High Quality Syntactic Annotated Corpus of Lithuanian – VILSINTEKS

252 Acta Linguistica Lithuanica LXXIII (Litwische Sprachverzeichnis) DAIVA ŠVEIKAUSKIENĖ Institute of Lithuanian Language Forschungsbereiche: computergestützte Linguistik, Baumbanken, Layer der Anmerkungen. HIGH QUALITY SYNTACTIC Anmerkungen zu den Texten LITHUANIAN […] VILSINTEKS Aukštos kokybės sintaksiškai anotuotas lietuvių kalbos tekstynas VILSINTEKS Anmerkung Dieses Papier enthält eine doppelte Anmerkung, die für die hochwertige Anmerkung des litauischen Korpus verwendet wird. Umfassende Informationen über einen Satz werden in einer Tabelle angegeben, und die syntaktische Struktur eines Satzes wird in einem Bild dargestellt. Es werden die Erfahrungen anderer Sprachen genutzt und die Besonderheiten der litauischen Sprache berücksichtigt. Die Unzulänglichkeit der Baumrepräsentation für die syntaktische Struktur der litauischen Sätze wird durch die statistisch kommentierten Beispiele gezeigt. Das Ziel der Erstellung des annotierten Korpus mit ausführlichen Informationen wird ebenfalls deutlich betont. Es werden Beispiele für die kommentierten Sätze gegeben, die die Besonderheiten der litauischen Sprache widerspiegeln. Schlüsselwörter: syntaktischer, kommentierter Korpus; grafische Darstellung der syntaktischen Struktur; Schichten der Anmerkungen im litauischen Korpus; unzureichende Repräsentation von Bäumen für litauische Sätze; Ziel des syntaktischen annotierten Korpus. ANOTACIJA (in französischer Sprache) Straipsnyje aptariamas dviem lygmenimis atliekamas anotavimas, naudojamas aukštos kokybės anotuotam lietuvių kalbos tekstynui sukurti. Išsami Informationen über die Struktur sakinį nurodoma lentelėje, o sintaksinė sakinio nubraižoma grafiškai. Naudojamasi άλλων kalbų patirtimi, atsižvelgiant į specifinius lietuvių kalbos bruožus. Medžio nepakankamumas vaizduojant lietuvianischer Sprache sakinių sintaksinę struktūrą Straipsniai Artikel 253 High Quality Syntactic Annotated Corpus of Lithuanian – VILSINTEKS parodomas statistiniu metodu anotuotų sakinių pavyzdžiais. Straipsnyje taip pat aiškiai pabrėžiamas anotuoto tekstyno, kuriame bus sukaupta išsami informacija, kūrimo tikslas. Pateikiami anotuotų sakinių pavyzdžiai, atspindintys specifinius lietuvių kalbos bruožus. Pateikiami anotuotų sakinių pavyzdžiai, atspindintys specifinius lietuvių kalbos bruožus. ESMINIAI ŽODŽIAI: sintaksiškai anotuotas tekstynas, sakinio struktūros vaizdavimas grafu, tekstyno anotavimo lygmenys, medžio nepakankamumas vaizduojant lietuvių kalbos sakinius, tekstyno kūrimo tikslas. 1. Einleitung Die erste Anmerkung von Corpora war ein Teil des Sprachtags POST [Church 1988: 136]. Eine solche Anmerkung findet sich in der Penn Treebank. Später wurden andere Sätze eingeführt, die die syntaktischen Informationen enthielten. Sie wurden durch die Verwendung verschiedener Systeme dargestellt [Atwell et al. 2000: 12]. Im Jahr 2012 erwähnte Köhler Folgendes: […]...es gibt keinen allgemeinen Standard dafür, wie Corpora strukturiert und notiert werden sollten[…] [Köhler 2012: 32]. Daher wird das litauische Corpus VILSINTEKS unter Berücksichtigung der Besonderheiten der litauischen Sprache […] einer großen Menge an Beugung und einer freien Wortordnung in einem Satz kommentiert. Von den beiden führenden Arten der syntaktischen Strukturrepräsentation, nämlich der Phrasenstrukturgrammatik und der Abhängigkeitsgrammatik, wurde letztere für das Litauische gewählt, weil […]... die Abhängigkeitsgrammatik die meisten Studenten von Sprachen mit relativ freier Wortordnung angezogen hat...