Sémantická analýza
WordNet
PLIN059
Mgr. Dana Hlaváčková, Ph.D.
Sémantická analýza
• sémantika (významy slov, slovních spojení)
• sémantické vztahy (hyperonymie – hyponymie)
• často navazuje na analýzu morfologickou a syntaktickou
– min. určení slovních druhů (entity a abstrakce –
substantiva, děje – slovesa, vlastnosti – adjektiva)
• snaha o formální popis významů (jazykově nezávislý)
• ontologie
• pojmenované entity (information retrieval)
• analýza sentimentu
• sémantické sítě
Ontologie
• ontologie – významové struktury, skládají se z
tzv. konceptů
– mělká (shallow)
– strukturovaná, hierarchická
– vrcholová (top ontology, upper ontology)
• SUMO http://www.adampease.org/OP/
– doménová (znalostní obor, terminologie,
taxonomie)
Pojmenované entity
• named entity
• hledání předem definovaných kategorií v
nestrukturovaném textu
• „sémantické nálepky“ ke slovům, slovním spojením,
číslicím a znakům
• Named Entity Recognition (NER, CZPJ FI MU)
– https://nlp.fi.muni.cz/projekty/ner/v2/
• Czech Named Entity Corpus (CNEC, ÚFAL MFF UK)
– http://ufal.mff.cuni.cz/cnec/cnec2.0
Sémantické sítě
• FrameNet
– https://framenet.icsi.berkeley.edu/fndrupal/
• VerbNet
– https://verbs.colorado.edu/~mpalmer/projects/ve
rbnet.html
• WordNet
– http://wordnet.princeton.edu
WordNet – motivace
• G. A. Miller (Princeton University) – psycholog
a psycholingvista, psycholexikologie
• uspořádání významů v lidské lexikální paměti
• hierarchie
• experimenty – asociační testy, schopnost
zpracovávat anaforické výrazy
WordNet – struktura
• model lexikální paměti, sémantická síť
• synset – synonymická řada (blízká synonyma), literál +
číslo významu
• substantiva, adjektiva, verba, adverbia
• hierarchická struktura – hyperonyma, hyponyma,
kohyponyma
• substantiva – tematické hierarchie
• verba – vztah vyplývání
• další sémantické vztahy – antonyma, holonyma,
meronyma, domény ontologií SUMO, MILO
• derivační vztahy
WordNet – projekty
• Princeton WordNet (1990–1995) – americká
angličtina, G. A. Miller, Christiane Fellbaum
• EuroWordNet – Piek Vossen, University of
Amsterdam
– EWN I (1997–1998) – angličtina, holandština, italština,
španělština
– EWN II (1998–1999) – francouzština, němčina,
čeština, estonština
• Balkanet (2001–2004), D. Christodoulakis,
University of Patras – turečtina, rumunština,
řečtina, bulharština, srbština, čeština
EuroWordNet
• Base Concepts – jádro slovní zásoby (cca 1000
synsetů)
• Top-Ontology – 63 konceptů
– entity 1. řádu = objekty
– entity 2. řádu = stavy a procesy
– entity 3. řádu = abstraktní pojmy (množina)
• Interlingual Index – číslo, které propojuje
významy v jednotlivých wordnetech
Odkazy
• Global WordNet Association
• http://www.globalwordnet.org
• nástroje, prohlížeče
• VisDic, DEBVisDic (doplněk Firefoxu), DEBVisDic 2 (webové
rozhraní)
• Responsivity Aware Wordnet viewer (RAW)
• https://deb.fi.muni.cz/raw-viewer/rawviewer.html