High Quality Syntactic Annotated Corpus of Lithuanian – VILSINTEKS

252 Acta Linguistica Lithuanica LXXIII (Acte linguistique lituanique du XXIIIe siècle) DAIVA ŠVEIKAUSKIENĖ Institute of Lithuanian Language Les domaines de recherche: la linguistique computationnelle, les banques d'arbres, les couches d'annotation. HIGH QUALITY SYNTACTIC Corpus annoté de LITHUANE […] VILSINTEKS (lituanien) (lituanien) (lituanien) (lituanien) (lituanien) (lituanien) (lituanien) (lituanien) (lituanien) (lituanien) (lituanien) (lituanien) (lituanien) (lituanien) (lituanien) (lituanien) (lituanien) (lituanien) (lituanien) (lituanien) (lituanien) (lituanien) (lituanien) (lituanien) (lituanien) (lituanien) (lituanien) (lituanien) (lituanien) Aukštos kokybės sintaksiškai anotuotas lietuvių kalbos tekstynas VILSINTEKS Notation à l'appui Ce document présente une double annotation, qui est utilisée pour l'annotation de haute qualité du corpus lituanien. Des informations complètes sur une phrase sont données dans un tableau et la structure syntaxique d'une phrase est présentée dans une image. L'expérience d'autres langues est utilisée et les caractéristiques spécifiques de la langue lituanienne sont prises en compte. L'insuffisance de la représentation en arbre pour la structure syntaxique des phrases lituaniennes est démontrée à travers les exemples annotés statistiquement. L'objectif de la création du corpus annoté contenant des informations exhaustives est également clairement souligné. Des exemples de phrases annotées sont donnés, qui reflètent les caractéristiques spécifiques de la langue lituanienne. MESSAGES clés: corpus annoté syntaxique; représentation graphique de la structure syntaxique; couches d'annotations dans le corpus lituanien; l'insuffisance de la représentation en arbres pour les phrases lituaniennes; objectif du corpus annoté syntaxique. ANOTACIJA (nombre de membres du groupe) Straipsnyje aptariamas dviem lygmenimis atliekamas anotavimas, naudojamas aukštos kokybės anotuotam lietuvių kalbos tekstynui sukurti. Je vous donne des informations sur la structure sakinį nurodoma lentelėje, o sintaksinė sakinio nubraižoma grafiškai. Nous avons utilisé d'autres termes, en tenant compte des spécificités de la langue lituanienne. Medžio nepakankamumas vaizduojant lietuvių kalbos sakinių sintaksinę struktūrą parodomas Straipsniai articles 253 et 253 High Quality Syntactic Annotated Corpus of Lithuanian – VILSINTEKS 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. (Les exemples de sakinių anotuotų, atspindintys specifinius lietuvių kalbos bruožus) sont des exemples de sakinių anotuotų. Ils sont des exemples de sakinių. Ils sont des exemples de sakinių. Ils sont des exemples de sakinių. ESMINIAI ŽODŽIAI: sintaksiškai anotuotas tekstynas, sakinio struktūros vaizdavimas grafu, tekstyno anotavimo lygmenys, medžio nepakankamumas vaizduojant lietuvių kalbos sakinius, tekstyno kūrimo tikslas. 1. INTRODUCTION (présentation de la présente décision) La première annotation des corpora faisait partie du balisage de la parole POST [Church 1988: 136]. Une telle annotation se trouve dans le Penn Treebank. Plus tard, d'autres phrases, portant l'information syntaxique, ont été introduites. Ils ont été représentés à l'aide de divers schémas [Atwell et al. 2000: 12]. En 2012, Köhler a mentionné ce qui suit: […]... il n'existe pas de norme générale sur la façon dont les corpora devraient être structurés et notés […] [Köhler 2012: 32]. Par conséquent, le corpus lituanien VILSINTEKS est annoté, en tenant compte des caractéristiques spécifiques de la langue lituanienne […] une grande quantité d'inflexion et un ordre de mots libre dans une phrase. Parmi les deux principaux types de représentation de la structure syntaxique, à savoir la grammaire de la structure de la phrase et la grammaire de la dépendance, cette dernière a été choisie pour le lituanien parce que […]... la grammaire de la dépendance a attiré le plus les étudiants de langues avec un ordre de mots relativement libre... […] [Kay, Gawron et Norvig 1994: 55]. La représentation la plus courante de la structure syntaxique est un arbre [Allen 1987: 41]. Le nom du corpus annoté syntaxiquement […] treebank […] est lié à ce terme. Le nom de la banque d'arbres lituanienne ne contient pas le mot "arbre", car la structure syntaxique de certaines phrases lituaniennes est représentée par un graphe avec un cycle, c'est-à-dire qu'il ne répond pas aux conditions établies par la définition d'un arbre, car un arbre est un graphe acylique connecté [Swamy, Thulasiraman 1984: 33]. L'acronyme VILSINTEKS signifie VILniaus SINtaksinis TEKStynas […] Le corpus syntaxique de Vilnius. 