Zur Darstellung eines mehrstufigen Prototypbegriffs in der multilingualen automatischen Sprachgenerierung: vom Korpus über "word embeddings" bis hin zum automatischen Wörterbuch

Lexikos 31 (AFRILEX-reeks/series 31: 2021): 20-50 Zur Darstellung eines mehrstufigen Prototypbegriffs in der multilingualen automatischen Sprachgenerierung: vom Korpus über word embeddings bis hin zum automatischen Wörterbuch María José Domínguez Vázquez, Universidade de Santiago de Compostela — ILG, Spain ([email protected]) Zusammenfassung: Das multilinguale Wörterbuch zur Substantivvalenz Portlex gilt als Ausgangpunkt für die Entstehung der automatischen Sprachgeneratoren Xera und Combinatoria, deren Entwicklung und Handhabung hier präsentiert wird. Beide Prototypen dienen zur automatischen Generierung von Nominalphrasen mit ihren monound biargumentalen Valenzstellen, die u.a. als Wörterbuchbeispiele oder als integrierte Bestandteile künftiger autonomer E-LearningTools eine Anwendung finden könnten. Als Modelle für neuartige automatische Valenzwörterbücher mit Benutzerinteraktion fassen wir die Sprachgeneratoren in ihrem heutigen Zustand auf. Bei dem spezifischen methodologischen Verfahren zur Entwicklung der Sprachgeneratoren stellt sich die syntaktisch-semantische Beschreibung der vom Valenzträger eröffneten Leerstellen aus syntagmatischer und paradigmatischer Sicht als Schwerpunkt heraus. Zusammen mit Faktoren wie der Repräsentativität, der grammatischen Korrektheit, der semantischen Kohärenz, der Frequenz und der Vielfältigkeit der lexikalischen Kandidaten sowie der semantischen Klassen und der Argumentstrukturen, die feste Bestandteile beider Ressourcen sind, sticht ein mehrschichtiger Prototypsbegriff hervor. Die kombinierte Anwendung dieses Prototypbegriffs sowie von word embeddings zeigt zusammen mit Techniken aus dem Gebiet der maschinellen Verarbeitung und Generation natürlicher Sprache (NLP und NLG) einen neuen Weg zur künftigen Entwicklung von automatisch generierten plurilingualen Valenzwörterbüchern. Insgesamt stellt der Beitrag die Sprachgeneratoren sowohl aus der Perspektive ihrer Entwicklung als auch aus Nutzersicht dar. Der Fokuss wird auf die Rolle des Prototypbegriffs bei der Entwicklung der Ressourcen gelegt. Schlüsselwörter: NLG: NATURAL LANGUAGE GENERATION, AUTOMATISCHES WÖRTERBUCH, INTERAKTIVES WÖRTERBUCH, SPRACHGENERATOREN, KORPUSLEXIKOGRAPHIE, ONTOLOGIE, PROTOTYP, LEXIKALISCHER PROTOTYP, SEMANTISCHE PROTOTYPISCHE KLASSEN Abstract: Towards the Description of a Multi-sided Prototype Concept in Multilingual Automatic Language Generation: From Corpus via Word http://lexikos.journals.ac.za; https://doi.org/10.5788/31-1-1623 Vom Korpus über word embeddings bis hin zum automatischen Wörterbuch 21 Embeddings to the Automatic Dictionary. The multilingual dictionary of noun valency Portlex is considered to be the trigger for the creation of the automatic language generators Xera and Combinatoria, whose development and use is presented in this paper. Both prototypes are used for the automatic generation of nominal phrases with their monoand bi-argumental valence slots, which could be used, among others, as dictionary examples or as integrated components of future autonomous E-Learning-Tools. As samples for new types of automatic valency dictionaries including user interaction, we consider the language generators as we know them today. In the specific methodological procedure for the development of the language generators, the syntactic-semantic description of the noun slots turns out to be the main focus from a syntagmatic and paradigmatic point of view. Along with factors such as representativeness, grammatical correctness, semantic coherence, frequency and the variety of lexical candidates, as well as semantic classes and argument structures, which are fixed components of both resources, a concept of a multi-sided prototype stands out. The combined application of this prototype concept as well as of word embeddings together with techniques from the field of automatic natural language processing and generation (NLP and NLG) opens up a new way for the future development of automatically generated plurilingual valency dictionaries. All things considered, the paper depicts the language generators both from the point of view of their development as well as from that of the users. The focus lies on the role of the prototype concept within the development of the resources. Keywords: NLG: NATURAL LANGUAGE GENERATION, AUTOMATIC DICTIONARY, INTERACTIVE DICTIONARY, LANGUAGE GENERATORS, CORPUS LEXICOGRAPHY, ONTOLOGY, PROTOTYPE, LEXICAL PROTOTYPE, SEMANTIC PROTOTYPICAL CLASSES 1. Einführung Der Ausgangspunkt für die Gestaltung der Sprachgeneratoren Xera und Combinatoria (Domínguez Vázquez et al. 2020) ist das online Wörterbuch zur