1
Propria (příjmení na -č) - problém automatické morfologické analýzy
Klára Osolsobě
osolsosobe@phil.muni.cz
„Co pořád máte s tím datlem?“
(Rabbi Jacob)
Zdrojem jazykové komiky na straně jedné a kamenem úrazu v oblasti aplikací NLP (natural
language processing - počítačové zpracování přirozeného jazyka) na straně druhé jsou
nejrůznější případy víceznačnosti, které se v jazyce běžně vyskytují. Jednou ze zhusta
citovaných „homonymií“ je případ, kdy slovotvorný modul (počítačový program, který má za
úkol generovat/analyzovat utvořená slova) mylně přiřadí substantivum datel ke slovesu dát.
Pokud by ovšem příslušná aplikace (slovotvorný modul) byla propojena s automatickým
morfologickým analyzátorem (modulem tvarotvorným), mělo by být nemožné k uvedenému
výsledku dojít, neboť všechna deverbativa (činitelská jména na –tel) se v nové češtině 1)
skloňují podle měkkého vzoru (muž/učitel) a 2) při flexi u nich nedochází k samohláskové
alternaci (při tvoření tvarů s nenulovou koncovkou nemizí -e-, které je součástí sufixu -tel).
Obě tato jednoduchá pravidla jsou v případě substantiva datel porušena. V této studii
opustíme rovinu žertovnou a pokusíme se ukázat, jakým omylům je třeba předcházet při
pokusech o aplikaci automatické syntézy/analýzy derivace slov v češtině. Naší pozornosti se
budou v zájmu jubilantky těšit vlastní jména, a to příjmení na -č.
Poznámka: Jména činitelská tvořená sufixem –tel se v češtině jako příjmení téměř nevyskytují. Příjmení
nevznikla ani z přídomků (Vilém Dobyvatel), či přezdívek (Jan Křtitel, Adam Stvořitel). Situace je jiná u derivátů
(nejen deverbativ) na –č. Ty se totiž od nejstarších dob jako příjmí, posléze příjmení objevují.
Automatická morfologická analýza proprií
Jedním z problémů automatické morfologické analýzy užívané v nejrůznějších aplikacích
k morfologickému značkování jazykových korpusů je nutná omezenost strojových slovníků,
nad nimiž příslušné programy operují, na straně jedné a neomezené bohatství slovních tvarů v
textech, které tvoří jazykové korpusy, na straně druhé. Automatické nástroje sloužící
k automatickému značkování korpusů se navíc nebudují pro jeden jediný korpus
s vymezeným a omezeným rozsahem slovních tvarů a lemmat. Mezi jednotkami, které se
v textu náhodně vyskytují s malou frekvencí, se často objevují mj. též propria. Zpracování
proprií v rámci automatické analýzy naráží na řadu problémů. Prvním je otázka, jak řešit
tokenizaci tj. rozčlenění textu na jednotky (pozice), které budou předmětem další analýzy.
2
Tokenizace vlastních jmen souvisí s velmi rozsáhlou oblastí automatického zpracování tzv.
