High Quality Syntactic Annotated Corpus of Lithuanian – VILSINTEKS

DAIVA ŠVEIKAUSKIENĖ Litván Nyelvi Intézet Kutatási területek: számítógépes nyelvészet, faalapú korpuszok készítése, annotációs rétegek. A LITVÁN NYELV KIVÁLÓ MINŐSÉGŰ SZINTAKTIKAI ANNOTÁLT KORPUSZA – VILSINTEKS Kiváló minőségű, szintaktikailag annotált litván nyelvi korpusz: VILSINTEKS ANNOTÁCIÓ A tanulmány a litván korpusz kiváló minőségű annotálására alkalmazott kettős annotációt mutatja be. A mondatra vonatkozó átfogó információkat táblázat tartalmazza, a mondat szintaktikai szerkezetét pedig ábra szemlélteti. Más nyelvek tapasztalatait is felhasználják, és figyelembe veszik a litván nyelv sajátosságait. A statisztikailag annotált példák bemutatják, hogy a litván mondatok szintaktikai szerkezetének ábrázolására nem elegendő a faalapú reprezentáció. Egyértelműen hangsúlyozzák az átfogó információkat tartalmazó annotált korpusz létrehozásának célját is. A bemutatott annotált mondatok példái a litván nyelv sajátosságait tükrözik. KULCSSZAVAK: szintaktikailag annotált korpusz; a szintaktikai szerkezet gráfreprezentációja; annotációs rétegek a litván korpuszban; a litván mondatok faalapú reprezentációjának elégtelensége; a szintaktikailag annotált korpusz célja. ANNOTÁCIÓ A cikk a kiváló minőségű, annotált litván nyelvi szövegkorpusz létrehozására használt, két szinten végzett annotálást tárgyalja. A mondatra vonatkozó részletes információkat táblázat tartalmazza, a mondat szintaktikai szerkezetét pedig grafikusan ábrázolja. Más nyelvek tapasztalatait veszi alapul, figyelembe véve a litván nyelv sajátos jellemzőit. A fa elégtelenségét a litván mondatok szintaktikai szerkezetének ábrázolására statisztikailag 252 Acta Linguistica Lithuanica LXXIII High Quality Syntactic Annotated Corpus of Lithuanian – VILSINTEKS annotált mondatok módszerekkel készült példái szemléltetik. A cikk egyértelműen hangsúlyozza egy olyan annotált szövegkorpusz létrehozásának célját is, amely részletes információkat gyűjt majd össze. Az annotált mondatok példái a litván nyelv sajátos jellemzőit tükrözik. KULCSSZAVAK: szintaktikailag annotált szövegkorpusz, a mondatszerkezet gráffal való ábrázolása, a szövegkorpusz annotálási szintjei, a fa elégtelensége a litván mondatok ábrázolásában, a szövegkorpusz létrehozásának célja. 1. BEVEZETÉS 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. A szintaktikai szerkezet ábrázolásának két vezető típusa, a frázisszerkezeti grammatika és a függőségi grammatika közül az utóbbit választották a litván nyelvhez, mert „...a függőségi grammatika a viszonylag szabad szórendű nyelvek tanulói számára bizonyult a legvonzóbbnak...” [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. A LITVÁN SZÖVEGKORPUSZ ANNOTÁLÁSA Az utóbbi időben sok szó esett és sok írás jelent meg a litván nyelv alacsony fokú számítógépesítéséről. A META-NET adatai szerint Straipsniai / Articles 253 DAIVA ŠVEIKAUSKIENĖ projektum, a litván nyelv Európa legkevésbé számítógépesített nyelvei közé tartozik [Vaišnienė, Zabarskaitė 2012: 35]. A más nyelvekhez készített szoftverek nem adnak kielégítő eredményt, ha a litván nyelvre alkalmazzák őket. Ideje már nem a litván nyelv alacsony fokú számítógépesítéséről, hanem annak minőségéről beszélni. Érdemes tehát visszatekinteni a litván nyelvre, és saját szoftvert fejleszteni a litván nyelv számítógépesítésére, hogy annak magas színvonalú számítógépesítése