Substantivvalenz Portlex (Domínguez Vázquez et al. 2018). Portlex ist ein semikollaboratives, multilinguales, cross-lingual Wörterbuch für Deutsch, Spanisch, Französisch, Italienisch und Galicisch (Domínguez Vázquez und Valcárcel Riveiro 2020). Bei seiner Entwicklung haben wir feststellen können, dass die Erhebung von Korporabelegen1 zur Veranschaulichung der vom Substantiv eröffneten Valenzstellen sowie insbesondere zur Beschreibung des Kombinationspotentials der verschiedenen Ausdrucksformen jedes Arguments für fünf Sprachen viel Zeit in Anspruch nimmt. Besonders bei Suchanfragen zur Verdeutlichung der Interaktion der Ergänzungen hat sich eine nicht zu unterschätzende Anzahl an erhobenen Korporabelegen angesichts des Wörterbuchtyps nicht immer als adäquat erwiesen. Das betrifft vor allem die Realisierung der Ergänzungen in Form eines Adjektivs oder eines Kompositabestandteils, denn — wie allgemein bekannt — geht die Korpushäufigkeit einer Ausdrucksform nicht unbedingt mit ihrem Ergänzungsstatus einher. Aufgrund der Tatsache, dass die verwendeten Korpora zur Anfertigung von Portlex weder funktional-syntaktisch noch semantisch annotiert sind2 — http://lexikos.journals.ac.za; https://doi.org/10.5788/31-1-1623 22 María José Domínguez Vázquez dementsprechend lassen sich die Korporabelege und -daten nicht nach diesen Parametern abrufen —, haben wir uns dazu entschieden, die Perspektive umzukehren: anstatt Korporabelege zur Darstellung der Nominalvalenz anzubieten, korpusgestützte Beispiele für die jeweiligen Valenzmuster automatisch zu generieren. So sind Xera und Combinatoria entstanden. Beide Prototypen vermitteln automatisch generierte Nominalphrasen für jeweils 20 Substantive im Spanischen, Deutschen und Französischen3. Xera erzeugt einfache syntaktisch-semantische Argumentstrukturen — wie z.B. der Geruch nach Blumen; Combinatoria trägt zur Vermittlung komplexerer nominaler Valenzmuster bei, wie z.B der Geruch des Zimmers nach Blumen (siehe 3.). Ferner sind die Generatoren zur Einbindung weiterer Beschreibungseinheiten sowie Sprachen gestaltet und lassen sich ebenfalls in weitere Ressourcen integrieren und dadurch wieder verwerten. In beiden Ressourcen ist eine valenzfundierte Beschreibung des nominalen Kombinationspotentials mit Fokus auf die kombinatorische Bedeutung (Engel 1996, 2004) von unentbehrlicher Bedeutung. Es geht hierbei nicht nur um die Frage, ob bei der Wiedergabe einer semantischen Rolle eine bestimmte ontologische Entität eine Valenzstelle belegen kann (oder nicht), sondern auch darum, welche konkreten lexikalischen Kandidaten bzw. ontologischen Kategorien diese Stelle einnehmen können. Diese Herangehensweise hängt mit dem Hauptziel von Valenzwörterbüchern zusammen, die Schumacher (2006: 1396) so beschreibt: Ein Defizit dieser [grammatikographischen] Darstellungsform besteht darin, dass hierbei die Regeln immer nur mit relativ wenigen Beispielen illustriert werden können. Dadurch bleibt für den Benutzer die Frage bestehen, welche der Regeln für die vielen Fälle zutreffen könnten, die nicht als grammatikalisches Beispiel dienen. Hier kann ein Lexikon Abhilfe schaffen [...]. Bei der Anfertigung der Sprachgeneratoren hat sich die methodologische Frage, wie man eine semantischfundierte Beschreibung der nominalen Valenzstellen automatisch erlangt und generiert, als eine Herausforderung erwiesen. Zu ihrer Beantwortung sind wir von der Anwendung einer „kombinierten Methode“ mit Rückgriff auf die Interoperabilität von Ressourcen ausgegangen. Im Konkreten baut das methodologische Verfahren zur Festlegung der anzubietenden nominalen Argumentstrukturen sowie der Beispiele auf (a) einer valenzfundierten Beschreibung des Substantivs und der zu belegenden Leerstellen, (b) einer korpusgestützten Analyse erhobener Ko-Okurrenzen sowie ihrem Kombinationspotential, (c) eine automatische Datenerhebung von lexikalischen Daten aus NLP-Ressourcen und aus den Wordnets für die beschriebenen Sprachen, vorhanden in dem Multilingual Central Repository4 (s. Domínguez Vázquez, Solla Portela und Valcárcel Riveiro 2019) und (d) einem mehrschichtigen Prototypbegriff auf. Prototypen sind in unserem Ansatz typische bzw. repräsentative Instanzen für eine konkrete Slotbesetzung oder für eine konkrete Argumentstruktur. Der Beschreibung des Prototypbegriffs weist dieser Beitrag einen gesonderten http://lexikos.journals.ac.za; https://doi.org/10.5788/31-1-1623 Vom Korpus über word embeddings bis hin zum automatischen Wörterbuch 23 Stellenwert zu, denn er gilt als Verknüpfungselement bei der automatischen Datenerhebung und -generierung. Weiterhin sind die von Generatoren gelieferten Beispiele und Muster im Hinblick auf ihre Repräsentativität, semantische Kompabilität sowie grammatische Korrektheit, Vielfältigkeit und Prototypizität sowohl manuell als