High Quality Syntactic Annotated Corpus of Lithuanian – VILSINTEKS

DAIVA ŠVEIKAUSKIENĖ Ústav litevského jazyka Oblasti výzkumu: výpočetní lingvistika, budování stromových korpusů, vrstvy anotace. VYSOCE KVALITNÍ SYNTAXICKY ANOTOVANÝ KORPUS LITEVŠTINY – VILSINTEKS Vysoce kvalitní syntakticky anotovaný korpus litevského jazyka VILSINTEKS ANOTACE Tento článek představuje dvojí anotaci, která se používá pro vysoce kvalitní anotaci litevského korpusu. Souhrnné informace o větě jsou uvedeny v tabulce a syntaktická struktura věty je znázorněna na obrázku. Využívají se zkušenosti z jiných jazyků a zohledňují se specifické rysy litevského jazyka. Nedostatečnost stromového znázornění syntaktické struktury litevských vět je doložena statisticky anotovanými příklady. Jasně je zdůrazněn také cíl vytvořit anotovaný korpus obsahující vyčerpávající informace. Jsou uvedeny příklady anotovaných vět, které odrážejí specifické rysy litevského jazyka. KLÍČOVÁ SLOVA: syntakticky anotovaný korpus; grafické znázornění syntaktické struktury; vrstvy anotace v litevském korpusu; nedostatečnost stromového znázornění litevských vět; cíl syntakticky anotovaného korpusu. ANOTACE Článek pojednává o anotaci prováděné na dvou úrovních, která se používá k vytvoření vysoce kvalitního anotovaného korpusu litevského jazyka. Podrobné informace o větě jsou uvedeny v tabulce, zatímco syntaktická struktura věty je graficky znázorněna. Vychází se ze zkušeností s jinými jazyky a současně se přihlíží ke specifickým rysům litevštiny. Nedostatečnost stromu při znázorňování syntaktické struktury litevských vět je doložena statistickým 252 Acta Linguistica Lithuanica LXXIII High Quality Syntactic Annotated Corpus of Lithuanian – VILSINTEKS metodami anotovanými příklady vět. Článek také výslovně zdůrazňuje cíl vytvořit anotovaný korpus, v němž budou shromážděny podrobné informace. Jsou uvedeny příklady anotovaných vět, které odrážejí specifické rysy litevštiny. KLÍČOVÁ SLOVA: syntakticky anotovaný korpus, znázornění struktury věty grafem, úrovně anotace korpusu, nedostatečnost stromu při znázorňování litevských vět, cíl tvorby korpusu. 1. ÚVOD The first annotation of corpora was a part of speech tagging POST [Church 1988: 136]. Such annotation is found in the Penn Treebank. Later, other sentences, carrying the syntactic information, were introduced. They were represented by using various schemes [Atwell et al. 2000: 12]. In 2012 Köhler mentioned the following: “...there is no general standard as to how corpora should be structured and notated” [Köhler 2012: 32]. Therefore, the Lithuanian corpus VILSINTEKS is annotated, bearing in mind the specific features of the Lithuanian language – a large amount of inflexion and a free word order in a sentence. Ze dvou hlavních typů reprezentace syntaktické struktury, kterými jsou gramatika frázové struktury a závislostní gramatika, byla pro litevštinu zvolena druhá z nich, protože „...závislostní gramatika nejvíce oslovila studenty jazyků s relativně volným slovosledem...“ [Kay, Gawron and Norvig 1994: 55]. The most common representation of the syntactic structure is a tree [Allen 1987: 41]. The name of the syntactically annotated corpus – treebank – is related to this term. The name of the Lithuanian treebank does not contain the word ‘tree’, because the syntactic structure of some Lithuanian sentences is represented by a graph with a cycle, that is, it does not meet the conditions established by the definition of a tree, as a tree is a connected acyclic graph [Swamy, Thulasiraman 1984: 33]. The acronym VILSINTEKS means VILniaus SINtaksinis TEKStynas – Vilnius syntactic corpus. 