MWD (multi words expressions - víceslovných výrazů) jako např. Ho či min, F. X. Šalda,
Ludwig wan Beethoven, Nové Město nad Metují, ..., kterou ovšem v rámci této studie
ponecháme stranou. Druhou otázkou je otázka lemmatizace. Pokud je ve slovníku
automatického morfologického analyzátoru interpretovaný tvar doložen pouze jako proprium,
pak lemma začíná velkým písmenem, takže tvaru Pavlovi přiřadí automatická morfologická
analýza lemma Pavel. Pokud je interpretovaný tvar doložen i jako apelativum (homonyma),
pak lemma začíná buď písmenem malým nebo velkým. Výsledky disambiguace tj. přiřazení
jednoznačné interpretace v případě, že automatická analýza nabízí více řešení (např.:
<Luka> v zimě, ano v zimě jsou <luka > jiná. <Luka > zvou na noční lyžování. <Luka >
Petrovič funěl jako lokomotiva. Já jsem <dán> symbiózou karikatury a ilustrace. Já jsem
<Dán> a kašlu na politiku.), nejsou příliš zdařilé. Důvodem je snad i to, že využívání
lingvisticky motivovaných intuicí (např.: pokud řetězec uvnitř věty – formálně tehdy, když
nenásleduje po znaku „.” nebo „!“ nebo „?“ nebo „:“– začíná velkým písmenem a zároveň je
ve slovníku interpretován jako slovo, jehož lemma může začínat velkým písmenem, pak je
třeba dát této interpretaci přednost) naráží na řadu problémů. Propria, a to především příjmení,
výrazně narušují uvedené pravidlo tím, že se nezřídka vyskytují po znaku „.“ (tečka), který
stojí za iniciálou křestního jména (např. T. Mazáč, F. Topič, ...). Pro automatickou analýzu,
která neumí rozlišit tečku za zkratkou a tečku jako interpunkční znak signalizující konec věty,
je pak příjmení stojící za iniciálou křestního jména nerozpoznatelné bez dalších pravidel od
případu, kdy se slovo (libovolné) na začátku věty píše s velkým počátečním písmenem. Při
lemmatizaci proprií je tedy poměrně nesnadně řešitelný problém lemmatizace proprií, která
v jazyce figurují (mouhou figurovat) jako apelitava. Sem patří i celá řada příjmení.
V naší studii se ovšem budeme věnovat pouze jedné z otázek, která souvisí s homonymií
apelativum/proprium. Na základě analýzy proprií doložených v korpusech ČNK, konkrétně
příjmení na –č, se budeme snažit doplnit seznamy výjimek, které mohou pomoci zabránit
„přegenerovávání“ při aplikacích pravidel automatické analýzy derverbativ na –č
(činitelská/prostředků). V tomto článku navazujeme na formální popis derivace deverbativ na
–č (Osolsobě 2008) a věnujeme se propriím, která v citované studii zůstala stranou našeho
zájmu.
Poznámka: V analýze budeme vycházet z materiálu tří korpusů psaného jazyka. SYN2000 (100 milionů slovních
tvarů), SYN2005 (100 milionů slovních tvarů) jsou vyvážené (zahrnují texty v udaném percentuálním poměru
zastupujících všechny funkční styly). Korpus SYN2006PUB (300 milionů slovních tvarů) zahrnuje
výhradně publicistické texty.
3
Automatická morfologická analýza a problém „přegenerovávání“
Jedním z podstatných rysů aplikací automatické analýzy je tzv. přegerovávání, tj. gnerování
tvarů, které jsou z hlediska systému automatické analýzy „správné“, ale z hlediska úzu jsou
buď periferní, nebo nejsou doložené, popřípadě jsou homonymní s tvary, které nejsou
utvořeny podle příslušných pravidel, ale odpovídají pravidlům jiným (např. podle jednoho
z pravidel pro generování deverbativ na –č se správně generují dvojice bít/bič, mýt/myč,
rýt/rýč, šít/šič a dokonce i krýt/krýč, žít/žíč, nesprávně pak dvojice *mít/míč, *mlít/mlíč,
*týt/tyč, podle jiného z pravidel navržených pro automatické generování deverbativ na –č se
správně generují dvojice kopat/kopáč, mazat/mazáč, orat/oráč a nesprávně dvojice
*krkat/krkáč, *tutat/tutáč, *volat/voláč, *zelenat/zelenáč).
Zabránit přegenerování je jedním z cílů s nimiž se automatická morfologická analýza musí
vyrovnávat. Jedním z prostředků omezení přegenerovávání je pokud možno co nejrozsáhlejší
přehled o nejrůznějších výjimkách z formálních pravidel. Korpusy poskytují díky svému
rozsahu (stamilióny slovních tvarů) a povaze (empirická data) celou řadu informací, které si
donedávna nebylo dost dobře možné představit. Jejich předností je mimo jiné i to, že se v nich
objevují slova nezachycená v dosavadních popisech jazyka (především ve slovnících), a to ve
svém přirozeném užití, které je možno zkoumat.
Příjmení na –č v korpusech ČNK
V následující tabulce uvádíme přehled počtu lemmat začínajících velkým písmenem (tvarů
analyzovaných automatickou morfologickou analýzou jako propria), zakončených na –č, jimž
automatická morfologická analýza přiřadila značku maskulinum životné (NNM.*).