[…] [Kay, Gawron und Norvig 1994: 55]. Die häufigste Darstellung der syntaktischen Struktur ist ein Baum [Allen 1987: 41]. Der Name des syntaktisch kommentierten Korpus […] Treebank […] ist mit diesem Begriff verwandt. Der Name der litauischen Baumbank enthält das Wort "Baum" nicht, weil die syntaktische Struktur einiger litauischer Sätze durch einen Graphen mit einem Zyklus dargestellt wird, d. h. er erfüllt nicht die Bedingungen, die durch die Definition eines Baumes festgelegt sind, da ein Baum ein verbundener acyklischer Graph ist [Swamy, Thulasiraman 1984: 33]. Das Akronym VILSINTEKS bedeutet VILniaus SINtaksinis TEKStynas […] Vilnius-Syntaxkorpus. 2. Anmerkung des Litauischen Korps In letzter Zeit wurde viel über den geringen Computerisierungsgrad der litauischen Sprache gesagt und geschrieben. Nach den Daten des META-NET DAIVA ŠVEIKAUSKIENĖ 254 des Acta Linguistica Lithuanica LXXIII-Projekts, Litauisch gehört zur Gruppe der am wenigsten computerisierten europäischen Sprachen [Vaišnienė, Zabarskaitė 2012: 35]. Die für andere Sprachen entwickelte Software liefert bei der Anwendung auf die litauische Sprache keine zufriedenstellenden Ergebnisse. Es ist höchste Zeit, nicht über die geringe Computerisierung der litauischen Sprache zu sprechen, sondern über die Qualität ihrer Computerisierung. Daher lohnt es sich, auf die litauische Sprache zurückzuschauen und zu versuchen, eine eigene hochwertige Computerisierung der software for the computerization of the Lithuanian language so as to produce litauischen Sprache zu schaffen. Die ersten Bemühungen um die syntaktische Anmerkung des litauischen Korpus wurden 2013 unternommen. Das syntaktische kommentierte Korpus VILSINTEKS wurde am Institut für die litauische Sprache in Vilnius erstellt. Unser Ziel ist es, so viele Daten wie möglich über einen Satz zu liefern, insbesondere wenn es sich um die Daten handelt, die während des Übersetzungsprozesses benötigt werden. Ausführliche Informationen finden sich in der Prague Dependency Treebank, die eine dreistufige Anmerkung hat [Hajič 2000: 103]. Mehr Ebenen von Anmerkungen in einem Bild könnten nicht Figur 1. Beispiel für die syntaktische Struktur des litauischen Satzes Jie gali būti kitokie Sie können unterschiedlich sein Straipsniai Artikel 255 High Quality Syntactic Annotated Corpus of Lithuanian – VILSINTEKS Abbildung 2. Statistisch analysierter Satz Kas nerizikuoja, tas negeria šampano, bet graudžiai ir neverkia (Wer nicht riskiert, der nicht Champagner trinkt, aber auch nicht tränenreich weint) [Kapočiūtė, Nivre, Krupavičius 2013: 15] FIREGU 3. Statistisch analysierter Satz Bet štai pro medį, kuriame sėdėjau, praslinko didelis šešėlis (Aber hier durch den Baum, in dem ich saß, ging ein kleiner Schatten vorbei) [Kapočiūtė, Nivre, Krupavičius 2013: 15] erreicht werden, also haben wir beschlossen, die Darstellung der Informationen in zwei Teile zu teilen, wenn wir uns mit litauischen Sätzen befassen: eine Tabelle, die die Morcontains enthält. Das Prädikativattribut hängt von zwei Teilen des Satzes ab: vom Subjekt oder dem phological, syntactic and semantic information, while the syntactic structure should be presented in a picture. A graph with cycles is used for Lithuanian sentences because a tree is not able to reflect the entire syntactic information which the Lithuanian sentence Objekt und vom Prädikat. Diese Beziehungen sind formell ausgedrückt und konnten nicht ignoriert werden (für weitere Einzelheiten siehe Šveikauskienė 2005: 412). Abbildung 1 zeigt die syntaktische Struktur eines Titelsatzes. Es enthält ein Prädikat, das formell Beziehungen zum Subjekt und zum Prädikat ausgedrückt hat, und beide Beziehungen müssen durch die Anmerkung des Korpus dargestellt werden. DAIVA ŠVEIKAUSKIENĖ 256 Acta Linguistica Lituanica LXXIII (Litauische Sprachverzeichnis) Der Prädikat muss das Ende mit dem Subjekt übereinstimmen und gleichzeitig dem Prädikat angrenzen; Das heißt, es ist kein Attribut des Subjekts. Die ersten Versuche, das litauische Korpus syntakstisch zu annotieren, zeigten, dass die für andere Sprachen entwickelte Software in der litauischen Sprache keine