2015: reprezentativní korpus psané češtiny. Praha: Ústav Českého národního korpusu FF UK. Dostupné zhttp://www.korpus.cz. Křen, M., Cvrček, V., Čapka, T., Čermáková, A., Hnátková, M., Chlumská, L., Jelínek, T., Kováříková, D., Petkevič, V., Procházka, P., Skoumalová, H., Škrabal, M., Truneček, P., Vondřička, P., & Zasina, A. (2019). Korpus SYN, verze 8 z12.12.2019. Praha: Ústav Českého národního korpusu FF UK. Dostupné zhttp:// www.korpus.cz. Lopatková, M. (2015). T-rovina PDT: Víceslovné výrazy (PDT 2.5, 3.0). Prezentace dostupná zhttps://ufal.mff.cuni.cz/~lopatkova/2015/ docs/12-t-mwe.pdf. Lopatková, M., Kettnerová, V., Bejček, E., Vernerová, A., & Žabokrtský, Z. (2016). Valenční slovník českých sloves VALLEX. Praha: Karolinum. Markantonatou, S., Ramisch, C., Savary, A., & Vincze, V. (2018). Multiword Expressions at Length and in Depth: Extended Papers from the MWE 2017 Workshop. Berlin: Language Science Press. Dostupné zhttps://langsci-press.org/ catalog/book/204. Parmentier, Y., & Waszczuk, J. (2019). Representation and Parsing of Multiword Expressions: Current Trends. Berlin: Language Science Press. Dostupné zhttps://langscipress.org/catalog/book/202. Petkevič, V., Rosen, A., Skoumalová, H., & Vítovec, P. (2015). Analytic morphology— merging the paradigmatic and syntagmatic perspective in atreebank. In J.Piskorski, L.Pivovarova, J.Šnajder, H.Tanev & R.Yangarber (Eds.), The 5th Workshop on BaltoSlavic Natural Language Processing (BSNLP 2015) (s.9–16). Hissar, Bulgaria. Pollard, C.J., & Sag, I.A. (1994). Head-Driven Phrase Structure Grammar. Chicago: University of Chicago Press. Przepiórkowski, A., Hajič, J., Hajnicz, E., & Urešová, Z. (2017). Phraseology in two Slavic valency dictionaries: Limitations and perspectives. International Journal of Lexicography, 30(1), 1–38. Richter, F., & Sailer, M. (2014). Idiome mit phraseologisierten Teilsätzen: Eine Fallstudie zur Formalisierung von Konstruktionen im Rahmen der HPSG. In A.Lasch & A.Ziem (Eds.), Grammatik als Netzwerk von Konstruktionen (s.291–312). Berlin: de Gruyter. Rosen, A. (2018). Coping with unruly language: Non-standard usage in acorpus. In E.Fuß, M.Konopka B.Trawinski, & U.H.Waßner (Eds.), Grammar and Corpora 2016 (s.271–287). Heidelberg: Heidelberg University Publishing. Rosen, A., & Skoumalová, H. (2018). No way to have your say out of the frame: Specifying valency of multi-word expressions. Prace Filologiczne, LXXII, 301–320. Sailer, M., & Markantonatou, S. (2018). Multiword expressions: Insights from amultilingual perspective. Berlin: Language Science Press. Dostupné zhttp://langsci-press.org/ catalog/book/184. Sailer, M., & Richter, F. (2002). Not for love or money: Collocations! In G.Jäger, P.Monachesi, G.Penn & S.Wintner (Eds.), Proceedings of Formal Grammar 2002 (s.149–160). Trento, Italy. Skoumalová, H. (2016). Slovníková pravidla pro využití slovníku VALLEX při tvorbě syntakticky anotovaného korpusu. In K.Skwarska & E.Kaczmarska (Eds.), OPEN ACCESS 84 STUDIE ZAPLIKOVANÉ LINGVISTIKY 2/2020 Výzkum slovesné valence ve slovanských zemích (s.131–147). Praha: Slovanský ústav AV ČR. Skoumalová, H., Hnátková, M., & Petkevič, V. (2011). Linguistic Annotation of Corpora in the Czech National Corpus. In V.Zacharov (Ed.), Trudy meždunarodnoj konferencii „Korpusnaja lingvistika— 2011“ (s.15–20). Sankt-Petěrburg: St.-Petersburg State University, Institute of Linguistic Studies. Woliński, M. (2019). Automatyczna analiza składnikowa języka polskiego. Warszawa: Wydawnictwa Uniwersytetu Warszawskiego. Alexandr Rosen | Ústav teoretické akomputační lingvistiky FF UK <[email protected]> Hana Skoumalová | Ústav teoretické akomputační lingvistiky FF UK <[email protected] > Jiří Znamenáček | Ústav informatiky achemie, Vysoká škola chemicko-technologická vPraze <[email protected]> OPEN ACCESS