valósuljon meg. A litván korpusz szintaktikai annotálására irányuló első próbálkozások 2013-ban történtek. A VILSINTEKS szintaktikailag annotált korpuszt a Vilniusi Litván Nyelvi Intézetben hozták létre. Célunk, hogy a lehető legtöbb adatot szolgáltassuk egy mondatról, különösen azokat az adatokat, amelyekre a fordítás során szükség van. A háromszintű annotációval rendelkező Prágai Függőségi Treebank kimerítő információkat nyújt [Hajič 2000: 103]. Egyetlen ábrán több annotációs szintet nem lehetett 1. ÁBRA. A litván mondat szintaktikai szerkezetének példája Jie gali būti kitokie – They can be different 254 Acta Linguistica Lithuanica LXXIII High Quality Syntactic Annotated Corpus of Lithuanian – VILSINTEKS megvalósítani, ezért úgy döntöttünk, hogy a litván mondatok esetében az információkat két részben jelenítjük meg: egy táblázatban, amely a morfológiai, szintaktikai és szemantikai információkat tartalmazza, míg a szintaktikai szerkezetet ábrán mutatjuk be. A litván mondatok esetében ciklusokat tartalmazó gráfot használunk, mivel egy fa nem képes tükrözni a litván mondatban foglalt teljes szintaktikai információt. A predikatív jelző a mondat két összetevőjétől függ: az alanytól vagy a tárgytól, valamint az állítmánytól. Ezeket a kapcsolatokat formálisan fejezzük ki, ezért nem hagyhatók figyelmen kívül (részletesebben lásd: Šveikauskienė 2005: 412). Az 1. ábra egy címmondat szintaktikai szerkezetét mutatja be. Predikatív szerkezetet tartalmaz, amelynek az alannyal és az állítmánnyal való kapcsolatai formálisan kifejezettek, és mindkét kapcsolatot meg kell jeleníteni a korpusz annotálásakor. 2. ÁBRA. Statisztikailag elemzett mondat 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] 3. ÁBRA. Statisztikailag elemzett mondat 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 Az állítmánynak az alannyal egyeztetett végződéssel kell rendelkeznie, és egyúttal az állítmányhoz kapcsolódik; vagyis nem az alany jelzője. A litván korpusz szintaktikai annotálására tett első kísérletek megmutatták, hogy a más nyelvekre készített szoftver nem adott jó eredményeket a litván nyelvben. A Kaunasi Műszaki Egyetemen mintegy 1500 mondatot annotáltak statisztikai módszerrel [Kapociūtė, Nivre, Krupavičius 2013: 12]. A bemutatott eredmények rávilágítottak a következőkben rejlő információ elégtelenségére 4. ÁBRA. A VILSINTEKS elemzett mondata Kas nerizikuoja, tas negeria šampano, bet graudžiai ir neverkia 256 Acta Linguistica Lithuanica LXXIII High Quality Syntactic Annotated Corpus of Lithuanian – VILSINTEKS 5. ÁBRA. A VILSINTEKS elemzett mondata Bet štai pro medį, kuriame sėdėjau, praslinko nedidelis šešėlis Straipsniai / Articles 257 DAIVA ŠVEIKAUSKIENĖ a mondatok szerkezetében. A két ábra két elemzett mondatot szemléltet, amelyekből mindkettőből nagyon fontos információ hiányzik. Az első mondatban hiányzik a nyíl az állítmány negeria és az alany tas között (2. ábra). A második mondatban nincs feltüntetve az egyeztetési kapcsolat a két szó, medį és kuriame között, amelyek végződései egyeztetettek (3. ábra), noha a szerzők ugyanabban a cikkben ezt írták: „a főnevet módosító melléknévnek nemben, számban és esetben egyeznie kell”. A medį és a kuriame szónak nemben és számban egyeznie kell, ez az információ azonban hiányzik a mondat szerkezetéből. Nehéz egyetérteni azzal, hogy a kuriame sėdėjau – in which I sat és a pro medį – through the tree szavak közötti kapcsolatok azonos típusúak. A VILSINTEKS-ben alkalmazott módszer szerint annotált mondatok a 4., illetve az 5. ábrán láthatók. 