2. ANOTACE LITEVSKÉHO KORPUSU V poslední době se hodně hovoří a píše o nízké míře počítačového zpracování litevštiny. Podle údajů META-NET Straipsniai / Articles 253 DAIVA ŠVEIKAUSKIENĖ projektu patří litevština do skupiny nejméně počítačově zpracovávaných evropských jazyků [Vaišnienė, Zabarskaitė 2012: 35]. Software vytvořený pro jiné jazyky neposkytuje uspokojivé výsledky, když se použije na litevštinu. Je nejvyšší čas nehovořit o nízké míře počítačového zpracování litevštiny, ale o jeho kvalitě. Proto stojí za to vrátit se k litevštině a pokusit se vytvořit vlastní software pro její počítačové zpracování, aby bylo dosaženo jeho vysoké kvality. První pokusy o syntaktickou anotaci litevského korpusu se uskutečnily v roce 2013. Syntakticky anotovaný korpus VILSINTEKS byl vytvořen v Institutu litevského jazyka ve Vilniusu. Usilujeme o to, abychom poskytli co nejvíce údajů o větě, zejména pokud jde o údaje potřebné při překladu. Vyčerpávající informace nabízí Pražský závislostní strombank, který má tříúrovňovou anotaci [Hajič 2000: 103]. Více úrovní anotace v jednom obrázku nebylo možné OBRÁZEK 1. Příklad syntaktické struktury litevské věty Jie gali būti kitokie – They can be different 254 Acta Linguistica Lithuanica LXXIII High Quality Syntactic Annotated Corpus of Lithuanian – VILSINTEKS dosáhnout, a proto jsme se rozhodli rozdělit znázornění informací při práci s litevskými větami na dvě části: tabulku obsahující morfologické, syntaktické a sémantické informace a obrázek, v němž bude znázorněna syntaktická struktura. Pro litevské věty se používá graf s cykly, protože strom nedokáže zachytit všechny syntaktické informace obsažené v litevské větě. Predikativní přívlastek závisí na dvou částech věty: na podmětu nebo předmětu a na přísudku. Tyto vztahy jsou formálně vyjádřeny a nelze je ignorovat (podrobněji viz Šveikauskienė 2005: 412). Obrázek 1 znázorňuje syntaktickou strukturu titulní věty. Obsahuje predikativní přívlastek, který má formálně vyjádřené vztahy k podmětu a přísudku, a oba vztahy musí být zachyceny anotací korpusu. OBRÁZEK 2. Statisticky parsovaná věta Kas nerizikuoja, tas negeria šampano, bet graudžiai ir neverkia (Who does not risk, that does not drink champagne but does not cry tearfully either) [Kapočiūtė, Nivre, Krupavičius 2013: 15] OBRÁZEK 3. Statisticky parsovaná věta Bet štai pro medį, kuriame sėdėjau, praslinko didelis šešėlis (But here through the tree in which I sat passed a small shadow) [Kapočiūtė, Nivre, Krupavičius 2013: 15] Straipsniai / Articles 255 DAIVA ŠVEIKAUSKIENĖ Přísudkové jméno musí mít koncovku shodující se s podmětem a zároveň je připojeno k přísudku; není tedy přívlastkem podmětu. První pokusy o syntaktickou anotaci litevského korpusu ukázaly, že software vytvořený pro jiné jazyky nepřinášel v litevštině dobré výsledky. Na Kaunaské technologické univerzitě bylo statisticky anotováno přibližně 1500 vět [Kapociūtė, Nivre, Krupavičius 2013: 12]. Prezentované výsledky ukázaly nedostatečnost informací skrytých v OBRÁZEK 4. VILSINTEKS syntakticky analyzovaná věta Kas nerizikuoja, tas negeria šampano, bet graudžiai ir neverkia 256 Acta Linguistica Lithuanica LXXIII High Quality Syntactic Annotated Corpus of Lithuanian – VILSINTEKS OBRÁZEK 5. VILSINTEKS syntakticky analyzovaná věta Bet štai pro medį, kuriame sėdėjau, praslinko nedidelis šešėlis Straipsniai / Articles 257 DAIVA ŠVEIKAUSKIENĖ struktuře vět. Oba obrázky znázorňují dvě syntakticky analyzované věty, v nichž chybějí velmi důležité informace. V první větě chybí šipka mezi přísudkem negeria a podmětem tas (obrázek 2). Ve druhé větě není znázorněn vztah shody mezi dvěma slovy medį a kuriame, která mají shodné koncovky (obrázek 3), přestože autoři ve stejném článku napsali: „přívlastek vyjadřovaný přídavným jménem se musí shodovat s podstatným jménem v RODĚ, ČÍSLE a PÁDĚ“. Slova medį a kuriame se musí shodovat v rodě a čísle a tato informace ve struktuře věty chybí. Je obtížné souhlasit s tím, že vztahy mezi slovy kuriame sėdėjau – in which I sat a pro medį – through the tree jsou stejného typu. Tyto věty, anotované podle metody použité ve VILSINTEKS, jsou znázorněny v tomto pořadí na obrázcích 4 a 5. 