auch automatisch herausgefiltert worden5: — Es ist allgemein bekannt, dass grammatische Korrektheit mit semantischer Akzeptabilität nicht immer einhergeht, sowie dass eine Ausdrucksform mit unterschiedlichen Bedeutungen korrelieren kann. Daher wird die syntaktische und semantische Analyse der vom Valenzträger geforderten Argumenten, ihrer Interaktionssowie (In)kompatibilitätsregeln und ihrer Distribution unter Berücksichtigung valenzfundierter Kriterien sowie der Korrektheit und Akzeptabilität zum Schlüsselkonzept. Es handelt sich hier um die Analyse der kombinatorischen Bedeutung im Sinne von Engel (2004: 188). — Zur Gewährleistung repräsentativer und prototypischer Beispiele werden zum einen Belege aus den Korpora aus Sketch Engine herangezogen6 und nach Häufigkeitskriterien sortiert, zum anderen bedarf die Entfaltung des im Nomen enthaltenen Potentials einer näheren Untersuchung, die mit Rückgriff auf den Prototypbegriff sowie auf die Anwendung der prädiktiven Methode word2vec (word embeddings) erfolgt. — Die semantische Zuordung des Sprachmaterials und die Etablierung von semantischen Klassen wird mithilfe der Ontologien aus WordNet7 erlangt. Dazu greift man ebenfalls auf die Prototypizität zurück. Der Fokus des Beitrags liegt somit auf der Darstellung des methodologischen Verfahrens und des den Generatoren zugrundeliegenden mehrschichtigen Prototypbegriffs, d.h. auf der Entwicklung der Generatoren. Das ist u.E. insofern relevant, dass sie ein computergestütztes Modell für die Erstellung von automatisch generierten plurilingualen Valenzwörterbüchern vorstellen. Einblicke in die Nutzerperspektive lassen sich auch gewinnen. Der Beitrag ist wie folgt aufgebaut: Im Abschnitt 2 wird ein Gesamtüberblick über Grundeigenschaften der Generatoren gegeben. Abschnitt 3 verdeutlicht angesichts eines mehrschichtigen Prototypbegriffs das methodologische Verfahren. Auf die Wechselwirkung zwischen Typizität, Frequenz und Repräsentativität bei der Auswahl der Argumentstrukturen, lexikalischer Kandidaten und semantischer Klassen wird in 4 eingegangen. Der 5. Abschnitt setzt sich mit den Generatoren als Modell für ein automatisches plurilinguales Wörterbuch auseinander. 2. Allgemeines zur Typologie der multilingualen Sprachgeneratoren Das wissenschaftliche Interesse an der natürlichsprachlichen Generierung (NLG) ist seit den 90er Jahren gewachsen. Heutzutage gibt es unterschiedliche autohttp://lexikos.journals.ac.za; https://doi.org/10.5788/31-1-1623 24 María José Domínguez Vázquez matische Generatoren natürlicher Sprache, deren Ziel die Erzeugung menschenähnlicher Texte jeglicher Art ist. Als Beispiele lassen sich meteorologische oder sportliche Berichte, medizinische Zusammenfassungen, vereinfachte Texte, Empfehlungstexte und Dialoge, u.a. (Vicente et al. 2015, Nallapati et al. 2016, Sordoni et al. 2015) anführen. Ebenfalls ist es möglich, aus Bildern Texte automatisch zu generieren und umgekehrt (Otter et al. 2020) sowie mit einer geringen Menge an Ausgangsmaterial Witze, Gedichte und Geschichten (Roemmele 2016) zu erstellen. Auf lexikographischem Gebiet rechnet man auch mit Vorschlägen zur automatischen Generierung von Wörterbüchern (Bardanca Outeiriño 2020, Héja und Takács 2012, Kabashi 2018) sowie Wörterbucheinträgen (Geyken et al. 2017), zur Identifizierung von mikrostrukturellen Teilen, wie z.B. den Beispielen (Kilgarriff et al. 2008), oder zu ihrer automatischen Erhebung (Kosem et al. 2019). Das Endprodukt unserer Generatoren ist ein anderes, und zwar syntaktisch-semantisch akzeptable einfache und komplexe Nominalphrasen im Kontext8. In beiden Generatoren handelt es sich nämlich um die Vermittlung einer ausreichenden und distinktiven Auskunft über den vom Valenzträger festgelegten syntaktisch-semantischen Rahmen, d.h. über die syntaktischsemantische Schnittstelle der Nominalphrase. 3. Allgemeine Beschreibung der Sprachgeneratoren Xera und Combinatoria 3.1 Beschreibungsebenen: die Festlegung der Argumentstruktur Jeweils 20 Substantive des Deutschen, Spanischen und Französischen, deren Auswahl auf ihre Einordnung in unterschiedliche Szenen zurückgeht, sind zur Auswertung der Prototypen herangezogen worden (Tab. 1). Szenen Substantive BEWEGUNG huida | Flucht | fuite viaje | Reise | voyage mudanza | Umzug | déménagement LOKATION presencia | Anwesenheit | présence ausencia | Abwesenheit | absence estancia | Aufenthalt | séjour AUSDRUCK conversación | Gespräch | conversation discusión | Diskussion | discussion pregunta | Frage | question respuesta | Antwort | réponse texto |Text | texte video | Video | vidéo http://lexikos.journals.ac.za; https://doi.org/10.5788/31-1-1623 Vom Korpus über word embeddings bis hin zum automatischen Wörterbuch 25 AFFIZIERTHEIT muerte | Tod | mort aumento | Zunahme |augmentation dolor | Schmerz | douleur