DAIVA ŠVEIKAUSKIENĖ

Lietuvių kalbos institutas

Tyrimų sritys: kompiuterinė lingvistika, sintaksinių medžių bankų kūrimas, anotavimo sluoksniai.

AUKŠTOS KOKYBĖS LIETUVIŲ KALBOS SINTAKSIŠKAI ANOTUOTAS KORPUSAS – VILSINTEKS

Aukštos kokybės sintaksiškai anotuotas lietuvių kalbos tekstynas VILSINTEKS

ANOTAVIMAS

Šiame straipsnyje pristatomas dvejopas anotavimas, naudojamas aukštos kokybės lietuvių kalbos korpusui anotuoti. Išsami informacija apie sakinį pateikiama lentelėje, o sintaksinė sakinio struktūra – paveiksle. Remiamasi kitų kalbų patirtimi ir atsižvelgiama į specifinius lietuvių kalbos bruožus. Sintaksinės lietuvių kalbos sakinių struktūros vaizdavimo medžiu nepakankamumas parodomas statistiškai anotuotais pavyzdžiais. Taip pat aiškiai pabrėžiamas tikslas sukurti anotuotą korpusą, kuriame būtų pateikta išsami informacija. Pateikiami anotuotų sakinių pavyzdžiai, atspindintys specifinius lietuvių kalbos bruožus.

REIKŠMINIAI ŽODŽIAI: sintaksiškai anotuotas korpusas; sintaksinės struktūros grafinis vaizdavimas; lietuvių kalbos korpuso anotavimo sluoksniai; lietuvių kalbos sakinių vaizdavimo medžiu nepakankamumas; sintaksiškai anotuoto korpuso tikslas.

ANOTACIJA

Straipsnyje aptariamas dviem lygmenimis atliekamas anotavimas, naudojamas aukštos kokybės anotuotam lietuvių kalbos tekstynui sukurti. Išsami informacija apie sakinį nurodoma lentelėje, o sintaksinė sakinio struktūra nubraižoma grafiškai. Naudojamasi kitų kalbų patirtimi, atsižvelgiant į specifinius lietuvių kalbos bruožus. Medžio nepakankamumas vaizduojant lietuvių kalbos sakinių sintaksinę struktūrą parodomas statistiniu

252

Acta Linguistica Lithuanica ^LXXIII

High Quality Syntactic Annotated Corpus of Lithuanian – VILSINTEKS

metodų 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.

ESMINIAI ŽODŽIAI: sintaksiškai anotuotas tekstynas, sakinio struktūros vaizdavimas grafu, tekstyno anotavimo lygmenys, medžio nepakankamumas vaizduojant lietuvių kalbos sakinius, tekstyno kūrimo tikslas.

1. ĮVADAS

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.

Iš dviejų pagrindinių sintaksinės struktūros vaizdavimo tipų – frazių struktūros gramatikos ir priklausomybių gramatikos – lietuvių kalbai pasirinkta pastaroji, nes „...priklausomybių gramatika labiausiai patraukė kalbų, kurių žodžių tvarka yra palyginti laisva, studentus...“ [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. LIETUVIŲ KALBOS KORPUSO ANOTAVIMAS

Pastaruoju metu daug kalbama ir rašoma apie menką lietuvių kalbos kompiuterizavimo lygį. META-NET duomenimis

Straipsniai / Articles

253

DAIVA ŠVEIKAUSKIENĖ

projekto duomenimis, lietuvių kalba priklauso mažiausiai kompiuterizuotų Europos kalbų grupei [Vaišnienė, Zabarskaitė 2012: 35]. Kitoms kalboms sukurta programinė įranga, taikoma lietuvių kalbai, neduoda patenkinamų rezultatų. Jau seniai metas kalbėti ne apie menką lietuvių kalbos kompiuterizavimą, o apie jos kompiuterizavimo kokybę. Todėl verta atsigręžti į lietuvių kalbą ir pamėginti sukurti savą programinę įrangą, kad lietuvių kalbos kompiuterizavimo kokybė būtų aukšta.