guten Ergebnisse erzielte. Etwa 1500 Sätze wurden an der Technischen Universität Kaunas statistisch kommentiert [Kapočiūtė, Nivre, Krupavičius 2013: 12]. Die vorgestellten Ergebnisse zeigten die Unzulänglichkeit der in Abbildung 4 versteckten Informationen. VILSINTEKS analysierte Satz Kas nerizikuoja, tas negeria šampano, bet graudžiai ir neverkia Straipsniai Artikel 257 High Quality Syntactic Annotated Corpus of Lithuanian – VILSINTEKS Abbildung 5. VILSINTEKS analysierter Satz Bet štai pro medį, kuriame sėdėjau, praslinko nedidelis šešėlis DAIVA ŠVEIKAUSKIENĖ Acta Linguistica Lithuanica LXXIII Satzstruktur 258 Die beiden Figuren veranschaulichen zwei analysierte Sätze, beide In dem zweiten Satz wird die lacking very important information. The first sentence lacks the arrow between the predicate negeria and subject tas (Figure 2). Übereinstimmungsbeziehung zwischen zwei Wörtern medį und kuriame nicht gezeigt, die übereinstimmende Endungen haben (Abbildung 3), während die Autoren im selben Artikel schrieben: Ein Adjektiv, das ein Substantiv modifiziert, muss in Geschlecht, Nummer und Fall. Die Wörter medį und kuriame müssen sich in Geschlecht und Zahl einigen, und diese Information fehlt in der Struktur des Satzes. Es ist schwierig, sich darauf zu einigen, dass die Beziehungen zwischen den Wörtern kuriame sėdėjau - in dem ich saß - und pro medį durch den Baum von derselben Art sind. Diese Sätze, die nach der in VILSINTEKS verwendeten Methode kommentiert sind, sind in Abbildung 4 bzw. Abbildung 5 dargestellt. 3. Layer der Anmerkungen in der Tabelle Die Informationen in der Tabelle sind dreierlei: • Informationen über den gesamten Satz, • Informationen über die Wörter im Satz, • nicht-grammatische Informationen über die Wörter und den Satz. 3.1 Informationen über die gesamte Strafe Informationen über den gesamten Satz bestehen aus seinem Code, d.h. seiner Position im Corpus, seiner Art und seinen Merkmalen. Das Merkmal des Satzes ist seine Eigenschaft unter Berücksichtigung seiner Funktion im Text, d.h. ob es sich um einen Titel, einen Autor, einen Untertitel oder einen Textsatz handelt. Die Art des Satzes zeigt kommunikative Informationen an, d.h. ob er deklarativ, imperativ ist, interrogative, etc., and structural information: personal, impersonal, elliptical, simple, composite sentence, etc. [Ambrazas 1997: 573]. 3.2 Informationen über die Wörter im Satz Jedes Wort wird mit den Daten über seine Zahl im Satz, morphologischen Daten (Zeit, Fall, Geschlecht, usw.), Lemma, Daten über seine lexikalische Semantik, Straipsniai Artikel 259 High Quality Syntactic Annotated Corpus of Lithuanian – VILSINTEKS syntaktische Funktion, direkte syntaktische Beziehungen zu anderen Wörtern im Satz und tiefen Fällen versehen. Da die Wortfolge in der litauischen Sprache in der Regel keine syntaktischen Informationen enthält, sind die Merkmale der lexikalischen Semantik sehr wichtig für die Identifizierung ihrer syntaktischen Funktion. Das Substantiv im Akkusativfall mit dem Merkmal der Zeit ist ein Adverbialmodifikator und ohne es […] ein Objekt. Wenn zwei Substantiven im Akkusativfall im Satz vorkommen, ist das Merkmal der lexikalischen Semantik manchmal das einzige Kriterium, das es ermöglicht, die syntaktische Funktion zu entscheiden. 