3. AZ ANNOTÁCIÓ RÉTEGEI A TÁBLÁZATBAN A táblázatban szereplő információ három típusba sorolható: Információ a teljes mondatról, Információ a mondat szavairól, Nem grammatikai információ a szavakról és a mondatról. 3.1. Információ a teljes mondatról A teljes mondatra vonatkozó információ a mondat kódjából, vagyis a korpuszban elfoglalt helyéből, típusából és jellemzőiből áll. A mondat jellemzője a szövegbeli funkcióját figyelembe vevő sajátossága, vagyis az, hogy cím, szerző, alcím vagy szövegbeli mondat-e. A mondat típusa kommunikatív információt jelöl, vagyis azt, hogy kijelentő, felszólító, kérdő stb., valamint szerkezeti információt: személyes, személytelen, elliptikus, egyszerű, összetett mondat stb. [Ambrazas 1997: 573]. 3.2. Információ a mondat szavairól Minden szóhoz meg vannak adva a mondatbeli sorszámára vonatkozó adatok, morfológiai adatok (igeidő, eset, nem stb.), a lemma, valamint a lexikai szemantikájára vonatkozó adatok, 258 Acta Linguistica Lithuanica LXXIII High Quality Syntactic Annotated Corpus of Lithuanian – VILSINTEKS szintaktikai funkció, közvetlen szintaktikai kapcsolatok a mondat más szavaival, valamint mély esetek. Mivel a litván nyelvben a szórendnek általában nincs szintaktikai információtartalma, a lexikai szemantikai jegyek igen fontosak a szintaktikai funkció meghatározásában. Az idő jelentésjegyű, tárgyesetben álló főnév határozó, e jegy nélkül pedig tárgy. Ha a mondatban két főnév áll tárgyesetben, a lexikai szemantikai jegy olykor az egyetlen kritérium, amely alapján eldönthető a szintaktikai funkció. 3.3. Nem nyelvtani információ a szavakról és a mondatról A szó stilisztikai jellemzőit a táblázat tartalmazza. Ezek segítenek kiválasztani a megfelelő célnyelvi megfelelőt a szó fordításakor. 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. A táblázat tartalmazza az ellipszises mondatokból hiányzó szavakat, valamint az elhagyott, személyes névmással kifejezett alanyt is. Ez a litván nyelvben igen gyakori. Az ige végződéséből következtethetünk rá. Az állítmány névszói-igei részének kopulája jelen időben rendszerint elmarad, ezért a táblázat ezeket a hiányzó szavakat is tartalmazza. A táblázat a rövidítéseket teljes alakban tünteti fel. A táblázat a számokat számjegyekkel, a számjegyeket pedig betűkkel kiírt számokkal is feltünteti, mivel a számok lexikai kifejezése nyelvenként eltérhet. Straipsniai / Articles 259 DAIVA ŠVEIKAUSKIENĖ 4. A SZINTAKTIKAI STRUKTÚRA INFORMÁCIÓTÍPUSAI A szintaktikai struktúrában a mondat az első szakaszban főnévi csoportra, igei csoportra és mondatzáró írásjelre tagolódik. A litván nyelvben szabad a szórend, ezért olykor a mondatzáró írásjel az egyetlen támpont a mondat típusának meghatározásához, vagyis annak eldöntéséhez, hogy kijelentő vagy kérdő mondatról van-e szó, például: Tu šiandien laimėjai prizą. – You have won a prize today. és Tu šiandien laimėjai prizą? – Have you won a prize today?. A 6. ábra a kérdő mondat szintaktikai struktúráját mutatja be. A mondat fordítását a mondatzáró írásjel alapján választjuk ki. A mondat struktúráját továbbá függőségi nyelvtannal ábrázoljuk. Az alanycsoport feje az alany, alatta pedig az azt bővítő szavak láthatók; az állítmánycsoport feje az állítmány, alatta pedig az alárendelt szavak helyezkednek el. A litván korpusz annotálása szempontjából két további, igen fontos mező a szavak közötti szintaktikai viszonyok típusa és a szemantikailag fel nem oldható szókapcsolatok. 