Pirmieji lietuvių kalbos korpuso sintaksinio anotavimo bandymai buvo atlikti 2013 m. Lietuvių kalbos institute Vilniuje sukurtas sintaksiškai anotuotas korpusas VILSINTEKS. Siekiame pateikti kuo daugiau informacijos apie sakinį, ypač jei tai informacija, reikalinga verčiant. Išsami informacija pateikiama Prahos priklausomybių medyne, turinčiame trijų lygmenų anotaciją [Hajič 2000: 103]. Daugiau anotacijos lygmenų viename paveiksle nebūtų įmanoma

PAVEIKSLAS 1. Lietuviško sakinio sintaksinės struktūros pavyzdys Jie gali būti kitokie – They can be different

254

Acta Linguistica Lithuanica LXXIII

High Quality Syntactic Annotated Corpus of Lithuanian – VILSINTEKS

pasiekti, todėl nusprendėme, vaizduodami lietuvių kalbos sakinius, informaciją pateikti dviem dalimis: lentelėje, kurioje nurodoma morfologinė, sintaksinė ir semantinė informacija, o sintaksinė struktūra pateikiama paveiksle.

Lietuvių kalbos sakiniams vaizduoti naudojamas ciklų turintis grafas, nes medis negali atspindėti visos sakinyje esančios sintaksinės informacijos. Predikatyvinis pažyminys priklauso nuo dviejų sakinio dalių: veiksnio arba papildinio ir tarinio. Šie ryšiai yra formaliai išreikšti, todėl jų negalima ignoruoti (plačiau žr. Šveikauskienė 2005: 412).

1 paveiksle parodyta antraštinio sakinio sintaksinė struktūra. Jame yra predikatyvas, kuris formaliais ryšiais susietas su veiksniu ir tariniu; abu šie ryšiai turi būti pavaizduoti anotuojant korpusą.

PAVEIKSLAS 2. Statistiškai išanalizuotas sakinys 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]

PAVEIKSLAS 3. Statistiškai išanalizuotas sakinys 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

Tarininis žodis turi turėti su veiksniu derančią galūnę ir kartu būti prijungtas prie tarinio; tai reiškia, kad jis nėra veiksnio pažyminys.

Pirmieji bandymai sintaksiškai anotuoti lietuvių kalbos tekstyną parodė, kad kitoms kalboms sukurta programinė įranga lietuvių kalbai nedavė gerų rezultatų. Kauno technologijos universitete statistiškai anotuota apie 1500 sakinių [Kapociūtė, Nivre, Krupavičius 2013: 12]. Pateikti rezultatai parodė, kad informacijos, slypinčios

4 PAVEIKSLAS. VILSINTEKS išanalizuotas sakinys Kas nerizikuoja, tas negeria šampano, bet graudžiai ir neverkia

256

Acta Linguistica Lithuanica LXXIII

High Quality Syntactic Annotated Corpus of Lithuanian – VILSINTEKS

FIGURE 5. VILSINTEKS parsed sentence Bet štai pro medį, kuriame sėdėjau, praslinko nedidelis šešėlis

Straipsniai / Articles

257

DAIVA ŠVEIKAUSKIENĖ

sakinių struktūroje. Dviejuose paveiksluose pavaizduoti du išanalizuoti sakiniai, kuriuose abiejuose trūksta labai svarbios informacijos. Pirmajame sakinyje nėra rodyklės tarp tarinio negeria ir veiksnio tas (2 paveikslas).

Antrajame sakinyje nepažymėtas dviejų žodžių medį ir kuriame, kurių galūnės sutampa, derinimo ryšys (3 paveikslas), nors to paties straipsnio autoriai rašė: „daiktavardį apibūdinantis būdvardis turi derėti gimine, skaičiumi ir linksniu“.

Žodžiai medį ir kuriame turi derėti gimine ir skaičiumi, tačiau šios informacijos sakinio struktūroje nėra. Sunku sutikti, kad žodžių kuriame sėdėjau – in which I sat ir pro medį – through the tree ryšiai yra to paties tipo.

Šie VILSINTEKS taikytu metodu anotuoti sakiniai atitinkamai pavaizduoti 4 ir 5 paveiksluose.