amor | Liebe | amour KLASSIFIKATION olor | Geruch | odeur sabor | Geschmack | saveur color | Farbe | couleur anchura | Breite | largeur Tab. 1: Substantive in Xera und Combinatoria Für die Gewährleistung der automatischen Erhebung und Generierung sprachlicher Daten sind unterschiedliche Arbeitsphasen und -verfahren notwendig: (i) Festlegung der Argumentstruktur, (ii) semantische Prototypisierung, (iii) Expandierung der Prototypen, iv) Debugging und v) paradigmatische Verpackung und automatische Generierung der Nominalphrase (s. Domínguez Vázquez, Solla Portela und Valcárcel Riveiro 2019). Die unterschiedlichen Arbeitsschritte und die dafür eingesetzten Ressourcen und Tools fasst die Abb. 19 zusammen: Abb. 1: Beschreibungsebenen und Ressourcen http://lexikos.journals.ac.za; https://doi.org/10.5788/31-1-1623 26 María José Domínguez Vázquez Die erste Beschreibungsphase10 betrifft die Festlegung der Argumentstruktur, was am Beispiel des Substantivs TEXT veranschaulicht wird: Abb. 211 zeigt die Analyse der Valenzstellen, Abb. 3 einige biargumentale Muster. Abb. 2: Argumentstellen von TEXT Abb. 3: Biargumentale Muster von TEXT http://lexikos.journals.ac.za; https://doi.org/10.5788/31-1-1623 Vom Korpus über word embeddings bis hin zum automatischen Wörterbuch 27 Wie aus der Abb. 2. hervorgeht, steht in unserem Modell ein semantisch verankerter valenzfundierter Ansatz im Vordergrund: — Die jeweiligen Argumentstellen werden nach ihrer relationalen Bedeutung — wie bei Arg1 `derjenige, der die Handlung durchführt´ — analysiert. Die Beschreibung der semantischen Rollen ermöglicht den notwendigen Unterschied zwischen einem Arg14, z.B. ‘Kommissionstext’, gegenüber einem Arg52 wie ‘Abschiedstext’. — Die Kandidaten zur Wiedergabe einer Rolle bzw. zur Besetzung einer bestimmten Leerstelle bestimmen wir ebenfalls kategoriell12 (s. 4.3.) und schreiben sie einer semantischen Klasse (s. 4.4.) zu. Das bereits Angeführte sollte nicht den Eindruck erwecken, dass die Ausdrucksebene außer Acht gelassen wird, ganz im Gegenteil: eine vollständige Darstellung valenzbezogener Argumentstrukturen setzt die Beschreibung möglicher Realisierungen sowie ihres Kombinationspotentials voraus, und dies für die drei beschriebenen Sprachen. 3.2 Nutzer und Nutzung der Ressourcen FremdsprachenstudentInnen und -dozentInnen stellen sich als den an erster Stelle anvisierten Benutzerkreis heraus. Beide können bei unterschiedlichen Benutzungszielen und -situationen von den Ressourcen profitieren, vor allem wenn man in Betracht zieht, dass (i) die auf die Valenz zurückgehenden Fehler im Fremdsprachenunterricht häufig vorkommen (Gao und Liu 2020, Nied Curcio 2014) und (ii) das Erlernen des Wortschatzes eng mit der Aneignung der syntaktisch-semantischen Umgebung zusammenhängt (Laufer und Nation 2012). Als sekundäre Nutzer kommen Wissenschaftler und Computerlexika, die sprachliches Wissen benötigen, in Frage (vgl. 5). Bei der Handhabung beider Tools ist vom menschlichen Nutzer zunächst die Sprache und das nachzuschlagende Substantiv auszuwählen. Anschließend entsteht in beiden Tools ein Dropdown-Menü: das Argumentstrukturmenü in Xera (Abb. 4) und eine zu selegierende Kombination von Argumentenstellen in Combinatoria (Abb. 7). http://lexikos.journals.ac.za; https://doi.org/10.5788/31-1-1623 28 María José Domínguez Vázquez Abb. 4: Argumentstrukturmenü bei Xera. Beispiel TEXT Je nach selegiertem Muster wird ein weiteres Menü mit den semantischen prototypischen Klassen (s. 4.4.) der ausgewählten Leerstelle entfaltet. Somit liefert Xera beim Muster [Determinant + Adjektiv + TEXT + Determinant im Genitiv + Arg11] die folgenden semantischen Klassen13, begleitet von Standardbeispielen: Abb. 5: Auswahlmenü semantischer Klassen bei Xera. Beispiel TEXT http://lexikos.journals.ac.za; https://doi.org/10.5788/31-1-1623 Vom Korpus über word embeddings bis hin zum automatischen Wörterbuch 35 kann, da sie zu weit gefasst sind. Daher erstellen wir auf der Grundlage einer summativen Beschreibung der lexikalischen Kandidaten (Abb. 9) prototypische semantische Klassen. Ein Beispiel dafür bildet die Beschreibung der semantischen Kategorien zur Wiedergabe der Agensrolle bei TEXT (Abb. 10). Abb. 10: Semantische Klassen der Agensrolle bei TEXT Aber damit ist die semantische Analyse nicht ausgeschöpft: (a) Zur Beziehung zwischen lexikalischen Kandidaten und semantischen Klassen: Eine semantische Klasse mit ihren Vertretern lässt sich nicht als allgemeingültige, fixierte Kategorie für jegliche Substantive bestimmen und dementsprechend automatisch verwenden. Zur Verdeutlichung wird die semantische Klasse {BELEBT MENSCHLICH KÖRPERTEIL} herangezogen: Bei der Analyse hat sich erwiesen, dass diese semantische Klasse bei verschiedenen Substantiven, wie z.B. FARBE und SCHMERZ, als prototypisch gilt. Man kann aber dieses lexikalische Package — die dieser Klasse zugeordnete Information — nicht automatisch wieder verwenden, da die lexikalischen Kandidaten der semantischen Klasse {BELEBT MENSCHLICH KÖRPERTEIL} bei FARBE und SCHMERZ nicht übereinstimmen19: http://lexikos.journals.ac.za; https://doi.org/10.5788/31-1-1623 36 María José Domínguez Vázquez Valenzträger Muster Lexikalische Prototypen Frequenz20 FARBE +[DETERMINANT IM GENITIV+ADJEKTIVFAKULTATIV +NOMEN] ‘Auge’ P.: 31. 