6. ÁBRA. A kérdő mondat szintaktikai struktúrája: 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. A szintaktikai viszony típusa A litván nyelvben igen sok a ragozott alak. Ezért nagyon fontos, hogy feltüntessük a szintaktikai viszonyok típusára vonatkozó információkat, mivel ezeket gyakran a szóvégződések fejezik ki. A litván nyelvben a szintaktikai viszonyoknak három típusa van: az alany és az állítmány közötti kölcsönös függés, a mondatban azonos szintaktikai státuszú két vagy több szó közötti mellérendelés, valamint két szó közötti alárendelés, amelyben az egyik meghatározza a másik végződését. Az alárendelés kormányzásra, egyeztetésre és kapcsolódásra oszlik [Ambrazas 1997: 478]. A szintaktikai viszonyok egyes típusait a szerkezetben különböző színek jelölik. A kölcsönös függést lila, kétirányú nyíl jelzi, mivel a két szó kölcsönösen meghatározza egymás alakját; a mellérendelést irány nélküli sárga vonal, mivel a szavak nem befolyásolják egymás alakját; a kormányzást kék, egyirányú, apró pontozott nyíl; az egyeztetést piros, egyirányú nyíl; a kapcsolódást pedig zöld, egyirányú, nagy pontozott nyíl jelöli. Az elöljárószavakat, kötőszavakat és írásjeleket a szavak közötti nyilak feliratai jelzik. A 7. ábra kötőszót tartalmazó mondatra mutat példát. 7. ÁBRA. Kötőszót tartalmazó mondat szintaktikai szerkezete Laukais, miškais ir kalvomis ateina saulėtas ruduo. – A mezőkön, erdőkön és dombokon át megérkezik a napfényes ősz. Straipsniai / Articles 261 DAIVA ŠVEIKAUSKIENĖ 4.2. Szemantikailag felbonthatatlan szócsoportok A szemantikailag felbonthatatlan szócsoport olyan szókapcsolat, amelyben az egyik szó csak a másikkal együtt bővíthet egy szót, a függő szó pedig csak az egész csoportot bővítheti. A csoport egyik szavának és a bővített szónak a kapcsolata önmagában értelmetlen. Mel’chuk hasonló esetet ír le az orosz nyelvből [Mel’chuk 2006: 37]. A felbonthatatlan szócsoportot egyetlen keretben helyezzük el, és azon belül ábrázoljuk a szintaktikai viszonyokat. A 8. ábra egy felbonthatatlan szócsoportot tartalmazó mondat szintaktikai szerkezetét mutatja: Penkis tūkstančius hektarų žemės valdantis ūkininkas pigiai parduoda šviežias daržoves. – Egy ötezer hold földet birtokló gazda olcsón adja el a friss zöldséget. A valdyti – ‘birtokolni’ ige a litván nyelvben tárgyas, és tárgyesetet követel, ezért a tūkstančius–‘ezer’ szó tárgyesetben áll. A számnevek a litvánban birtokos esetet kívánnak, ezért a hektarų–‘hold’ szó birtokos esetben áll. A gazda szemantikailag nem az „ezret” birtokolja, noha a ezer szó abban az esetben áll, amelyet a valdantis–‘birtokló’ igenév szabályoz. Valójában holdakat birtokol, vagyis azt a szót, amely birtokos esetben, azaz a ezer számnév által szabályozott esetben áll. Következésképpen a tūkstančius hektarų ‘ezer hold’ szócsoport szemantikailag felbonthatatlan, ezért a mondat szintaktikai szerkezetében mindkét szó egyetlen keretbe kerül. Az öt szó az ezer jelzője, ezért ugyanabba a keretbe kerül. A nem egyeztetett jelző, a žemės – ‘földé’, az egész keretet, vagyis a benne található teljes szócsoportot bővíti, és más nem egyeztetett jelzőkkel is helyettesíthető, például: ötezer hold erdő. A szemantikailag felbonthatatlan szócsoportot tehát egyetlen lexikai