3. VRSTVY ANOTACE V TABULCE Informace v tabulce mají tři typy: Informace o celé větě, Informace o slovech ve větě, Negramatické informace o slovech a větě. 3.1. Informace o celé větě Informace týkající se celé věty sestávají z jejího kódu, tedy její pozice v korpusu, jejího typu a jejích vlastností. Vlastností věty je její charakteristika zohledňující její funkci v textu, tedy zda jde o nadpis, autora, podnadpis nebo větu v textu. Typ věty označuje komunikační informaci, tedy zda je věta oznamovací, rozkazovací, tázací atd., a strukturální informaci: osobní, neosobní, eliptická, jednoduchá, souvětí atd. [Ambrazas 1997: 573]. 3.2. Informace o slovech ve větě Každé slovo je opatřeno údaji o svém pořadovém čísle ve větě, morfologickými údaji (čas, pád, rod atd.), lemmatem a údaji o své lexikální sémantice, 258 Acta Linguistica Lithuanica LXXIII High Quality Syntactic Annotated Corpus of Lithuanian – VILSINTEKS syntaktickou funkci, přímé syntaktické vztahy s ostatními slovy ve větě a hluboké pády. Protože slovosled v litevštině obvykle nenese žádnou syntaktickou informaci, jsou rysy lexikální sémantiky velmi důležité pro určení syntaktické funkce slova. Podstatné jméno v akuzativu s časovým významem je příslovečným určením, bez něj je předmětem. Objeví-li se ve větě dvě podstatná jména v akuzativu, bývá rys lexikální sémantiky někdy jediným kritériem, které umožňuje určit jejich syntaktickou funkci. 3.3. Negramatické informace o slovech a větě Stylistická informace o slově je uvedena v tabulce. Pomáhá zvolit správný ekvivalent v jiném jazyce při překladu daného slova. The antecedent of the pronoun is necessary. Mille, Wanner and Burga [2012: 5] describe coreferential structure, which links the pronoun with its antecedent in one sentence. The Lithuanian treebank provides the information about the antecedent of the pronoun if it is outside the sentence too. It is very important for translation because the gender of the noun (or pronoun accordingly) may differ in various languages. For example, the Lithuanian sentence Ji buvo graži has three translations into German. If it is “a girl”, the right translation is Es war schön. If it is “a cat” the right translation is Sie war schön, and if it is “a day”, the right translation is Er war schön. All three pronouns in Lithuanian are feminine because all three nouns are feminine, whereas in the case of the German language this pronoun has three different equivalents taking into consideration the noun it replaces. Tabulka obsahuje chybějící slova v eliptických větách a vypuštěný podmět vyjádřený osobním zájmenem. V litevštině je to velmi častý případ. Podmět lze odhadnout podle koncovky slovesa. Spona přísudku v přítomném čase se obvykle také vypouští, proto tabulka obsahuje i tato chybějící slova. Zkratky jsou v tabulce uvedeny v plném znění. Čísla jsou v tabulce dodatečně zastoupena číslicemi a číslovky čísly, protože lexikální vyjádření čísel se může v různých jazycích lišit. Straipsniai / Articles 259 DAIVA ŠVEIKAUSKIENĖ 4. TYPY INFORMACÍ V SYNTAKTICKÉ STRUKTUŘE V syntaktické struktuře se věta v první fázi dělí na jmennou skupinu, slovesnou skupinu a znak konce věty. Litevština má volný slovosled a někdy je znak konce věty jediným prostředkem k určení typu věty, tj. zda jde o oznamovací, nebo tázací větu, například Tu šiandien laimėjai prizą. – You have won a prize today. a Tu šiandien