Automatická morfologická analýza z hlediska pokrytí a nepokrytí morfologických variant
Klára Osolsobě, Hana Žižková
osolsobe@phil.muni.cz
h.zizkova@email.cz
Korpusová lingvistika Praha 2016
1

Rezervy automatické morfologické analýzy
•Kde se berou chyby v automatické morfologické analýze? •Jaká úskalí mohou přinést pokusy o
odstranění těchto chyb?
Korpusová lingvistika Praha 2016
2

Kde se berou chyby v automatické morfologické analýze?
•Tvar je ve slovníku a je chybně desambiguován v důsledku tvarové homonymie •Ve slovníku
automatického analyzátoru chybí adekvátní interpretace, tvar/word tudíž nemůže být správně
interpretován (podgenerování na rovině slovníku)
•
•
Korpusová lingvistika Praha 2016
3

Tvar je ve slovníku
Korpusová lingvistika Praha 2016
4

a je chybně desambiguován
Korpusová lingvistika Praha 2016
5

v důsledku tvarové homonymie
Korpusová lingvistika Praha 2016
6

Popis homonym
Korpusová lingvistika Praha 2016
7

Ve slovníku automatického analyzátoru chybí adekvátní interpretace, tvar/word tudíž nemůže být
správně interpretován (podgenerování na rovině slovníku)
Korpusová lingvistika Praha 2016
8

Možná řešení a jejich úskalí
•Guessery
•Doplňování slovníku
Korpusová lingvistika Praha 2016
9

Tvar/varianta není ve slovníku, přestože jiné tvary/varianty ve slovníku jsou, tudíž nemůže být
správně desambiguován
Korpusová lingvistika Praha 2016
10

Nedostatečné pokrytí má vliv na nepřesnou analýzu
•Řešení: DOPLNĚNÍ TVARŮ DO SLOVNÍKU = ZLEPŠENÍ VÝSLEDKŮ AUTOMATICKÉ ANALÝZY
•PROBLÉMY
•
Korpusová lingvistika Praha 2016
11

Pokrytí slovníku je v pořádku, ale  výsledky analýzy nejsou přesné
•Tvar/varianta není ve slovníku, přestože jiné tvary/varianty ve slovníku jsou, je ovšem homonymní
s tvarem, který ve slovníku je, a tak desambiguace je technicky vzato v pořádku, nicméně neodpovídá
skutečnosti
Korpusová lingvistika Praha 2016
12

Nejde o chybu v desambiguaci, ale i o podgenerovaný slovník
Korpusová lingvistika Praha 2016
13

Úskalí odstranění podgenerování na rovině slovníku automatického analyzátoru
•Dopad odstranění podgenerování na výsledky automatické morfologické analýzy
•Typy podgenerováných jednotek
Korpusová lingvistika Praha 2016
14

PODGENEROVANÉ JEDNOTKY – tvary sloves (sloveso – klíčové pro další stupně analýzy – pravidlovou
desambiguaci)
•Příprava manuálu pro doplnění tvarů sloves nezachycených automatickou analýzou
•Zachycení tvarů sloves uzavřených tříd
•Zachycení tvarů sloves otevřených tříd
•Zachycení variant z hlediska dichotomie kodifikovaný a nekodifikovaný
Korpusová lingvistika Praha 2016
15

Konkrétní příklady
•Krácení dlouhých infinitivů
(http://www.karaoketexty.cz/texty-pisni/lidove-pisne/co-sa-to-supoce-60336) •Tvar 3. pl. ind. préz.
akt. Na –[eě]j (viz snímek č. 13), potenciální homonymie s tvarem 2. sg. imp.
•
Korpusová lingvistika Praha 2016
16

Krácení dlouhých infinitivů
Korpusová lingvistika Praha 2016
17

PRO POROVNÁNÍ DATA Z KORPUSU SYN
Korpusová lingvistika Praha 2016
18

A Z KORPUSU ORAL2013
Korpusová lingvistika Praha 2016
19

Homonymie imperativu 2. sg. a substandardního tvaru 3. pl. ind. préz. akt.
Korpusová lingvistika Praha 2016
20

Morfio – nástroj na detekci variant
(SYN2015)
Korpusová lingvistika Praha 2016
21

Nejde vždy o vzor sázet a homonymii substandardního tvaru    s tvarem standardním
(SYN2010)
Korpusová lingvistika Praha 2016
22

Závěr
•Slovník automatického analyzátoru má rezervy a nedostatky jsou při využití korpusů vidět.
•Doplnění slovníku a zvýšení jeho pokrytí je      v zásadě možné a díky korpusům lze zajistit
zachycení jak centrálních, tak okrajových variant.
•Zvýšení pokrytí slovníku nemusí znamenat zlepšení přesnosti automatické morfologické analýzy.
Korpusová lingvistika Praha 2016
23

Kam dál?
•Chceme novou automatickou morfologickou analýzu, i když víme, že i ona bude obsahovat chyby? •Ano,
ale informujme uživatele o tom, na které úrovni která chyba vzniká!
•
•Děkuji Vám za pozornost.
•
Korpusová lingvistika Praha 2016
24

Bibliografie
•BABINCOVÁ, Adriana. Morfologické varianty jako problém strojové analýzy češtiny. FF MU: Brno.
2015. (Nepublikovaná bakalářská práce pod vedením K. Osolsobě).
• HLAVÁČKOVÁ, Dana. Korpusové zpracování korespondenčních textů: morfologické značkování. In
Hladká, Zdeňka a kol.. Soukromá korespondence jako lingvistický pramen. Vyd. 1. Brno: Masarykova
univerzita, 2013. s. 19-31.
• HLAVÁČKOVÁ, Dana a Klára OSOLSOBĚ. Morfologické značkování mluvených korpusů, zkušenosti a
otevřené otázky. Kopřivová, Marie, Waclawičová, Martina. In Čeština v mluveném korpusu. 1. vyd.
Praha: Nakladatelství Lidové noviny/ Ústav Českého národního korpusu, 2008. s. 105-114.
• OSOLSOBĚ, Klára. Slovesné tvary nerozpoznané automatickou morfologickou analýzou. Rkp. 2016.
•PETKEVIČ, Vladimír. Morfologická homonymie v současné češtině. Praha: Nakladatelství Lidové
noviny/ Ústav Českého národního korpusu, 2016.
Korpusová lingvistika Praha 2016
25