egységnek tekintjük. A számnevek szókapcsolatainak (öt és ezer) kettős szintaktikai viszonyuk van: egyeztetés és kormányzás. Az „ezer” szó esetét (amelynek végződését az ige kormányzása határozza meg) az „öt” szó végződése követi – végződésüknek egyeznie kell (jis valdo penkis tūkstančius hektarų – ötezer holdat birtokol, de penkiems tūkstančiams hektarų jis sunaudojo 10 tonų trąšų – ötezer holdra 10 tonna trágyát használt fel), az „öt” lexéma pedig kormányozza az „ezer” szót, vagyis meghatározott végződést követel meg tőle. Például a ötezer holdat birtokol (jis valdo penkis tūkstančius hektarų) és a húszezer holdat birtokol (jis valdo dvidešimt tūkstančių hektarų) szókapcsolatokban az „ezer” szó végződése különbözik a litván nyelvben. Ezért nagyon fontos, hogy a szintaktikai viszonyok minden típusát pontosan ábrázoljuk. 262 Acta Linguistica Lithuanica LXXIII High Quality Syntactic Annotated Corpus of Lithuanian – VILSINTEKS 8. ÁBRA. Szemantikailag felbonthatatlan szócsoportot tartalmazó mondat szintaktikai szerkezete Penkis tūkstančius hektarų žemės valdantis ūkininkas pigiai parduoda šviežias daržoves (Egy ötezer hold földet birtokló gazda olcsón adja el a friss zöldséget) 5. AZ ANNOTÁLÁS CÉLJAI A természetes nyelvfeldolgozás statisztikai módszere, különösen a gépi fordításban alkalmazva, nem ad kielégítő eredményeket a litván nyelv esetében. A statisztikai elemzés sem szolgáltat kimerítő információt. Ezenkívül a más nyelvekre készített szoftverek sem nyújtanak megfelelő eredményeket a litván nyelv esetében. V. Daudaravičius hosszú ideig foglalkozott a litván nyelv automatikus szintaktikai elemzésével, és a következőket írta: „Naivu manyti, kad metodai, kurie sėkmingai taikomi anglų kalbai, tinka ir kitoms kalboms. – Naivitás azt gondolni, hogy azok a módszerek, amelyeket sikeresen alkalmaznak az angol nyelvre, más nyelvekhez is megfelelnek.” [Daudaravičius 2012: 3]. A VILSINTEKS célja, hogy megbízható és átfogó, a litván nyelv nyelvtanára vonatkozó információkat gyűjtsön a gyakorlatban. A nem statisztikai megközelítéssel létrehozott, kiváló minőségű automatikus szintaktikai elemzés révén, nem statisztikai Straipsniai / Articles 263 DAIVA ŠVEIKAUSKIENĖ A gépi fordítórendszerek lehetővé válnak, különösen a litván mondatok generálása terén. A VILSINTEKS célja, hogy tükrözze a litván nyelv sajátos jellemzőit. A litván mondatokra vonatkozó kimerítő információk áttekinthető formában állnak majd rendelkezésre általános használatra. A korpusz szabadon hozzáférhető lesz az Interneten. Jelenleg a Vytautas Magnus Egyetemen létrehozott szövegkorpusz segítségével példákat kaphatunk az adott szót tartalmazó mondatokra. A VILSINTEKS példákat nyújt majd adott jellemzőkkel rendelkező szintaktikai szerkezetekre, például olyan egyszerű mondatra, amelyben az alany névmás, és más példákra is. Az orosz korpusz alkalmazását hasonlóképpen írják le: példák keresésére szolgáló módban használható, amelyek egy adott nyelvi jelenséget szemléltetnek [НКРЯ –National Corpus of the Russian Language] A kortárs litván nyelv (sajtónyelvi) korpuszának 2 millió szavából az első 500–1000 mondatot kézzel látják el annotációval. Később az annotálás félautomatikus lesz. Az így létrehozott automatikus litván szintaktikai elemzést az annotáláshoz használják, amelyet ezt követően emberi ellenőrzés követ. Az annotálási folyamat során a szoftvert a feltárt hibák figyelembevételével