laimėjai prizą? – Have you won a prize today?. Obrázek 6 znázorňuje syntaktickou strukturu tázací věty. Překlad věty se volí podle znaku konce věty. Struktura věty je dále znázorněna pomocí závislostní gramatiky. Řídícím členem podmětové skupiny je podmět; níže jsou znázorněna slova, která jej rozvíjejí. Řídícím členem přísudkové skupiny je přísudek a pod ním jsou umístěna závislá slova. Dalšími dvěma poli, která jsou pro anotaci litevského korpusu velmi důležitá, jsou typ syntaktických vztahů mezi slovy a sémanticky nerozlišitelné skupiny slov. OBRÁZEK 6. Syntaktická struktura tázací věty Tu šiandien laimėjai prizą? – Have you won a prize today? 260 Acta Linguistica Lithuanica LXXIII High Quality Syntactic Annotated Corpus of Lithuanian – VILSINTEKS 4.1. Typ syntaktického vztahu Litevština má značné množství skloňovacích a časovacích koncovek. Proto je velmi důležité zachytit informace o typu syntaktických vztahů, protože ty jsou často vyjadřovány koncovkami slov. V litevštině se rozlišují tři typy syntaktických vztahů: vzájemná závislost mezi podmětem a přísudkem, koordinace dvou či více slov se stejným syntaktickým statusem ve větě a subordinace mezi dvěma slovy, z nichž jedno určuje koncovku druhého. Subordinace se dělí na rekci, shodu a přimykání [Ambrazas 1997: 478]. Každý typ syntaktického vztahu je ve struktuře znázorněn jinou barvou. Vzájemnou závislost představuje světle fialová obousměrná šipka, protože obě slova určují tvar jednoho druhého; koordinaci žlutá neorientovaná čára, protože slova vzájemně neovlivňují svůj tvar; rekci modrá malá tečkovaná šipka s jedním směrem; shodu červená jednosměrná šipka a přimykání zelená velká tečkovaná jednosměrná šipka. Předložky, spojky nebo interpunkční znaménka jsou znázorněny jako popisky šipek mezi slovy. Obrázek 7 ukazuje příklad věty se spojkou. OBRÁZEK 7. Syntaktická struktura věty se spojkou Laukais, miškais ir kalvomis ateina saulėtas ruduo. – Přes pole, lesy a kopce přichází slunečný podzim. Straipsniai / Articles 261 DAIVA ŠVEIKAUSKIENĖ 4.2. Sémanticky nerozložitelné skupiny slov Sémanticky nerozložitelná skupina slov je slovní spojení, v němž jedno slovo může rozvíjet jiné slovo pouze tehdy, jsou-li spolu, a závislé slovo může rozvíjet pouze celou skupinu. Vztah jednoho slova z této skupiny k rozvíjejícímu slovu nemá význam. Mel’chuk popisuje podobný případ zaznamenaný v ruštině [Mel’chuk 2006: 37]. Nerozložitelná skupina slov se znázorňuje v jednom rámečku a syntaktické vztahy uvnitř skupiny jsou vyznačeny. Obrázek 8 ukazuje syntaktickou strukturu věty s nerozložitelnou skupinou slov: Penkis tūkstančius hektarų žemės valdantis ūkininkas pigiai parduoda šviežias daržoves. – Zemědělec vlastnící pět tisíc akrů půdy levně prodává čerstvou zeleninu. Sloveso valdyti – „vlastnit“ je v litevštině tranzitivní a vyžaduje akuzativ, proto je slovo tūkstančius–„tisíc“ v akuzativu. Číslovky v litevštině vyžadují genitiv, a proto je slovo hektarų–„akrů“ v genitivu. Zemědělec sémanticky nevlastní „tisíc“, ačkoli slovo tisíc je v pádě řízeném příčestím valdantis–„vlastnící“. Vlastní spíše akry, tedy slovo v genitivu, tj. v pádě řízeném číslovkou tisíc. Skupina slov tūkstančius hektarų „-tisíc akrů“ je tedy sémanticky nerozložitelná, a proto jsou obě slova v syntaktické struktuře věty umístěna v jednom rámečku. Slovo pět je přívlastek slova tisíc, a proto je umístěno ve stejném rámečku. Neshodný přívlastek žemės – „půdy“ rozvíjí celý rámeček, tedy celou skupinu slov, která je v něm umístěna, a lze jej nahradit jinými neshodnými přívlastky, například: pět tisíc akrů lesa. Sémanticky nerozložitelná skupina slov se tedy považuje za jednu lexikální jednotku. Spojení číslovek (pět a tisíc) mají dvojí syntaktický vztah: shodu a rekci. Pád slova „tisíc“ (jehož koncovku určuje rekce slovesa) určuje koncovku slova „pět“ – jejich koncovky se musí shodovat (jis valdo penkis tūkstančius hektarų – vlastní pět tisíc akrů, ale penkiems tūkstančiams hektarų jis sunaudojo 10 tonų trąšų – na pět tisíc akrů použil 10 tun hnojiva), a lexém „pět“ řídí slovo „tisíc“, tj. vyžaduje určitou jeho koncovku. Například ve slovních spojeních vlastní pět tisíc akrů (jis valdo penkis tūkstančius hektarų) a vlastní dvacet tisíc akrů (jis valdo dvidešimt tūkstančių hektarų)má slovo „tisíc“ v litevštině různé koncovky. Proto je velmi důležité přesně znázornit všechny typy syntaktických vztahů. 262 Acta Linguistica Lithuanica LXXIII High Quality Syntactic Annotated Corpus of Lithuanian – VILSINTEKS OBRÁZEK 8. Syntaktická struktura věty se sémanticky nerozložitelnou skupinou slov Penkis tūkstančius hektarų žemės valdantis ūkininkas pigiai parduoda šviežias daržoves (Zemědělec vlastnící pět tisíc akrů půdy levně prodává čerstvou zeleninu) 5. CÍLE ANOTACE Statistická metoda zpracování přirozeného jazyka, zejména při použití ve strojovém překladu, nepřináší pro litevštinu uspokojivé výsledky. Statistická syntaktická analýza neposkytuje ani vyčerpávající informace. Software vytvořený pro jiné jazyky navíc nedosahuje pro litevštinu dostatečných výsledků. V. Daudaravičius se dlouhodobě zabýval automatickou syntaktickou analýzou litevštiny a napsal: „Naivu manyti, kad metodai, kurie sėkmingai taikomi anglų kalbai, tinka ir kitoms kalboms. – Je naivní domnívat se, že metody úspěšně používané pro angličtinu jsou vhodné i pro jiné jazyky.“ [Daudaravičius 2012: 3]. Cílem VILSINTEKS je shromáždit spolehlivé a komplexní informace o gramatice litevštiny v praxi. Pomocí vysoce kvalitní automatické syntaktické analýzy vytvořené nestatistickým přístupem, nestatisticky Straipsniai / Articles 263 DAIVA ŠVEIKAUSKIENĖ Systémy strojového překladu založené na těchto metodách jsou podporovány, zejména při generování litevských vět. VILSINTEKS usiluje o zachycení specifických rysů litevského jazyka. Úplné informace o litevských větách budou poskytnuty v přehledné podobě pro obecné použití. Anotovaný korpus bude volně přístupný na Internetu. V současnosti lze získat příklady vět obsahujících dané slovo pomocí textového korpusu vytvořeného na Vytautas Magnus University. VILSINTEKS poskytne příklady syntaktické struktury s danými vlastnostmi, například jednoduchou větu se zájmenem v roli podmětu a další. Podobně je popsáno využití ruského korpusu: lze jej použít k vyhledávání příkladů ilustrujících daný jazykový jev [НКРЯ –National Corpus of the Russian Language] Prvních 500–1000 vět z korpusu současného litevského jazyka (žurnalistika), který obsahuje 2 miliony slov, bude anotováno ručně. Později bude anotace poloautomatická. Takto vytvořená automatická syntaktická analýza litevského jazyka bude použita k anotaci, po níž bude následovat lidská kontrola. Během procesu anotace bude software zdokonalován s náležitým ohledem na zjištěné chyby. Nejdůležitějším úkolem je připravit dobře fungující automatickou syntaktickou analýzu litevského jazyka, kterou lze využít při tvorbě systému strojového překladu metodou transferu. Při použití metody TRANSFER je syntaktická analýza druhým krokem. Lze očekávat, že syntaktická anotace korpusu přispěje ke zdokonalení automatické syntaktické analýzy. K anotaci se používají tabulky Excel, protože poskytují přehledné zobrazení a převod tabulek Excel do formátu XML je snadný. Informace z VILSINTEX budou volně dostupné také ve formátu XML. Lze je tedy využít mimo jiné ke statistickému výzkumu litevského jazyka a k vyhledávání informací o litevské gramatice. 