460-mal ‘Haar’ P.: 38. 402-mal ‘Haut’ P.: 54. 285-mal SCHMERZ +[DETERMINANT + {KÖRPERTEIL}- +SCHMERZ] ‘Auge’ P.: 30.1949-mal ‘Haar’ P.: 263. 39-mal ‘Haut’ P.: 234. 48-mal Tab. 3: Gegenüberstellung der Kandidaten einer semantischen Klasse bei verschiedenen Nomina. Daten aus Sketch Engine Bei SCHMERZ lassen sich ‘Haar’ und ‘Haut’ im Gegenteil zu FARBE nicht als prototypische Vertreter dieser semantischen Klasse auffassen, vor allem wenn man ihre Ko-Okurrenzen den prototypischen und häufig vorkommenden Komposita gegenüberstellt (Tab. 4). SCHMERZ +[DETERMINANT + {KÖRPERTEIL}- +SCHMERZ] ‘Kopfschmerz’ P.:1. 188948-mal ‘Rückenschmerz’ P.:2. 92363-mal ‘Bauchschmerz’ P.: 3. 45907-mal Tab. 4: Lexikalische Prototypen bei SCHMERZ. Daten aus Sketch Engine (b) Zur Wortschatzerweiterung: Bezüglich der Erstellung der Generatoren ist einer weiteren Frage nachzugehen, die auch an die Wichtigkeit der Festlegung semantischer prototypischer Klassen anknüpft: die Rolle der semantischen Klassen oder Kategorien, und ebenfalls der konkreten kategoriellen Merkmale ([Menschen], [Organisation]), als Verknüpfungsinstanz mit Kategorien und Subkategorien der WordNet-Ontologien (Gómez Guinovart und Solla Portela 2018). Dabei sind die semantischen Klassen von herausragender Bedeutung, und dies aus den folgenden Gründen: — Die Verlinkung auf die WordNet-Ontologien mithilfe der semantischen Klassen ermöglicht eine verfeinerte Granularität unserer Ontologie sowie eine detailliertere Beschreibung des sprachlichen Materials. — Dadurch gelangt man zu einer vollständigeren Wortschatzliste für jede konkrete Leerstellenbesetzung. Dieses Verfahren der Wortschatzerweiterung trägt zur Bildung eines selegierten Lexemparadigmas mit den gleichen semantischen Eigenschaften wie denen des ursprünglichen lexikalisch-semantischen Prototyps bei. So wird die paradigmatische Achse festgelegt, die die lexikalische Auswahl bei der automatisierten Generierung von Nominalphrasen unterstützt. http://lexikos.journals.ac.za; https://doi.org/10.5788/31-1-1623 Vom Korpus über word embeddings bis hin zum automatischen Wörterbuch 37 Die Expandierung erfolgt dank der Anwendung der Tools Lematiza21 und Combina22 (Domínguez Vázquez, Solla Portela und Valcárcel Riveiro 2019). Durch ihren Einsatz können wir Wortschatzlisten aus den WordNet-Ontologien — z.B. {KÖRPERTEIL} in der Tab. 5 — gezielt zusammenstellen, aber auch semantische Klassen genauer einteilen (Tab. 6). Diese Einteilung in Klassen und Unterklassen ist enorm relevant: denn — nochmals am Beispiel vom {KÖRPERTEIL} — wir alle wissen, dass nicht alle Körperteile riechen oder wehtun, d.h. nicht alle Körperteile kommen im gleichen Prädikatausdruck vor. WordNet: Ontologien23 Klassen SUMO Ontology BodyPart+ BodyJunction+ Organ + Epinonyms [1] external_body_part Basic Level Concept 05220461-n body_part WordNet Domains anatomy Top Concept Ontology 1stOrderEntity+ Living+ Part+ Tab. 5: {KÖRPERTEIL} bei WordNet-Ontologien Klassen Vertreterbeispiel [belebt] [menschlich] [Körperteil] [extern] ‘Kopf’ [belebt] [menschlich] [Körperteil] [intern] [Muskel/Knochen] ‘Muskel’ [belebt] [menschlich] [Körperteil] [Beschichtung] ‘Haut’ [belebt] [menschlich] [Körperteil] [Organ] ‘Eierstock’ Tab. 6: Semantische Klassen mit {KÖRPERTEIL} Bei diesem Verfahren steht der Gedanke einer gesteuerten Erhebung von einer signifikativen Anzahl an lexikalischen Kandidaten im Vordergrund. Dieser zuletzt genannte Aspekt ist nicht zu unterschätzen, denn bei der qualitativen Evaluation von automatisch generierten Daten (Hashimoto et al. 2019, Vicente et al. 2015) sind nicht nur ihre Qualität, sondern auch ihre Vielfaltigkeit zentral. 