3. ANOTACIJOS LYGIAI LENTELĖJE

Lentelėje pateikiama trijų tipų informacija:

Informacija apie visą sakinį,

Informacija apie sakinio žodžius,

Negramatinė informacija apie žodžius ir sakinį.

3.1. Informacija apie visą sakinį

Informaciją apie visą sakinį sudaro jo kodas, t. y. vieta korpuse, tipas ir požymiai. Sakinio požymis nusako jo ypatybę, atsižvelgiant į funkciją tekste, t. y. ar tai antraštė, autorius, paantraštė, ar teksto sakinys. Sakinio tipas nurodo komunikacinę informaciją, t. y. ar sakinys yra teigiamasis, liepiamasis, klausiamasis ir pan., taip pat struktūrinę informaciją: asmeninis, beasmenis, elipsinis, paprastasis, sudėtinis sakinys ir pan. [Ambrazas 1997: 573].

3.2. Informacija apie sakinio žodžius

Kiekvienam žodžiui pateikiami duomenys apie jo numerį sakinyje, morfologiniai duomenys (laikas, linksnis, giminė ir kt.), lema, duomenys apie jo leksinę semantiką,

258

Acta Linguistica Lithuanica LXXIII

High Quality Syntactic Annotated Corpus of Lithuanian – VILSINTEKS

sintaksinę funkciją, tiesioginius sintaksinius ryšius su kitais sakinio žodžiais ir giliuosius linksnius.

Kadangi lietuvių kalboje žodžių tvarka paprastai neteikia sintaksinės informacijos, leksinės semantikos požymiai yra labai svarbūs nustatant žodžio sintaksinę funkciją. Laiko reikšmės požymį turintis galininko linksnio daiktavardis yra aplinkybė, o jo neturintis – papildinys. Jei sakinyje vartojami du galininko linksnio daiktavardžiai, leksinės semantikos požymis kartais yra vienintelis kriterijus, leidžiantis nustatyti sintaksinę funkciją.

3.3. Negramatinė informacija apie žodžius ir sakinį

Lentelėje pateikiama stilistinė informacija apie žodį. Ji padeda parinkti tinkamą atitikmenį kita kalba verčiant žodį.

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.

Lentelėje pateikiami elipsiniuose sakiniuose praleisti žodžiai ir praleistas veiksnys, reiškiamas asmeniniu įvardžiu. Lietuvių kalboje taip nutinka labai dažnai. Veiksnį galima numanyti iš veiksmažodžio galūnės. Esamojo laiko tarinio jungtis taip pat paprastai praleidžiama, todėl lentelėje pateikiami ir šie trūkstami žodžiai.

Lentelėje akronimai pateikiami išskleisti.

Lentelėje skaičiai papildomai pateikiami skaitmenimis, o skaitmenys – skaičiais, nes leksinė skaičių raiška įvairiose kalbose gali skirtis.

Straipsniai / Articles

259

DAIVA ŠVEIKAUSKIENĖ

4. SINTAKSINĖS STRUKTŪROS INFORMACIJOS TIPAI

Pirmajame etape sintaksinėje struktūroje sakinys skaidomas į daiktavardinę grupę, veiksmažodinę grupę ir sakinio pabaigos ženklą. Lietuvių kalboje žodžių tvarka yra laisva, o kartais sakinio pabaigos ženklas yra vienintelė priemonė sakinio tipui nustatyti, t. y. atskirti teigiamąjį sakinį nuo klausiamojo, pavyzdžiui, Tu šiandien laimėjai prizą. – You have won a prize today. ir Tu šiandien laimėjai prizą? – Have you won a prize today?. 6 paveiksle parodyta klausiamojo sakinio sintaksinė struktūra. Sakinio vertimas parenkamas atsižvelgiant į sakinio pabaigos ženklą. Be to, sakinio struktūra vaizduojama taikant priklausomybių gramatiką. Veiksnio grupės viršūnė yra veiksnys, o po juo pavaizduoti jį išplečiantys žodžiai; tarinio grupės viršūnė yra tarinys, o po juo išdėstyti jam subordinuoti žodžiai.