továbbfejlesztik. A legfontosabb feladat egy jól működő automatikus litván szintaktikai elemző elkészítése, amely felhasználható egy transzferalapú gépi fordítórendszer létrehozásához. A TRANSFER módszerben a második lépés a szintaktikai elemzés. Várható, hogy a korpusz szintaktikai annotálása elősegíti az automatikus szintaktikai elemzés fejlesztését. Az annotáláshoz Excel-táblázatokat használnak, mert azok áttekinthető formában jelenítik meg az adatokat, és az Excel-táblázatokból könnyű XML-formátumot előállítani. A VILSINTEX információi XML-formátumban is szabadon hozzáférhetők lesznek. Így többek között felhasználhatók a litván nyelvre vonatkozó statisztikai kutatásokhoz és a litván nyelvtanra vonatkozó információk visszakereséséhez. 6. KÖVETKEZTETÉSEK A litván mondatok szintaktikai szerkezetének ábrázolására gráfot használnak, mert egy fa nem képes visszaadni a litván mondatokban található összes szintaktikai információt. A statisztikai annotálás két példája is megmutatja, hogy a fa nem elegendő a litván mondatok szintaktikai szerkezetének ábrázolására. A litván korpuszban kettős annotálást alkalmaznak: a táblázat a mondatra és annak szavaira vonatkozó kimerítő információkat írja le, a mondat szintaktikai szerkezetét pedig ábra jeleníti meg. 264 Acta Linguistica Lithuanica LXXIII High Quality Syntactic Annotated Corpus of Lithuanian – VILSINTEKS A táblázatban háromféle információ szerepel: az egész mondatra vonatkozó információ (kérdő, elliptikus, személytelen); a mondat minden egyes szavára vonatkozó információ (morfológiai, szintaktikai és szemantikai adatok); valamint nem grammatikai információ (az elliptikus mondatok hiányzó szavai, a névmás mondaton belüli vagy azon kívüli előzménye, a számnév számkifejezése és fordítva, a betűszavak teljes szóalakú megfelelői). A litván mondat szintaktikai szerkezete az első szakaszban három részre tagolódik: az alanycsoportra, az állítmánycsoportra és a mondatzáró karakterre. Az utóbbi nagyon fontos, mert bizonyos esetekben ez az egyetlen kritérium, amely lehetővé teszi a mondattípus (kijelentő vagy kérdő) meghatározását. A mondat szintaktikai szerkezetében a szintaktikai viszonyokat a viszony típusának megfelelően különböző színekkel és vonalstílusokkal ábrázolják. A szemantikailag feloldhatatlan szókapcsolatok egyetlen dobozban helyezkednek el, amelyen belül a szintaktikai kapcsolatok is ábrázolva vannak. A VILSINTEKS célja, hogy kimerítő és megbízható információkat nyújtson a litván mondatokról. Felhasználható a litván nyelv statisztikai kutatására, valamint a litván nyelvtannal kapcsolatos információk visszakeresésére. Nem statisztikai gépi fordítórendszer létrehozásában is segítséget nyújthat. A VILSINTEKS célja a litván nyelvtanra vonatkozó grammatikai információk gyakorlati összegyűjtése. Az első mondatokat kézzel annotálják. Később az annotálás félautomatikus lesz. Az annotáláshoz Excel-táblázatokat használnak, mivel ezek áttekinthetően jelenítik meg az adatokat az emberi felhasználók számára, az annotált korpusz pedig szabadon hozzáférhető lesz az interneten. Az Excel-táblázatokból könnyen előállítható XML-formátum. A VILSINTEKS információi XML-formátumban is szabadon hozzáférhetők lesznek. Így a VILSINTEKS információi felhasználhatók a litván nyelv statisztikai kutatására és a litván nyelvtannal kapcsolatos információk visszakeresésére. 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