4.5 Prototypen als extern und intern vergleichende Instanzen 4.5.1 Einführung Bei der praktischen Anwendung unseres Prototypizitätbegriffs bzw. Typikalitätsbegriffs sind wir auf unterschiedliche Fälle gestoßen, die einer näheren Beobachung bedürfen und die Prototype näher bestimmen lassen: http://lexikos.journals.ac.za; https://doi.org/10.5788/31-1-1623 38 María José Domínguez Vázquez — Prototyp als extern vergleichende Instanz: Diese Auffassung ermöglicht die Gegenüberstellung eines konkreten lexikalischen Kandidats bei unterschiedlichen nominalen Valenzträgern. Ein Beispiel dafür bildet der schon angeführte Vergleich von {KÖRPERTEIL} bei FARBE und SCHMERZ (vgl. 4.4.). Eine weitere Anwendung des Prototyps als extern vergleichende Instanz kann auch bei der Gegenüberstellung verschiedener Sprachen erfolgen. Dies lässt sich beim Vorkommen der Eigennamen in den 3 beschriebenen Sprachen deutlich beobachten. Somit sind prototypisch ‘Mia’ oder ‘Lena’ im Deutschen, im Spanischen ‘Susana’ oder ‘Patricia’ und im Französischen ‘Paulette’ oder ‘Annick’. — Prototyp als intern vergleichende Instanz: Zu einem internen Vergleich erweist sich ebenfalls der Prototyp als ausschlaggebend, ferner bestätigt dieser ihn als solchen. In diesem Zusammenhang ist dem Verhältnis zwischen der Repräsentativität der Argumentstruktur, der Anzahl an lexikalischen Kandidaten sowie der Häufigkeit der lexikalischen Kookurrenzen ein zentraler Stellenwert zuzuweisen. Darauf wird in den nachstehenden Abschnitten eingegangen. 4.5.2 Prototypen: Argumentstruktur und Kandidantenliste Als intern vergleichende Instanzen lassen sich die Prototypen nach verschiedenartigen Prototypizitätstypen oder -grade auf einer fiktiven Prototypizitätskala unterscheiden: (i) Als prototypischste Argumentstruktur stellt sich ein repräsentatives und häufig vorkommendes Muster mit einer breiten Palette an verschiedenen lexikalischen Kandidaten heraus, die außerdem häufig vorkommen. Ein Beispiel dafür bildet die Argumentstruktur [DISKUSSION + Präpositionüber/um + Nomen] bei Wiedergabe der semantischen Rolle `THEMA´: Häufigkeit Scores Diskussion über 114,929 6.57% Diskussion um 110,558 6.32% Diskussion zu 47,816 2.73% "Diskussion" außerhalb + noun 21 0,0% "Diskussion" anlässlich + noun 15 0,0% Diskussion bzgl. 13 0,0% Tab. 7: Gegenüberstellung von Frequenzangaben bei DISKUSSION + Präposition Die Tabelle gibt zu erkennen, dass das Muster [DISKUSSION + Präpositionüber + Nomen] häufiger als andere Kombinationen vorkommt und dass http://lexikos.journals.ac.za; https://doi.org/10.5788/31-1-1623 Vom Korpus über word embeddings bis hin zum automatischen Wörterbuch 39 es im Vergleich zu anderen möglichen Realisierungsmustern, z.B. [Komposita + -DISKUSSION], bei Wiedergabe derselben semantischen Rolle repräsentativ ist. Hinzu kommt, dass sie über unterschiedliche und häufig vorkommende lexikalische Kandidanten verfügt: Diskussion über Frequenz Thema 5,189 Zukunft 2,886 Sinn 1,893 Frage 2,383 Rolle 874 Problem 874 Einführung 714 Umgang 743 Inhalt 765 Möglichkeit 838 Tab. 8: Lexikalische Kandidaten nach Häufigkeitsangaben (ii) Im Gegensatz zu (i) sind zwar nicht häufige Argumentmuster vorhanden, die sich aber als repräsentativ herausstellen: Aus einer valenzbasierten Analyse der aus Sketch Engine erhobenen Daten über das Muster [Adjektiv + SCHMERZ] lässt sich ableiten24, dass nicht valenzbezogene Realisierungen bezüglich der Gesamtanzahl der Adjektive als auch der Ko-Okurrenzen in der Mehrheit stehen. Somit zeigt eine semantisch basierte Analyse der ersten 100 Substantive, dass 92% der vorkommenden Adjektive nicht valenzgefordert sind, bei den restlichen 8% handelt es sich um Ergänzungen. Graphik 1: Semantisch valenzbasierte Analyse von Adjektiven bei SCHMERZ http://lexikos.journals.ac.za; https://doi.org/10.5788/31-1-1623 40 María José Domínguez Vázquez In Bezug auf die Häufigkeit der valenzbezogenen Realisierungen lässt sich das Muster zweifelsohne nicht als häufig bezeichnen. Indem es sich aber als repräsentativ für eine mögliche Realisierung der semantischen Rolle `EXPERIENCER´ erweist, wird es in den Generatoren berücksichtigt. Hiermit lässt sich ebenfalls beobachten, dass dieses Muster eine sehr eingeschränkte Kandidatenliste zeigt, deren Vertreter — ‘körperlich’ (5,899 Treffer; 5. Häufigkeitsposition) und ‘seelisch’ (10. Häufigkeitsposition mit 3,621 Treffer) — aber ganz oben in der Frequenzliste stehen. Häufigkeit Häufigkeit pro Million 1 stark Schmerz 30,125 1.52 2 chronisch Schmerz 21,934 1.11 3 groß Schmerz 12,875 0.65 4 stechend Schmerz 8,063 0.41 5 körperlich Schmerz 5,899 0.30 6 heftig Schmerz 5,165 0.26 7 akut Schmerz 5,045 0.25 8 leicht Schmerz 4,624 0.23 9 brennend Schmerz 3,673 0.19 10 seelisch Schmerz 3,612 0.18 Tab. 9: Häufigkeitsangaben von Adjektiven + SCHMERZ (iii) Nicht repräsentative wie auch nicht häufig vorkommende Argumentstrukturen mit wenigen und nicht frequenten Kandidaten werden nicht in die Generatoren integriert. Zur Veranschaulichung derartiger Fälle dient das Muster [SCHMERZ + Genitiv: {BELEBT MENSCHLICH KÖRPERTEIL}]. Hingegen deuten die Korporadaten zur Prototypizität der Kompositarealisierung hin: Häufigkeit Häufigkeit pro Million 107 Schmerz die Kopf 21 < 0.01 1 Kopfschmerz 188950 954 Tab. 10: Gegenüberstellung von ‘Kopf’ in Verbindung mit SCHMERZ 4.5.3 Prototypen: semantische Klassen und Argumentstruktur Hinsichtlich des Verhältnisses zwischen semantischen Klassen und Argumentmustern sind zwei Fälle zu beachten: http://lexikos.journals.ac.za; https://doi.org/10.5788/31-1-1623 Vom Korpus über word embeddings bis hin zum automatischen Wörterbuch 41 (i) Integriert werden in die Generatoren semantische Klassen mit einer signifikativen Anzahl an Vertretern, die sich einer häufigen und repräsentativen Argumentstrukturmuster zuschreiben lassen. Als Beispiel stellt sich die semantische Klasse {BELEBT MENSCHLICH KÖRPERTEIL} in Form eines Kompositumsbestandteils bei SCHMERZ heraus: Graphik 2: Prozentansätze von Komposita mit Körperteil bei SCHMERZ (ii) Im Gegensatz zu (i) stößt man auch auf Fälle von semantischen Klassen mit wenigen aber häufig vorkommenden Vertretern. Ein Beispiel dafür findet das syntaktische Muster [FARBE + Genitiv], dessen Genitivrealisierung mit vielen semantischen Klassen ausgestattet ist. Darunter lässt sich als Beispiel dafür die semantische Klasse {MATERIELL GEGENSTAND SCHÖNHEITSPLEGE KOSMETIK} nennen, die eine eingeschränkte Anzahl an Vertretern hat — z.B. ‘Lippenstift’ — , die aber schon sehr häufig auftauchen. 4.5.4 Prototypen in den biargumentalen Strukturen Bisher war von monoargumentalen Strukturen die Rede. Deutlich werden sollte allerdings unmittelbar, dass sich bei der Entfaltung des im Nomen enhaltenen Potentials nicht alle Kombinationen und Selektionsbeschränkungen voraussehen bzw. voraussetzen lassen. Im Hinblick darauf liegt es nahe, dass nicht alle Vertreter jeder semantischen Klasse eines ArgumentsX mit allen Vetretern einer anderen Klasse eines ArgumentsY in einer biargumentalen Realisierung kombinierbar sind. http://lexikos.journals.ac.za; https://doi.org/10.5788/31-1-1623 42 María José Domínguez Vázquez Bei der Festlegung biargumentaler Muster greift man wieder auf den Prototypbegriff zurück. Somit ist es erforderlich, zuerst das Vorhandensein des biargumentalen Musters im Korpus zu prüfen. Liegt der Analyse das Muster [Determinant + {Adjektiv} + ANTWORT + Determinant im Genitiv + Argument N1 + auf + Determinant im Akkusativ + Argument N2] zugrunde, lässt sich festhalten, dass die semantische Klasse {ORGANISATION REGIERUNGSGEBUNDEN} für N1 und die semantische Klasse {INTELLEKTUELLES KOMMUNIKATION} für N2 prototypisch sind. Beachtet man konkret die vorkommenden lexikalischen Prototypen, ist zu beobachten, dass die lexikalischen Kandidaten ‘Anfrage’ und ‘Frage’ in der Mehrheit stehen: ANTWORT die Bundesregierung auf eine Anfrage 465 die Landesregierung auf eine Anfrage 92 die Senat auf eine Anfrage 81 die Bundesregierung auf die Anfrage 66 die Landesregierung auf die Anfrage 38 die Regierung auf eine Anfrage 37 die Verwaltung auf eine Anfrage 35 die Bundesregierung auf die Frage 35 die Stadtverwaltung auf eine Anfrage 31 die Verwaltung auf die Anfrage 29 Tab. 11: Biargumentales Muster von ANTWORT Zum Erlangen akzeptabler Ergebnisse bei der sprachlichen Generierung ist zwar eine vertiefte Analyse der biargumentalen Muster unentbehrlich, jedoch kann jede mögliche semantisch-syntaktische Kombination nicht manuell analysiert werden. Aus diesem Grund lassen sich die Resultate unseres kombinatorischen Tools — Combinatoria — mithilfe der prädiktiven Methode Word2vec (Mikolov et al. 2013) auf die Kompatibilität der lexikalischen Kandidaten jedes Arguments überprüfen (Domínguez Vázquez 2020). Angestrebt wird dabei nicht, die Bedeutung eines Wortes einem anderen gegenüberzustellen — wie beim Embedding Viewer von Sketch Engine oder die möglich abrufbar paradigmatische Datenerhebung aus Derekovecs25, sondern die Beseitigung von Inkompatibilitäten auf der Ebene der kombinatorischen Bedeutung. Dieses Vorgehen trägt zur semantischen Kohärenz bei, einem Qualitätsfaktor bei jedem Generator natürlicher Sprachen. Der Zugriff auf word embeddings wird auch die Integration von nicht valenzbezogenen Adjektiven in die nominalen Argumentmuster ermöglichen, damit der phrasale Kontext vermittelt wird: Der {unangenehme} | {angenehme} | {üble} | {intensive} Geruch. http://lexikos.journals.ac.za; https://doi.org/10.5788/31-1-1623 Vom Korpus über word embeddings bis hin zum automatischen Wörterbuch 43 5. Auf dem Weg zum automatischen Wörterbuch Bei den vorangehenden Abschnitten ist auf die Integration und Rückkoppelung verschiedener Arbeitsschritte und Beschreibungsebenen zwecks der automatisierten Datenerhebung und -generierung von syntaktisch-semantischen Valenzmustern eingegangen. Der Fokus hat insbesondere auf der Entwicklung eines mehrsichtigen Prototypbegriffs gelegen, denn dieser stellt sich für die Verlinkung zwischen zwei zentralen Beschreibungsebenen als ausschlaggebend heraus: zum einem die automatische Erhebung semantischer Daten, zum anderen die Generierung des syntaktisch-semantischen Entfaltungspotentials der Nominalphrase. Die Sprachgeneratoren, Xera und Combinatoria, können als selbständige Tools, als lexikalische