3.3 Nichtgrammatische Informationen über die Wörter und den Satz Die stilistischen Informationen über das Wort sind in der Tabelle aufgeführt. Es hilft, das richtige Äquivalent in der anderen Sprache zu wählen, wenn man das Wort übersetzt. Der Vorläufer des Pronomens ist notwendig. Mille, Wanner und Burga [2012: 5] beschreiben eine coreferentielle Struktur, die das Pronomen mit seinem Antecedent in einem Satz verbindet. Die litauische Baumbank liefert die Informationen über den Antecedent des Pronomen, wenn es auch außerhalb des Satzes ist. Es ist sehr wichtig für die Übersetzung, weil das Geschlecht des Substantivs (oder dementsprechend des Pronomens) in verschiedenen Sprachen unterschiedlich sein kann. Zum Beispiel hat der litauische Satz Ji buvo graži drei Übersetzungen ins Deutsche. Wenn es "ein Mädchen" ist, ist die richtige Übersetzung Es war schön. Wenn es "eine Katze" ist, ist die richtige Übersetzung Sie war schön, und wenn es "ein Tag" ist, ist die richtige Übersetzung Er war schön. Alle drei Pronomen im Litauischen sind weiblich, weil alle drei Substantiven weiblich sind, während in der deutschen Sprache dieses Pronomen drei verschiedene Äquivalente hat, wenn man den Substantiv berücksichtigt, den es ersetzt. Die Tabelle enthält die fehlenden Wörter in elliptischen Sätzen und die ted subject, which is expressed by a personal pronoun. It is very often the case ausgelassenen Wörter in der litauischen Sprache. Wir können es aus dem Ende des Verbs erraten. Die Kopula des Prädikates in der Gegenwart wird in der Regel ebenfalls weggelassen, so dass die Tabelle diese fehlenden Wörter enthält. Akronymen sind in der Tabelle in vollständigen Wörtern dargestellt. Die Zahlen werden in der Tabelle zusätzlich durch Zahlen und Zahlen durch Zahlen dargestellt, da der lexikalische Ausdruck von Zahlen in verschiedenen Sprachen unterschiedlich sein kann. DAIVA ŠVEIKAUSKIENĖ 260 Acta Linguistica Lituanica LXXIII (Litauische Sprachakte) 4. Arten von Informationen In der syntaktischen Struktur Im syntaktischen Aufbau wird der Satz in der ersten Stufe in eine Substantivgruppe, eine Verbgruppe und das Satzende-Zeichen unterteilt. Die litauische Sprache hat eine freie Wortordnung und manchmal ist das Satzende das einzige Mittel, um die Art des Satzes zu bestimmen, d.h. ob es sich um einen deklarativen oder einen fragenden Satz handelt, beispielsweise Tu šiandien laimėjai prizą. Sie haben heute einen Preis gewonnen. Und du hast heute einen Preis gewonnen? Haben Sie heute einen Preis gewonnen? Abbildung 6 zeigt den syntaktischen Aufbau des Fragezeichens. Die Übersetzung des Satzes wird nach dem Zeichen am Ende des Satzes gewählt. die Furthermore, the structure of the sentence is represented using dependency grammar. The head of the subject group is the subject and below are depicted Wörter, die sie erweitern, und der Kopf der Prädikatgruppe ist das Prädikat mit den untergeordneten Wörtern, die sich darunter befinden. Zwei weitere Felder, die für die Anmerkung des litauischen Korpus sehr wichtig sind, sind die Art der syntaktischen Beziehungen zwischen den Wörtern und semantisch unlösbaren Wortgruppen. Abbildung 6. Die syntaktische Struktur des Fragezeichens Tu šiandien laimėjai prizą? – Hast du heute einen Preis gewonnen? Straipsniai Artikel 267 High Quality Syntactic Annotated Corpus of Lithuanian – VILSINTEKS Aukštos kokybės sintaksiškai anotuotas 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. 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 išsami informacija apie sakinį nurodoma lentelėje ir sintaksinė struktūra nubraižoma graanotuotas lietuvių kalbos tekstynas, kuriame pateikta patikima informacija. Straipsnyje aprašomas aukštos kokybės sintaksiškai anotuotas lietuvių kalbos tekstynas, kuriame pateikta patikima informacija. Anotavimas atliekamas dviem lygmenimis: fiškai. Anotuojant didelis dėmesys skiriamas sintaksinių ryšių vaizdavimui. Jie parodomi unterschiedlicher 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 sehr gerai statistisch geseheniniu 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 der skaičiumi ir giminami. Palygin 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. Anotas 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 например, 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. Oktober 28 d. DAIVA ŠVEIKAUSKIENĖ Litauische Sprachinstitute Petro Vileišio g. 5-216, LT-10308 Vilnius, Lietuva [email protected]