2.Annotation du corps lituanien Récemment, beaucoup a été dit et écrit sur le faible degré d'informatisation de la langue lituanienne. Selon les données du META-NET DAIVA ŠVEIKAUSKIENĖ 254 projet Acta Linguistica Lithuanica LXXIII, le lituanien appartient au groupe des langues européennes les moins informatisées [Vaišnienė, Zabarskaitė 2012: 35]. Le logiciel créé pour d'autres langues ne produit pas de résultats satisfaisants lorsqu'il est appliqué à la langue lituanienne. Il est grand temps de parler non pas de la faible informatisation de la langue lituanienne, mais de la qualité de son informatisation. Il convient donc de revenir à la langue lituanienne et d'essayer de créer sa propre informatisation de haute qualité de la langue lituanienne. Les premiers efforts dans software for the computerization of the Lithuanian language so as to produce l'annotation syntaxique du corpus lituanien ont été réalisés en 2013. Le corpus annoté syntaxique VILSINTEKS a été créé à l'Institut de la langue lituanienne de Vilnius. Nous visons à fournir le plus de données possible concernant une phrase, en particulier si ce sont les données qui sont nécessaires pendant le processus de traduction. Des informations exhaustives sont fournies dans la banque d'arbres de la dépendance de Prague, qui est annotée à trois niveaux [Hajič 2000: 103]. Plus de niveaux d'annotation dans une image ne pourraient pas FIGURE 1. Exemple de la structure syntaxique de la phrase lituanienne Jie gali būti kitokie […] Elles peuvent être différentes Straipsniai articles 255 et High Quality Syntactic Annotated Corpus of Lithuanian – VILSINTEKS Figure 2 - Les résultats des études La phrase statistiquement analysée Kas nerizikuoja, tas negeria šampano, bet graudžiai ir neverkia (Qui ne risque pas, qui ne boit pas de champagne mais ne pleure pas aussi en larmes) [Kapočiūtė, Nivre, Krupavičius 2013: 15] FIREGU 3. La phrase statistiquement analysée Bet štai pro medį, kuriame sėdėjau, praslinko didelis šešėlis (Mais ici, à travers l'arbre dans lequel je me suis assis, une petite ombre est passée) [Kapočiūtė, Nivre, Krupavičius 2013: 15] doit être réalisée, nous avons donc décidé de diviser la représentation de l'information en deux parties lorsque nous traitons des phrases lituaniennes: un tableau, qui contient les morcontains. L'attribut prédicatif dépend de deux 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 parties de la phrase: du sujet ou de l'objet et du prédicat. Ces relations sont exprimées formellement et ne peuvent pas être ignorées (pour plus de détails, voir Šveikauskienė 2005: 412). La figure 1 montre la structure syntaxique d'une phrase de titre. Il contient un prédicatif, qui a formellement exprimé des relations avec le sujet et le prédicat, et les deux relations doivent être représentées en annotant le corpus. DAIVA ŠVEIKAUSKIENĖ 256 Acta Linguistica Lituanica LXXIII (Acte linguistique lituanique du XXIII) Le prédicatif doit avoir la fin qui est d'accord avec le sujet et en même temps il est adjacent au prédicat; c'est-à-dire qu'il ne s'agit pas d'un attribut du sujet. Les premières tentatives d'annotation syntaxique du corpus lituanien ont démontré que les logiciels conçus pour d'autres langues n'ont pas produit de bons résultats en lituanien. Quelque 1500 phrases ont été annotées statistiquement à l'Université de technologie de Kaunas [Kapočiūtė, Nivre, Krupavičius 2013: 12]. Les résultats présentés ont montré l'insuffisance des informations cachées dans la FIGURE 4. VILSINTEKS a analysé la phrase Kas nerizikuoja, tas negeria šampano, bet graudžiai ir neverkia, qui signifie que le champagne est le meilleur. Les articles 257 et 257 de la loi High Quality Syntactic Annotated Corpus of Lithuanian – VILSINTEKS Figure 5. Le problème est le suivant. VILSINTEKS analyse de la phrase Bet štai pro medį, kuriame sėdėjau, praslinko nedidelis šešėlis DAIVA ŠVEIKAUSKIENĖ La structure des phrases de l'Acta Linguistica Lithuanica LXXIII est présentée ci-dessous. Les deux figures illustrent deux phrases analysées, les deux dans la lacking very important information. The first sentence lacks the arrow between the predicate negeria