bzw. sprachliche Informationssysteme (s. Villa VigoniThesen 2018) gebraucht werden. Darüber hinaus fassen wir sie als innovative Modelle für automatische und interaktivere Valenzwörterbücher bzw. syntagmatische Kombinationswörterbücher auf. Sie bringen gegenüber von aktuellen online syntagmatischen Wörterbüchern gewisse Neuerungen mit sich: Die semantischen Rollen, die prototypischen semantischen Klassen und die lexikalischen Prototypen gelten bei der Erstellung und bei der Hanhabung der Ressource als entscheidende Bausteine. Insofern bieten die Generatoren nicht nur eine ontologisch fundierte Beschreibung, sondern auch ein Inventar an semantischen Kategorien und an lexikalischen Kandidaten zur Belegung einer konkreten Valenzstelle an. Somit leisten sie, wie klassische Valenzwörterbücher, Hilfe in einer typischen Produktionssituation. Aus typologischer Sicht bestimmen zwei Schlüsselkonzepte, automatisch und interaktiv, den aktuellen Stand der Prototypen: — Es handelt sich um automatische Ressourcen in dem Sinne, dass sowohl für die Datenerhebung als auch für die Datengenerierung Techniken und Verfahren aus der NLP und NLG eingesetzt bzw. neu konzipiert wurden. Die Generatoren können eine Grundlage für die Entwicklung künftiger automatischer bzw. automatisch computergestützer Valenzwörterbücher bilden. — Beide Ressourcen sind ebenfalls als interaktive Tools konzipiert, indem im Gegenteil zu früheren syntagmatischen Werken eine Interaktionshandlung zwischen Werk und Nutzer sttatfindet. Bei ihrer Handhabung kann in ihrem aktuellen Stand eine informativ-beschreibende Interaktion erfolgen. Folglich kann man zur Vergewisserung in einer Produktionsoder Korrektursituation gezielt bestimmte Muster bzw. Kombinationen abfragen. Zwei interaktive Herangehensweisen befinden sich in einer Entwicklungsphase: (i) eine experimentativ-nachschlagende Interaktion (Selbstgenerierung und -überprüfung eines Ausdrucks) und (ii) eine experimentativ– betreute Interaktion (Durchführung der von den Tools angebotenen online Übungen). Insgesamt sind die didaktischen Anwendungen der Generatohttp://lexikos.journals.ac.za; https://doi.org/10.5788/31-1-1623 44 María José Domínguez Vázquez ren vielfältig (Domínguez Vázquez, Sanmarco Bande, Solla Portela und Valcárcel Riveiro 2019: 133-135). Neben der Anwendung der Generatoren als selbständige Ressourcen und als Modelle für neuartige Valenzwörterbücher ist ein weiterer Anwendungsbereich zu ergänzen: die Integration ihrer Daten in andere E-Tools sowie die Anwendung der der Entwicklung der Generatoren zugrundeliegenden Tools für andere Informationssysteme. Beide sind wichtige Aufgaben der elektronischen Lexikographie: Another aspect is smart use and reuse of dictionary content. Namely, dictionaries often remain isolated entities, whereas the user needs and habits indicate that it would be much more useful to have them linked to other dictionaries and language resources, or even integrated in various tools. (siehe Elex 201926) 6. Ausblick Eine ausführliche Analyse der syntaktisch-semantischen Schnittstelle ist aus linguistischer Perspektive zentral, da die konkrete Besetzung der vom Valenzträger eröffneten Stellen zur Prädikatsinterpretation und darüber hinaus zur Abgrenzung gegenüber anderen Prädikaten führt. Aus Programmierungssicht ist ebenfalls die semantische Information unentbehrlich, denn Maschinen verfügen nicht über ein semantisches Wissen, daher findet in unserem Modell eine syntaktisch-semantisch valenzfundierte Beschreibung des vom Valenzträger festgelegten syntaktisch-semantischen Rahmens statt. Im Hinblick auf die notwendige syntagmatische und paradigmatische Selektion der von Generatoren gelieferten Daten, ist ein mehrstufiger Prototypbegriff entwickelt worden, der sich als wesentlicher Bestandteil des methologischen Verfahrens erweist. Sowohl aus der Entwicklungsperspektive als auch aus der Nutzersicht rückt in unserem Ansatz die Darlegung der kombinatorischen Bedeutung auf phrasaler Ebene in den Vordergrund. Die automatische Generierung von satzwertigen Realisierungen stellt sich als nächstes Ziel heraus. Beide schon einsatzbereite Prototype verkörpern einen typologischen Vorschlag zu neuen automatischen computergestützten syntagmatischen pluringualen Wörterbüchern, die ebenfalls unterschiedliche Interaktionen beachtet. Insgesamt zeichnet der Beitrag nach, wie neue lexikographische Tools auf der Grundlage des schon vorhandenen lexikograpischen Wissens, der Interaktion zwischen der Lexikographie und der natürlichen Sprachverarbeitung (NLP) und -generierung (NLG) sowie der Datenintegration und Ressourceninteroperabilität zustande kommen können. Danksagung Ich danke den anonymen Gutachter/-innen für die wertvollen Hinweise und Anmerkungen. http://lexikos.journals.ac.za; https://doi.org/10.5788/31-1-1623