Rozdělujeme je (řádky) podle toho, zda před –č předchází konsonant (C), nebo vokál.
[lemma=“(A|Á|B|C|Č|D|Ď|E|É|F|G|H|I|Í|J|K|L|M|N|Ň|O|Ó|P|Q|R|Ř|S|Š|T|Ť|U|Ú|V|W|X|Y|Z|Ž).*č“ &
tag=“NNM.*“]
SYN2000 SYN2005 SYN2006PUB
Cč (Renč) 8 62 18
ač (Hubač/Zuvač) 33 128 52
áč (Hlaváč/Mazáč) 37 78 53
eč/ěč (Peč/Pěč) 0 15 2
éč (Péč) 0 0 1
ič (Topič/Frič) 548 918 911
íč (Síč/Píč) 1 7 3
oč (Kaloč) 2 21 5
4
uč (Bezruč/Rouč) 3 15 3
úč (Balúč) 1 1 1
yč (Fryč/Nyč) 3 45 4
ýč (Nýč) 1 2 2
ostatní 0 15 0
CELKEM 637 1305 1055
Poznámka: Při značkování korpusu SYN2005 byly použity tzv. guessery (hadače), tj. automatické programy
zaměřené na „uhadování“ informace u slov, kterým automatický analyzátor nepřiřadí ani jednu interpretaci.
Tyto automatické nástroje bývají založeny na různých přístupech (lingvistických, statistických, kombinovaných)
(srv. Hlaváčová 2001). Používáním guesseru si lze vysvětlit nárůst počtu lemmat, která vyhovují zadaným
požadavkům (přiřazení značky indikující maskulinum životné) v korpusu SYN2005 oproti korpusům SYN2000,
SZN2006PUB, při jehož značkování guesserů použito nebylo. Mnoho tvarů je ovšem analyzováno chybně, a to
jak na úrovni lemmatu, tak na úrovni morfologické značky. Větší počet lemmat u korpusu SYN2006PUB lze
přičíst na vrub jeho rozsahu (300 milionů tvarů) i složení (publicistické texty).
Příjmení na –č s potenciální slovesnou motivací v korpusech ČNK
Apelativa (tedy i deverbativa na -č) mohou fungovat jako propria (srv. např. příjmení typu
Mazáč, Topič, ...). Pro průzkum příjmení na -č, která mohou být odvozena od sloves jsme
užili materiál získaný ze synchronních korpusů ČNK. Zvolili jsme následující postup.
Vyhledali jsme všechna lemmata začínající velkým písmenem a končící na –ač, -áč, -eč, -ěč, ič,
-íč, -yč, -ýč, mající značku substantiva, maskulina životná (NNM.*). Tento postup vychází
z analýzy jazykových dat získaných z rozsáhlého strojového slovníku českých kmenů
(Osolsobě 1996) a z korpusů ČNK, na jehož základě se ukázalo, že lemmata substantiv, která
mohou být v češtině deverbativy na –č, musí splňovat dvě formální podmínky: 1) před –č
nesmí předcházet konsonat a 2) vokál, který předchází před –č není –é-, -o-, -ó-, -u-, -ů-, (-ú-)
(Osolsobě 2008).
[lemma=“(A|Á|B|C|Č|D|Ď|E|É|F|G|H|I|Í|J|K|L|M|N|Ň|O|Ó|P|Q|R|Ř|S|Š|T|Ť|U|Ú|V|W|X|Y|Z|Ž).*(
(a|á|e|ě|i|í|y|ý)č“ & tag=“NNM.*“]
Seznamy lemmat jsme podrobili ruční analýze a vytřídili jsme propria, ke kterým by bylo
možné na základě formálních pravidel derivací sloveso - činitelské jméno na –č (Osolsobě
2008) generovat automaticky existující česká slovesa. V následující tabulce uvádíme přehled
počtu lemmat, která jsou po formální stránce kandidáty na propria od původu deverbativa na
–č (KDČ).