and subject tas (Figure 2). deuxième phrase la relation d'accord n'est pas montrée entre deux mots medį et kuriame, qui ont des terminaisons d'accord (figure 3) lorsque les auteurs dans le même article ont écrit: […]un adjectif modifiant un nom doit être d'accord en Le sexe, le nombre et le cas. Les mots medį et kuriame doivent être d'accord en genre et en nombre, et cette information est absente de la structure de la phrase. Il est difficile d'être d'accord que les relations entre les mots kuriame sėdėjau - dans lequel je me suis assis et pro medį à travers l'arbre sont du même type. Ces phrases annotées selon la méthode utilisée dans VILSINTEKS sont représentées respectivement aux figures 4 et 5. 3. Les couches d'annotation dans le tableau Les informations contenues dans le tableau sont de trois types: • Informations sur l'ensemble de la phrase, • Informations sur les mots de la phrase, • Informations non grammaticales sur les mots et la phrase. 3.1 Informations sur l'ensemble de la peine L'information concernant la phrase entière se compose de son code, c'est-à-dire de sa position dans le corpus, de son type et de ses caractéristiques. La caractéristique de la phrase est sa caractéristique en tenant compte de sa fonction dans le texte, c'est-à-dire s'il s'agit d'un titre, d'un auteur, d'un sous-titre ou d'une phrase de texte. Le type de phrase indique l'information communicative, c'est-à-dire si elle est déclarative, impérative, interrogative, etc., and structural information: personal, impersonal, elliptical, simple, composite sentence, etc. [Ambrazas 1997: 573]. 3.2 Informations sur les mots de la phrase Chaque mot est fourni avec les données sur son nombre dans la phrase, les données morphologiques (temps, cas, genre, etc.), le lemme, les données sur sa Straipsniai articles 259 et High Quality Syntactic Annotated Corpus of Lithuanian – VILSINTEKS sémantique lexicale, sa fonction syntaxique, ses relations syntaxiques directes avec d'autres mots de la phrase et les cas profonds. Étant donné que l'ordre des mots dans la langue lituanienne n'a généralement aucune information syntaxique, les caractéristiques de la sémantique lexicale sont très importantes pour identifier sa fonction syntaxique. Le nom dans le cas accusatif avec la caractéristique du temps est un modificateur adverbial et sans lui […] un objet. Si deux noms dans le cas accusatif apparaissent dans la phrase, la caractéristique de la sémantique lexicale est parfois le seul critère, qui permet de décider de la fonction syntaxique. 3.3 Informations non grammaticales sur les mots et la phrase Les informations stylistiques sur le mot sont données dans le tableau. Il est utile de choisir l'équivalent approprié dans l'autre langue lors de la traduction du mot. L'antécédent du pronom est nécessaire. Mille, Wanner et Burga [2012: 5] décrivent la structure coreferentielle, qui relie le pronom à son antécédent dans une phrase. La banque d'arbres lituanienne fournit les informations sur l'antécédent du pronom s'il est également en dehors de la phrase. C'est très important pour la traduction parce que le genre du nom (ou du pronom en conséquence) peut différer dans différentes langues. Par exemple, la phrase lituanienne Ji buvo graži a trois traductions en allemand. Si c'est "une fille", la traduction correcte est Es war schön. Si c'est "un chat", la traduction correcte est Sie war schön, et si c'est "un jour", la traduction correcte est Er war schön. Les trois pronoms en lituanien sont féminins parce que les trois noms sont féminins, tandis que dans le cas de la langue allemande, ce pronom a trois équivalents différents en tenant compte du nom qu'il remplace. Le tableau contient les mots manquants dans les phrases elliptiques et les mots ted subject, which is expressed by a personal pronoun. It is very often the case omis dans la langue lituanienne. On peut le deviner d'après la fin du verbe. La copula du prédicat au temps présent est généralement omise aussi, de sorte que le tableau contient ces mots manquants. Les acronymes sont représentés en mots complets dans le tableau. Les nombres sont en outre représentés dans le tableau par des chiffres et des chiffres par des chiffres, car l'expression lexicale des nombres dans différentes langues peut différer. DAIVA ŠVEIKAUSKIENĖ 260 Acta Linguistica Lituanica LXXIII (Acte linguistique lituanique du XXIIIe siècle) est publié par la Société Lituanienne des langues. 