Kiti du laukai, labai svarbūs lietuvių kalbos tekstynui anotuoti, yra žodžių sintaksinių ryšių tipai ir semantiškai neišskaidomos žodžių grupės.

6 PAVEIKSLAS. Klausiamojo sakinio sintaksinė struktūra 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. Sintaksinio ryšio tipas

Lietuvių kalboje yra daug kaitybos formų. Todėl labai svarbu pateikti informaciją apie sintaksinių ryšių tipus, nes jie dažnai reiškiami žodžių galūnėmis. Lietuvių kalboje skiriami trys sintaksinių ryšių tipai: veiksnio ir tarinio tarpusavio priklausomybė, dviejų ar daugiau vienodo sintaksinio statuso sakinio žodžių koordinacija ir dviejų žodžių subordinacija, kai vienas iš jų lemia kito galūnę. Subordinacija skirstoma į valdymą, derinimą ir šliejimą [Ambrazas 1997: 478]. Kiekvienas sintaksinio ryšio tipas struktūroje vaizduojamas skirtinga spalva. Tarpusavio priklausomybė vaizduojama alyviniu dvipusiu rodyklės ženklu, nes abu žodžiai lemia vienas kito formą; koordinacija – geltona bekryptė linija, nes žodžiai neturi įtakos vienas kito formai; valdymas – mėlyna vienkryptė smulkiai punktyrinė rodyklė; derinimas – raudona vienkryptė rodyklė; o šliejimas – žalia vienkryptė stambiai punktyrinė rodyklė. Prielinksniai, jungtukai arba skyrybos ženklai pateikiami kaip etiketės ant žodžius jungiančių rodyklių. 7 paveiksle parodytas sakinio su jungtuku pavyzdys.

7 PAVEIKSLAS. Sakinio su jungtuku sintaksinė struktūra Laukais, miškais ir kalvomis ateina saulėtas ruduo. – Through fields, forests and hills the sunny autumn comes.

Straipsniai / Articles

261

DAIVA ŠVEIKAUSKIENĖ

4.2. Semantiškai neišskaidomos žodžių grupės

Semantiškai neišskaidoma žodžių grupė – tai žodžių junginys, kuriame vienas žodis gali išplėsti kitą tik tada, kai jie vartojami kartu, o priklausomasis žodis gali išplėsti tik visą grupę. Pavienio tos grupės žodžio ryšys su išplečiamuoju žodžiu neturi prasmės. Mel’chuk aprašo panašų atvejį, pastebėtą rusų kalboje [Mel’chuk 2006: 37]. Neišskaidoma žodžių grupė apibrėžiama vienu langeliu, o jos viduje pavaizduojami sintaksiniai ryšiai. 8 paveiksle pateikta sakinio su neišskaidoma žodžių grupe sintaksinė struktūra: Penkis tūkstančius hektarų žemės valdantis ūkininkas pigiai parduoda šviežias daržoves. – A farmer owning five thousand acres of land sells cheap fresh vegetables. Veiksmažodis valdyti – ‘to own’ lietuvių kalboje yra tranzityvinis ir reikalauja galininko, todėl žodis tūkstančius–‘thousand’ yra galininko linksnio. Lietuvių kalboje skaitvardžiai reikalauja kilmininko, todėl žodis hektarų–‘acres’ yra kilmininko linksnio. Ūkininkas semantiškai valdo ne „tūkstantį“, nors žodis thousand yra linksniu, kurį valdo dalyvis valdantis–‘owning’. Iš tiesų jis valdo hektarus, t. y. žodį, kuris yra kilmininko linksnio – šį linksnį valdo skaitvardis thousand. Taigi žodžių grupė tūkstančius hektarų ‘-thousand acres’ yra semantiškai neišskaidoma, todėl abu žodžiai sakinio sintaksinėje struktūroje įrašyti į vieną langelį. Žodis five yra žodžio thousand pažyminys, todėl jis taip pat įrašytas į tą patį langelį. Nesuderinamasis pažyminys žemės – ‘of land’ išplečia visą langelį, t. y. visą žodžių grupę, esančią tame langelyje, ir jį galima pakeisti kitais nederinamaisiais pažyminiais, pavyzdžiui: five thousand acres of forest. Taigi semantiškai neišskaidoma žodžių grupė laikoma vienu leksiniu vienetu.