KDČ SYN2000 SYN2005 SYN2006PUB
ač (Zuvač) 12 18 20
áč (Mazáč) 9 15 23
5
ěč (Pěč) 0 0 1
ič (Topič) 7 14 22
íč (Síč) 0 2 2
yč (Nyč) 0 2 1
ýč (Nýč) 0 2 1
CELKEM 28*
53**
70***
*
Bukač/502, Machač/176, Tykač/153, Kopač/79, Salač/68, Piskač/56, Pleskač/25, Drač/10, Kovač/7, Tleskač/6,
Takač/6, Dupač/2, Kováč/2269, Řezáč/260, Tkáč/117, Klepáč/79, Takáč/26, Mazáč/19, Klapáč/14, Klofáč/9,
Tokáč/1, Čič/120, Zvonič/81, Radič/22, Bulič/7, Prudič/3, Hajič/2, Banič/1.
* *
Tykač/48, Kopač/46, Bukač/33, Salač/32, Machač/32, Piskač/21, Kovač/20, Dupač/20, Klapač/10, Pleskač/9,
Trsač/4, Šťourač/3, Kukač/2, Sochač/1, Drač/1, Tlachač/1, Kutač/1, Lupač/1, Kováč/163, Řezáč/78, Tkáč/63,
Klepáč/22, Takáč/19, Mazáč/16, Klofáč/8, Kudláč/5, Konáč/3, Klapáč/3, Lupáč/1, Kutáč/1, Kropáč/1, Kakáč/2,
Běláč/1, Čič/10, Zvonič/9, Mastič/4, Radič/4, Pilič/3, Mič/3, Bilič/3, Banič/2, Sič/2, Bajič/2, Minič/2, Mršič/2,
Prudič/1, Dymič/1, Píč/17, Síč/10, Nyč/18, Byč/2, Nýč/10, Týč/1.
* * *
Bukač/1861, Tykač/608, Machač/522, Kopač/324, Salač/265, Piskač/147, Kovač/92, Pleskač/61, Lupač/44,
Klapač/29, Kukač/28, Drač/20, Rachač/14, Hupač/13, Takač/12, Dupač/12, Tlachač/10, Buchač/7, Bryndač/7,
Kutač/7, Řezáč/1120, Tkáč/288, Klepáč/279, Takáč/181, Klofáč/142, Mazáč/134, Klapáč/89, Kutáč/45,
Kudláč/18, Lupáč/10, Hrabáč/10, Konáč/4, Racháč/1, Čič/302, Zvonič/178, Pilič/94, Bilič/83, Radič/52,
Matič/22, Banič/16, Jevič/16, Kudlič/16, Hajič/15, Bulič/11, Prudič/10, Mastič/8, Rosič/7, Mučič/7, Čelič/5,
Mamič/5, Manič/5, Medič/4, Trudič/2, Spasič/2, Musič/1, Dražič/1, Síč/35, Píč/15, Nyč/193, Nýč/80, Pěč/3.
Při nalezení jakékoli jednotky v korpusu je možné sledovat její kontext. Kontext vypovídá a
napovídá mnohé o významu (motivaci) jednotek i o jejich užití. Situace je ovšem
komplikovanější u proprií, jejichž motivace je mnohdy hůře odhalitelná, a na rozdíl od
motivace apelativ nebývá možné ji uhádnout z kontextu. Proto jsme se opírali především o
příslušnou onomastickou literaturu, v níž jsme nalezli výklad většiny sledovaných příjmení
(Beneš 1962, 1970, Moldánová 2004).
V uvedených seznamech (číslice znamenají frekvenci lemmatu v příslušném korpusu) se na
první pohled vyskytují příklady „přegenerovávání“ automatické morfologické analýzy, která
přiřadí podle vzoru vázat/vazač proprium Machač k verbu máchat, zatímco pro Macháč
(*machat) pravidlo nenalezne. Obě substantiva jsou tvořena od antroponyma Mach
z osobního jména Mathias (Beneš 1962, Pleskalová 1998: 61).
Nejpravděpodobnější se zdá být motivace slovesným základem u jmen na -ač/-áč.