6. ZÁVĚRY Pro syntaktickou strukturu litevských vět se používá graf, protože strom nedokáže zachytit všechny syntaktické informace obsažené v litevské větě. Dva příklady statistické anotace ukazují, že strom pro reprezentaci syntaktické struktury litevských vět nestačí. Pro litevský korpus se používá dvojí anotace: tabulka popisuje úplné informace o větě a jejích slovech a syntaktická struktura věty je znázorněna obrázkem. 264 Acta Linguistica Lithuanica LXXIII High Quality Syntactic Annotated Corpus of Lithuanian – VILSINTEKS Informace v tabulce jsou trojího druhu: informace o celé větě (tázací, eliptická, neosobní); informace o každém slově věty (morfologické, syntaktické a sémantické údaje); a negramatické informace (chybějící slova eliptických vět, antecedent zájmena uvnitř věty i mimo ni, číselné vyjádření číslovky a naopak, úplné slovní podoby zkratek). Syntaktická struktura litevské věty se v první fázi dělí na tři části: skupinu podmětu, skupinu přísudku a koncový znak věty. Poslední z nich je velmi důležitý, protože v některých případech je jediným kritériem umožňujícím rozhodnout o typu věty (oznamovací nebo tázací). Syntaktické vztahy jsou v syntaktické struktuře věty znázorněny různými barvami a typy čar podle druhu vztahu. Sémanticky nerozlišitelné skupiny slov jsou umístěny v jednom rámečku, přičemž jsou v něm znázorněny syntaktické vztahy. Cílem VILSINTEKS je poskytovat vyčerpávající a spolehlivé informace o litevských větách. Lze jej využít ke statistickému výzkumu litevštiny a k vyhledávání informací o litevské gramatice. Může být také užitečný při tvorbě nestatistického systému strojového překladu. Cílem VILSINTEKS je shromažďovat gramatické informace o litevštině v praxi. První věty jsou anotovány ručně. Později bude anotace poloautomatická. K anotaci se používají tabulky Excel, protože umožňují přehledné znázornění pro lidské uživatele, a anotovaný korpus bude volně dostupný na Internetu. Formát XML lze z tabulek Excel snadno získat. Informace VILSINTEKS budou volně dostupné také ve formátu XML. Informace VILSINTEKS tak lze využít ke statistickému výzkumu litevštiny a k vyhledávání informací o litevské gramatice. REFERENCES Allen James 1987: Natural Language Understanding. Amsterdam: The Benjamin/Cummings Publishing Company. Ambrazas Vytautas 1997: Dabartinės lietuvių kalbos gramatika. Vilnius: Mokslo ir enciklopedijų leidybos institutas. Straipsniai / Articles 265 DAIVA ŠVEIKAUSKIENĖ Atwell Eric, Demetriou George, Hughes John, Schiffrin Amanda, Souter Clive and Wolcock Sean 2000: Comparing linguistic interpretation schemes for English corpora. – ICAME 24, 7–24. Church Kenneth Ward 1988: A Stochastic Parts Program and Noun Phrase Parser for Unrestricted Text. – ANLC ‘88: Proceedings of the second conference on Applied natural language processing. Association for Computational Linguistics Stroudsburg, PA, 136–143. Daudaravičius Vidas 2012: Teksto skaidymas pastoviųjų junginių segmentais. Daktaro disertacijos santrauka. Kaunas: Vytauto Didžiojo universitetas. Hajič Jan, Böhmová Alena, Hajičová Eva and Hladká Barbora Vidová 2000: The Prague Dependency Treebank: A Three-Level Annotation Scenario. – Treebanks: Building and Using Parsed Corpora, ed. by A. Abeillé. Amsterdam: Kluwer, 103–127. Kay Martin, Gawron Mark, J. and Norvig Peter 1994: Verbmobil: A Translation System for Face-to-Face Dialog. Stanford: CSLI. Kapočiūtė-Dzikienė Jurgita, Krupavičius Algis, Nivre Joakim 2013: Lithuanian Dependency Parsing with Rich Morphological Features. – Proceedings of the Fourth Workshop on Statistical Parsing of Morphologically Rich Languages. Seattle, Washington, USA, 18 October, 12–21. Köhler Reinhard 2012: Quantitative Syntax Analysis. – Quantitative linguistics 65, ed. by Reinhard Köhler, Gabriel