Skaitvardžių junginiai (five and thousand) turi dvejopus sintaksinius ryšius: derinimo ir valdymo. Žodžio „thousand“ linksnis (jo galūnę lemia veiksmažodžio valdymas) nulemia žodžio „five“ galūnę – jų galūnės turi derėti (jis valdo penkis tūkstančius hektarų – he owns five thousand acres, bet penkiems tūkstančiams hektarų jis sunaudojo 10 tonų trąšų – he used 10 tons of manure for five thousand acres), o leksema „five“ valdo žodį „thousand“, t. y. reikalauja tam tikros jo galūnės. Pavyzdžiui, žodžių junginiuose he owns five thousand acres (jis valdo penkis tūkstančius hektarų) ir he owns twenty thousand acres (jis valdo dvidešimt tūkstančių hektarų) žodis „thousand“ lietuvių kalboje turi skirtingas galūnes. Todėl mums labai svarbu itin tiksliai pavaizduoti visų tipų sintaksinius ryšius.

262

Acta Linguistica Lithuanica LXXIII

High Quality Syntactic Annotated Corpus of Lithuanian – VILSINTEKS

8 PAVEIKSLAS. Sakinio, kuriame yra semantiškai neišsprendžiama žodžių grupė, sintaksinė struktūra Penkis tūkstančius hektarų žemės valdantis ūkininkas pigiai parduoda šviežias daržoves (Farmer owning five thousand acres of land sells cheap fresh vegetables)

5. ANOTACIJOS TIKSLAI

Statistinis natūraliosios kalbos apdorojimo metodas, ypač naudojamas mašininiame vertime, neduoda patenkinamų rezultatų lietuvių kalbai. Statistinė sintaksinė analizė taip pat nepateikia išsamios informacijos. Be to, kitoms kalboms sukurta programinė įranga neduoda pakankamai gerų rezultatų lietuvių kalbai. V. Daudaravičius ilgą laiką dirbo prie automatinės lietuvių kalbos sintaksinės analizės ir rašė: „Naivu manyti, kad metodai, kurie sėkmingai taikomi anglų kalbai, tinka ir kitoms kalboms. – Naivu manyti, kad metodai, sėkmingai taikomi anglų kalbai, tinka ir kitoms kalboms.“ [Daudaravičius 2012: 3].

VILSINTEKS tikslas – sukaupti patikimą ir išsamią informaciją apie lietuvių kalbos gramatiką praktikoje. Kokybiška automatinė sintaksinė analizė, sukurta ne statistiniu metodu, leidžia kurti nestatistinėmis priemonėmis pagrįstas

Straipsniai / Articles

263

DAIVA ŠVEIKAUSKIENĖ

mašininio vertimo sistemas, ypač generuojant lietuviškus sakinius.

VILSINTEKS siekia atspindėti specifines lietuvių kalbos ypatybes. Išsami informacija apie lietuviškus sakinius bus pateikiama aiškiai ir visuotinai suprantamai. Anotuotas korpusas bus laisvai prieinamas internete. Šiuo metu Vytauto Didžiojo universitete sukurtame tekstyne galima gauti sakinių su nurodytu žodžiu pavyzdžių. VILSINTEKS pateiks nurodytų požymių sintaksinės struktūros pavyzdžių, pavyzdžiui, paprastąjį sakinį, kuriame įvardis eina veiksniu, ir kitų. Rusų tekstyno taikymas aprašomas panašiai: jį galima naudoti ieškant pavyzdžių, iliustruojančių nurodytą kalbinį reiškinį [НКРЯ –National Corpus of the Russian Language]

Pirmieji 500–1000 sakinių iš 2 milijonų žodžių šiuolaikinės lietuvių kalbos (publicistikos) tekstyno bus anotuojami rankiniu būdu. Vėliau anotavimas bus pusiau automatinis. Taip sukurta automatinė lietuvių kalbos sintaksinė analizė bus naudojama anotavimui, o vėliau ją peržiūrės žmogus.