Slovníky uvádějí apelativa neživotná maskulina substantiva dráč, kakáč, klapač, klapáč,
klepač, klepáč, klofáč, tykač (PSJČ) a životná maskulina bukač, piskač, kutač (SSJČ), pleskač
(PSJČ), tleskač, tkáč (SSJČ i PSJČ), dále feminina dupačky, šťouračka, dračka (jít na
dračku), tlachačka. Alternace kořenové samohlásky u apelativních deverbativ jsou dosti
rozkolísané, slovníky připouštějí v řadě případů dublety. Dublety se objevují i u proprií (srv.
apelativum dráč a propria Dráč (Beneš 1962: 290) i Drač doložené ve sledovaných
korpusech.
6
U substantiv na –ič jsou doložena apelativa životná maskulina hajič, radič (SSJČ), zvonič
(PSJČ, SSJČ).
Mezi příjmeními na -ač/-áč jsme v příslušné onomastické literatuře (Beneš 1962: 285 nn.,
Moldánová 2004) našli potvrzenu slovesnou motivaci u příjmení Bryndač, Dráč (nikoli
Drač), Dupač, Hupač, Kakač/Kakáč, Klapač, Klepáč, Klofáč, Kukač, Lupáč/Lupač,
Mazač/Mazáč Pleskač, Štourač/Šťourač, Tlachač, Tykač, dále Bukač, Hrabáč, Kováč,
Kropáč, Kutač, Řezáč, Tkáč (ibid.: 2004). Beneš řadí některá z nich do jednotlivých skupin
jako např. příjmení z názvů čeledi a podobných stálých pracovníků, příjmením z názvů
výrobců textilního zboží a oděvníků atd., slovesná motivace je přípustná.
U propria Piskač uvádí Beneš (1962: 225) motivaci substantivem pysk (příjmení z názvů částí
obličeje a hlavy), zatímco Moldánová (2004: 140) se přiklání k motivaci slovesem (srv.
apelativum pískač, řidč. piskač synonymní k pištec).
Příjmení Buchač/Bucháč jsme v příslušné literatuře nenalezli, našli jsme ovšem příjmení
Bucháček, které je interpretováno buď jako příjmení od slovesného základu (Beneš 1962:
290), nebo jako příjmení od osobního jména Budislav (Moldánová 2004: 35).
Adjektivní motivaci mají dle literatury jména Běláč a Kudláč. Automaticky generované
dvojice *bělat/Běláč, *kudlat/Kudláč jsou případem hledaného přegenerovávání.
Příjmení Racháč, Salač pocházejí z osobních jmen Rach (Moldánová 2004: 152), Salamon
(ibid.: 164). Automaticky generované dvojice *rachat/Racháč *sálat/Salač jsou dalšími
případy hledaného přegenerovávání.
Interpretaci příjmení Konáč, Sochač, Trsáč, Tokáč jsme nenalezli v uvedené literatuře.
Domníváme se, že příjmení Konáč je téhož původu jako Konečný (substantivní motivace). Se
substantivní motivací se běžně setkáváme u apelativ na –áč (kafáč, květináč, malináč, ...).
Ačkoliv jsme nenalezli výklad příjmení Trsač, Sochač, ale pouze Trs, Trsek (příjmení z názvů
rostlin (pícnin) a Soch, Socha, Sochorek (příjmeními z názvů dřevěných nástrojů) (Beneš
1962), jeví se nám přijatelnější motivace substantivy (socha, trs) než interpretace nabízená
automatickým generováním *sochat/Socháč, *trsat/Trsáč. U příjmení Tokáč váháme. V
příslušné literatuře jsou doložena příjmení Tocháč od osobních jmen Tobiáš/Tomáš a Tokan
od slovesa tokat (Moldánová 2004).
Příjmení Takač/Takáč pochází z maďarštiny (Takacz), kde znamená tkadlec (Moldánová
2004: 194). Automatické generování dvojice *takat/Takáč je opět příkladem přegenerovávání.
Nejvíce je přegenerovávání patrné u proprií na –ič vesměs jihoslovanských vlastních jmen.
Slovesnou motivaci potvrzuje příslušná literatura u jmen Hajič, Radič, Sič, Zvonič.
7
U příjmení Prudič (v korpusech je doloženo i apelativum prudič) se uvádí motivace
adjektivem prudký (Moldánová 2004).