Altmann, Peter Grzybek. De Gruyter Mouton. Mille Simon, Wanner Leo and Burga Alicia 2012: Treebank Annotation in the Light of the Meaning-Text Theory. – Linguistic Issues in Language Theory 7(16), 1–12. Swamy M.N.S, Thulasiraman K. 1981: Graphs, Networks, and Algorithms. New York, Chichester Toronto: Willey Interscience publication. Šveikauskienė Daiva 2005: Graph Representation of the Syntactic Structure of the Lithuanian Sentence. – Informatica 16(3), 407–418. Vaišnienė Daiva, Zabarskaitė Jolanta 2012: The Lithuanian Language in the digital age. – META-NET White paper series, ed. by Georg Rehm, Hans Uszkoreit. Berlin, Heidelberg: Springer-Verlag. НКРЯ – Национальный корпус русского языка 2003–2013. Prieiga internete: http://www.ruscorpora.ru/corpora-usage.html 266 Acta Linguistica Lithuanica LXXIII High Quality Syntactic Annotated Corpus of Lithuanian – VILSINTEKS Aukštos kokybės sintaksiškai anot uotas lietuvių kalbos tekstynas VILSINTEKS SANTRAUKA Pastaruoju metu labai daug kalbama ir rašoma apie tai, kad lietuvių kalba mažai kompiuterizuota. Perkama kitoms kalboms sukurta programinė įranga, kuri lietuvių kalbos atveju dažniausiai neduoda patenkinamų rezultatų. Jau atėjo metas, kai reikia pradėti aptarti lietuvių kalbos kompiuterizavimo kokybę, užuot kalbėjus apie menką jos kompiuterizavimą. Straipsnyje aprašomas aukštos kokybės sintaksiškai anotuotas lietuvių kalbos tekstynas, kuriame pateikta patikima informacija. Anotavimas atliekamas dviem lygmenimis: išsami informacija apie sakinį nurodoma lentelėje ir sintaksinė struktūra nubraižoma grafiškai. Anotuojant didelis dėmesys skiriamas sintaksinių ryšių vaizdavimui. Jie parodomi skirtingų spalvų ir tipų linijomis. Straipsnyje aprašomi neskaidomi žodžių junginiai – tai žodžių grupės, kurios tik kartu gali išplėsti kitą žodį, ir tik visą grupę gali pažymėti ją išplečiantis žodis. Kitų sakinio žodžių ryšys su vienu iš neskaidomo junginio dėmenų neturi prasmės. Struktūroje neskaidomi junginiai sudedami į vieną bloką parodant vidinius sintaksinius ryšius. Straipsnyje pateikiami sintaksiškai anotuotų sakinių pavyzdžiai. Sakinio struktūrai vaizduoti naudojamas grafas, nes medis, kuris sėkmingai taikomas anglų kalbos sakinių struktūrai, negali atspindėti visos sintaksinės informacijos, esančios lietuviškame sakinyje. Tai labai gerai matyti statistiniu metodu anotuotų sakinių pavyzdžiuose, kurie pateikiami šiame straipsnyje. Parodomos dviejų sakinių struktūros, kuriose trūksta labai svarbios informacijos: vienoje neparodytas sintaksinis ryšys tarp veiksnio ir tarinio, kitoje nėra ryšio tarp žodžių, kurie derinami skaičiumi ir gimine. Palyginimui straipsnyje pateikiami šie sakiniai, anotuoti ir VILSINTEKS naudojamu metodu. Pradėto kurti tekstyno tikslas – sukaupti išsamią ir patikimą informaciją apie lietuvių kalbos gramatiką, atliekant sakinio analizę be klaidų, t. y. kai kompiuterio darbo rezultatus dar peržiūri žmogus. Anotuotas tekstynas bus viešai prieinamas internete. Kaip dabar iš VDU tekstyno galima gauti pateikto žodžio pavartojimo pavyzdžius, taip VILSINTEKS tinklapyje bus galima gauti sintaksinių struktūrų, kurios turi tam tikrų požymių – pavyzdžiui, vientisinių sakinių, kuriuose veiksniu eina įvardis ir pan., – pavyzdžių. Anotuojant naudojamos Excel lentelės, nes jos leidžia vaizdžiai pateikti sakinio struktūrą ir lengvai pertvarkyti informaciją į XML formatą, kuris plačiai taikomas paieškai. Taigi anotuotą tekstyną bus galima panaudoti statistiniams lietuvių kalbos tyrimams, taip pat informacijai apie lietuvių kalbos gramatiką išgauti ir kt. Įteikta 2013 m. spalio 28 d. DAIVA ŠVEIKAUSKIENĖ Lietuvių kalbos institutas Petro Vileišio g. 5-216, LT-10308 Vilnius, Lietuva [email protected] Straipsniai / Articles 267