4. Types d'informations Dans la structure syntaxique Dans la structure syntaxique, la phrase est divisée au premier stade en un groupe de noms, un groupe de verbes et le caractère de fin de phrase. La langue lituanienne a un ordre de mots libre et parfois le caractère de fin de phrase est le seul moyen de déterminer le type de phrase, c'est-à-dire s'il s'agit d'une phrase déclarative ou interrogative, par exemple Tu šiandien laimėjai prizą. Vous avez gagné un prix aujourd'hui. Et tu as gagné un prix aujourd'hui ? Avez-vous gagné un prix aujourd'hui ? La figure 6 montre la structure syntaxique de la phrase interrogative. La traduction de la phrase est choisie en fonction du caractère de la fin de la phrase. les mots qui Furthermore, the structure of the sentence is represented using dependency grammar. The head of the subject group is the subject and below are depicted l'étendent, et la tête du groupe de prédicats est le prédicat avec les mots subordonnés situés en dessous. Deux autres champs, qui sont très importants pour l'annotation du corpus lituanien, sont le type des relations syntaxiques entre les mots et les groupes de mots sémantiquement irrésolubles. Figure 6 - Le problème de l'emploi La structure syntaxique de la phrase interrogative Tu šiandien laimėjai prizą? – Avez-vous gagné un prix aujourd'hui ? Straipsniai articles 267 et 267 High Quality Syntactic Annotated Corpus of Lithuanian – VILSINTEKS Aukštos kokybės sintaksiškai anotuotas lietuvių kalbos tekstynas VILSINTEKS SANTRAUKA (pays du nord de l'Inde) Pastaruoju metu labai daug kalbama ir rašoma apie tai, kad lietuvių kalba mažai kompiuterizuota. Je suis très heureux que vous ayez pu m'aider à le faire. Perkama kitoms kalboms sukurta programinė įranga, kuri lietuvių kalbos atveju dažniausiai neduoda patenkinamų rezultatų. Le résultat est généralement négatif. Jauėjo metas, kai reikia pradėti aptarti lietuvių kalbos kompiuterizavimo kokybę, užuot kalbėjus apie menką jos kompiuterizavimą. Je suis sûr que vous avez compris ce que je voulais dire. Straipsnyje išsami informacija apie sakinį nurodoma lentelėje ir sintaksinė struktūra nubraižoma graaprašomas aukštos kokybės sintaksiškai anotuotas lietuvių kalbos tekstynas, kuriame pateikta patikima informacija. Anotavimas atliekamas dviem lygmenimis: fiškai. (En anglais) Anotuojant didelis dėmesys skiriamas sintaksinių ryšių vaizdavimui. Il s'agit d'un texte qui a été rédigé par un professeur de l'université. Jie parodomi différents couleurs et les lignes de tip. 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. Je suis sûr que vous avez compris ce que je veux dire. Struktūroje neskaidomi junginiai sudedami į vieną bloką parodant vidinius sintaksinius ryšius. Struktūroje neskaidomi junginiai sudedami į vieną bloką parodant vidinius sintaksinius ryšius. Les exemples de sakini anotués sont présentés dans la syntaxe de la ligne. Sakinio struktūrai vaizduoti naudojamas grafas, nes medis, kuris sėkmingai taikomas anglų kalbos sakinių struktūrai, negali atspindėti visos sintaksinės informacijos, esančios lietuviškame sakinyje. Sakinio struktūrai vaizduoti naudojamas grafas, nes medis, kuris sėkmingai taikomas anglų kalbos sakinių struktūrai, negali atspindėti visos sintaksinės informacijos, esančios lietuviškame sakinyje. Tai très gerai matyti statistiniu metodu anotuotų sakinių pavyzdžiuose, kurie pateikiami šiame straipsnyje. Parodomos deux sakinių struktūros, kuriose trūksta labai svarbios informacijos: vienoje neparodytas sintaksinis ryšys tarp veiksnio ir tarinio, kitoje nėra ryšio tarp žodžių, kurie der skaičiumi ir gimine. Palygin straipsnyje pateikiami šie sakiniai, anotuoti ir VILSINTEKS naudojamu metodu. (Je ne sais pas si vous le savez ou non, mais je sais que vous le savez.) 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. (En anglais, il s'agit d'un mot qui signifie "en ligne".) 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 informaciju į XML formatą, kuris plačiai taikomas paieškai. anotu Taigiotą tekstyną bus galima panaudoti statistiniams lietuvių kalbos tyrimams, taip pat informacijai apie lietuvių kalbos gramatiką išgauti ir kt. Įteikta 2013 m. octobre 28 année DAIVA ŠVEIKAUSKIENĖ Instituts de la langue lituanienne Petro Vileišio g. 5-216, LT-10308 Vilnius, Lituanie [email protected] Il s'agit d'une entreprise de construction et de construction qui est basée à Vilnius.