Přestože slovníky i korpusy dokládají slovesa bájit, bánit, bílit, bulit, čelit, čít, dražit, dýmit,
jevit, kudlit, mámit, manit, matit, mastit, medit, mít, mršit, mučit, musit, pílit, radit, rosit, sít,
spasit, trudit, šlo by v případě automatického generování dvojic sloveso/substantivum na –ič
doložené výše uvedenými proprii o příklad přegenerování automatické analýzy.
Z lingvistického hlediska je kromě toho, že se jedná o propria (která se chovají v rámci
systému jinak než apelativa), možné vyjít z faktu, že deverbativa na –č se tvoří v naprosté
většině případů od imperfektiv, což by ovšem mohlo pomoci vyloučit pouze chybné
automatické generování dvojice *spasit/Spasič.
V literatuře jsme nenalezli příjmení Čič. Beneš (1962: 163) řadí proprium Čičová do skupiny
příjmení derivovaných od místních jmen (Čičovice), uvádí ovšem též příjmení z názvů savců
(kočička) Čičalka, Čičatka (ibid.: 190). Pleskalová (1998: 65) uvádí Čáč/Čieč od vlastního
jména Čáslav.
U jména Bulič by mohla připadat v úvahu příbuznost s příjmeními z názvů savců (Beneš
1962: 198) Bulík, Bulíček. U jména Dražič není pravděpodobná příbuznost s příjmeními ze
sloves typu prosit (ibid.: 272) Dražil, či deverbativem (ibid.: 289) Dražka. Příhodnější se jeví
příbuznost se jmény z obyvatelských názvů (ibid.: 167) (Dražan), či zdrobnělinami
z osobních křestních jmen (ibid.: 109, 118, 123) Dražek, Dražík, Dražka.
Pro výklad dalších proprií na –ič doložených v korpusech se nám nepodařilo najít v odborné
literatuře žádnou oporu. Dle kontextu (křestních jmen, rozvíjejících adjektiv „chorvatský,
jugoslávský, jihoslovanský, ...“) jde o jihoslovanská příjmení.
U poměrně řídce doložených příjmení na -íč, -yč, -ýč, -ěč, se setkáváme především
s motivacemi vlastními jmény. Jediný případ deverbativa je příjmení Síč (Moldánová 2004).
V korpusech je sice doloženo apelativní kompozitum se zadním členem deverbativem na –č
čajpíč, interpretace příjmení Píč, Nýč, Týč, Byč, Pěč jakožto deverbativ od sloves pít, nýt, týt,
být, pět, nabízená automatickou analýzou, se nepotvrdila. Příjmení Píč, Nýč, Týč pocházející
z německých příjmení (Beneš 1962) a jsou motivována osobními jmény Petr, Nicolaus,
Dietrich (Moldánová 2004). U Týč a Pěč se uvádí motivace adjektivy tiutch – deutsch a pěkný
(ibid.: 2004). V literatuře uvedené níže jsme nenašli výklad příjmení Byč.
8
Příjmení na -č odvozená od sloves v korpusech ČNK
Z celkového počtu kandidátů na propria od původu deverbativa na –č (KDČ) jsme v literatuře
našli analyzovány tyto doklady proprií, které jsou od původu deverbativa na –č (DČ) pouze u
některých kandidátů uvedených výše. Počty DČ uvádíme v tabulce.
KDČ DČ přegenerovávání
SYN2000 28 8+6+2=17 11
SYN2005 53 13+10+3+1=27 26
SYN2006PUB 70 15+9+2=27 43
CELKEM různých 24+18+29+7=77 17+12+4+1=34 43
?Buchač, Bukač, Bryndač, Drač, Dupač, Hupač, Klapač, Kopač, Kovač, Kukač, Kutač, Lupač, Machač,
Piskač, Pleskač, Rachač, Salač, Sochač, Šťourač, Takač, Tlachač, Tleskač, Tykač, Trsač,
Běláč, Hrabáč, Kakáč, Klapáč, Klepáč, Klofáč, Konáč, Kováč, Kropáč, Kudláč, Kutáč, Lupáč, Mazáč, Racháč,
Řezáč, Takáč, Tkáč, ?Tokáč,
Bajič, Banič, Bilič, Bulič, , Čelič, Čič, Dražič, Dymič, Hajič, Jevič, Kudlič, Mamič, Manič, Medič, Mastič,
Matič, Mič, Minič, Mršič, Mučič, Musič, Pilič, Prudič, Radič, Rosič, Sič, Spasič, Trudič, Zvonič,
?Byč, Nyč, Nýč, Pěč, Píč, Síč, Týč.