Anotavimo proceso metu programinė įranga bus tobulinama atsižvelgiant į nustatytas klaidas. Svarbiausia užduotis – parengti gerai veikiančią automatinę lietuvių kalbos sintaksinę analizę, kurią būtų galima naudoti kuriant transferinę mašininio vertimo sistemą. Taikant TRANSFER metodą, sintaksinė analizė yra antrasis etapas. Tikimasi, kad korpuso sintaksinė anotacija padės tobulinti automatinę sintaksinę analizę.

Anotavimui naudojamos Excel lentelės, nes jose duomenys pateikiami aiškiai, o iš Excel lentelių lengva gauti XML formatą. VILSINTEKS informacija taip pat bus laisvai prieinama XML formatu. Taigi ją bus galima naudoti lietuvių kalbos statistiniams tyrimams, informacijai apie lietuvių kalbos gramatiką gauti ir kitoms reikmėms.

6. IŠVADOS

Lietuvių kalbos sakinių sintaksinei struktūrai vaizduoti naudojamas grafas, nes medis negali atspindėti visos lietuvių kalbos sakinyje esančios sintaksinės informacijos. Du statistinės anotacijos pavyzdžiai rodo, kad medis nepakankamas lietuvių kalbos sakinių sintaksinei struktūrai pavaizduoti.

Lietuvių kalbos tekstynui naudojama dvejopa anotacija: lentelėje pateikiama išsami informacija apie sakinį ir jo žodžius, o sakinio sintaksinė struktūra vaizduojama paveiksle.

264

Acta Linguistica Lithuanica LXXIII

High Quality Syntactic Annotated Corpus of Lithuanian – VILSINTEKS

Lentelėje pateikiama trijų tipų informacija: informacija apie visą sakinį (klausiamasis, elipsinis, beasmenis); informacija apie kiekvieną sakinio žodį (morfologiniai, sintaksiniai ir semantiniai duomenys); ir negramatinė informacija (elipsiniuose sakiniuose praleisti žodžiai, įvardžio antecedentas sakinio viduje ir už jo ribų, skaitvardžio išraiška ir atvirkščiai, pilni akronimų atitikmenys žodžiais).

Pirmajame etape lietuvių kalbos sakinio sintaksinė struktūra skirstoma į tris dalis: veiksnio grupę, tarinio grupę ir sakinio pabaigos ženklą. Pastarasis yra labai svarbus, nes kai kuriais atvejais tai vienintelis kriterijus, leidžiantis nustatyti sakinio tipą (teigiamąjį ar klausiamąjį).

Sakinių sintaksinėje struktūroje sintaksiniai ryšiai vaizduojami skirtingomis spalvomis ir linijų stiliais pagal ryšio tipą.

Semantiškai neišskaidomos žodžių grupės pateikiamos viename langelyje, jame pavaizduojant sintaksinius ryšius.

VILSINTEKS tikslas – pateikti išsamią ir patikimą informaciją apie lietuvių kalbos sakinius. Jį galima naudoti statistiniams lietuvių kalbos tyrimams ir informacijai apie lietuvių kalbos gramatiką gauti. Jis taip pat gali būti naudingas kuriant nestatistinę mašininio vertimo sistemą.

VILSINTEKS siekia praktiškai surinkti gramatinę informaciją apie lietuvių kalbos gramatiką.

Pirmieji sakiniai anotuojami rankiniu būdu. Vėliau anotacija bus atliekama pusiau automatiškai. Anotacijai naudojamos Excel lentelės, nes jos pateikia žmogui aiškiai suprantamą informaciją, o anotuotas tekstynas bus laisvai prieinamas internete. XML formatą iš Excel lentelių gauti paprasta. VILSINTEKS informacija taip pat bus laisvai prieinama XML formatu. Taigi VILSINTEKS informacija gali būti naudojama statistiniams lietuvių kalbos tyrimams ir informacijai apie lietuvių kalbos gramatiką gauti.

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