Uvedené počty (v 56 % případů dochází k přegenerovávání) dokládají, že lingvistická analýza
proprií nalezených v korpusech může být relevantním příspěvkem pro doplnění seznamů
možných případů přegenerovávání v aplikacích automatického generování/analýzy
slovotvorných vztahů.
Příjmení z deverbativních apelativ na –č v korpusech ČNK mylně analyzovaná jako
apelativa
Jak bylo řečeno výše, jsou případy, výskytu apelativ v roli proprií špatně podchytitelné
automatickou morfologickou analýzou. V důsledku toho je i řada propriálních užití
v korpusech špatně analyzována na úrovni lemmatu. Například substantivum Topič je v
následujících případech (a) ... František <Topič/topič>, nakladatel a knihkupec ... (b) Jde o
povídku <Topič/topič>, tvořící samostatnou kapitolu Ameriky ... (c) ... současná výstava
v pražské galerii <Topič/topič> ... lemmatizováno jako apelativum (/topič), tedy stejně jako
případ (d) <Topič/topič> kulturního domu se při požáru přiotrávil. V naší studii jsem tyto
poměrně složitě zjistitelné případy ponechali stranou.
V průběhu práce na přípravě popisu pravidel pro automatické generování deverbativ na –č
(Osolsobě 2008) jsme nicméně na řadu případů náhodně narazili (např. Barvič, Bělič, *Dědič,
Fukač, *Hadač, Kopáč, Kulič, Lamač, Lepič, Mazač, Palič, Rubač, Topič, Voráč, Zuvač, ...).
Poznámka: Tyto případy je možné systematičtěji vyhledávat v korpusech, a to tak, že vyhledáme všechna
potencionální deverbativa na –č, která nemají lemma s velkým písmenem a zároveň tvar v korpusu (word)
velkým písmenem začíná, přičemž podle značky jde o maskulina životná:
9
[word=“(A|Á|B|C|Č|D|Ď|E|É|F|G|H|I|Í|J|K|L|M|N|Ň|O|Ó|P|Q|R|Ř|S|Š|T|Ť|U|Ú|V|W|X|Y|Z|Ž).*(a|á|e|ě|i|í|y|ý)
č“ & lemma!=“(A|Á|B|C|Č|D|Ď|E|É|F|G|H|I|Í|J|K|L|M|N|Ň|O|Ó|P|Q|R|Ř|S|Š|T|Ť|U|Ú|V|W|X|Y|Z|Ž).*(
(a|á|e|ě|i|í|y|ý)č“ & tag=“NNM.*“]
a pomocí N-filtru odstraníme případy, kdy vyhledané slovo následuje po interpunkčním znaku „.“, „!“, „?“, tedy
[tag=“Z.*“].
Pro potřeby automatické analýzy byly zajímavé především případy, u nichž dochází při
derivaci k hláskovým alternacím kořenového vokálu (fukač, lamač, palič, zuvač). Sporná je
interpretace propria Dědič (mylně analyzovaného jako apelativum). Beneš (1962) uvádí
propria Dědic, Dědič mezi příjmeními z názvů příslušníků selského poddaného lidu a
svobodníků (ibid.: 211 cit.: „dědici byli původně svobodní a svůj majetek dědili ...“).
Moldánová (2004: 41) uvádí u příjmení Dědic, Dědič motivaci substantivem děd. Za
homonymní k deverbativnímu apelativu hadač (< hádat) lze pokládá proprium Hadač řazené
k příjmením z částí slov (Beneš 1962: 76).
Závěr
Ačkoliv se rozsáhlé jazykové korpusy od doby vzniku korpusové lingvistiky budují
především pro potřeby lexikografie, mohou sloužit a slouží i pro bádání v řadě dalších
lingvistických oborů. V tomto příspěvku jsme se snažili demonstrovat, jak mohou korpusy
přispět při zpracování lingvistických podkladů použitelných v oblasti NLP. Na příkladu
analýzy vlastních jmen (maskulin životných na –č) jsme ukázali, na jaká úskalí mohou narazit
pokusy vytvořit automatický modul derivace konkrétně českých deverbativ na -č. Výsledkem
je rozsáhlý seznam možných případů přegenerovávání, kterých by se mohl automatický
nástroj dopustit v případě, že by nepracoval dostatečně s rozdílem apelativum/proprium.
Propria (Family Names on -č) - the Problem of the Automatic Morphological Analysis
The aim of this paper is to demonstrate how can be used the data mined from corpora for
preparation of linguistic basis for NLP (natural language processing) applications. In three
representative corpora of literary Czech (SYN2000, SYN2005, SYN2006PUB) the family
names (animate masculine on –č) were find. The possibility of verbal motivation of them was
analyzed thereafter. In this way a list of evantual overgenerations of application of the word
formation’s formal rules (Osolsobě 2008) was enlarged.
Seznam literatury
BENEŠ, J. (1962): O českých příjmeních. Praha : ČSAV.
10
BENEŠ, J. (1970): O českých příjmeních. Rejstříky. Praha : Zvláštní příloha zpravodaje
místopisné komise ČSAV.
BENEŠ, J. (1998): Německá příjmení u Čechů I., II. Ústí nad Labem : UJEP.
DOKULIL, M. (1962): Tvoření slov v češtině. Praha : Československá akademie věd.
DOKULIL, M., KOMÁREK, M. a kol. (1986): Mluvnice češtiny I, II. Praha : Academia.
HAJIČ J. (2004): Desambiguation of Rich Inflection (Computational Morphology of Czech).
Praha : Karolinum, Charles University Press.
HAVRÁNEK, B. a kol. (1989): Slovník spisovného jazyka českého (SSJČ). Praha : Academia.
HLAVÁČOVÁ, J. (2001): Morphological Guesser of Czech Words. In MATOUŠEK, V.
(ed.): Text, Speech and Dialogue. Berlin : Springer-Verlag, s. 70-75.
HUJER, O., SMETÁNKA, E., WEINGART, M., HAVRÁNEK, B., ŠMILAUER, V.,
ZÍSKAL, A. (red.) (1935-1957): Příruční slovník jazyka českého (PSJČ). Praha : Státní
nakladatelství.
FILIPEC, J. a kol. (2005): Slovník spisovné češtiny pro školu a veřejnost (SSČ). Praha :
Academia.
KARLÍK, P., NEKULA, M., PLESKALOVÁ, J. (2002): Encyklopedický slovník češtiny.
Praha : Nakladatelství Lidové noviny.
KLÍMOVÁ, J., ŠTÍCHA, F. (2006): K možnostem a mezím sufixální derivace substantiv. In:
ŠTÍCHA, F. (ed): Možnosti a meze české gramatiky. Praha : Academia, s. 127-138.
KNAPPOVÁ, M. (2002): Naše a cizí příjmení v současné češtině. Liberec : Tax az Kort.
KOPEČNÝ, F. (1991): Průvodce našimi jmény. Praha : Academia.
MATES, V.: (2004): Jména tajemství zbavená. Praha : Epocha.
MOLDÁNOVÁ, D. (2004): Naše příjmení. Praha : Agentura Pankrác, s.r.o.
OSOLSOBĚ, K. (1996): Algoritmický popis české morfologie a strojový slovník češtiny. Brno
: FF MU, (disert. práce).
OSOLSOBĚ, K. (2008): Formální popis derivace deverbativ na –č. SPFFMU A, 56, s. 121-
135.
OSOLSOBĚ K., PALA, K., SEDLÁČEK, R., VEBER, M. (2002): A Procedure for Word
Derivational Processes Concerning Lexicon Extension in Highly Inflected Languages, In:
Proceedings of the Third International Conference on Language Resources and Evaluation,
LREC, Las Palmas de Gran Canaria : ELRA, s. 1254-1259.
PLESKALOVÁ, J. (1998): Tvoření nejstarších českých osobních jmen. Brno : Masarykova
univerzita.
RYCHLÝ, P. (1998-2003): Bonito – grafické uživatelské rozhraní systému Manatee, Verze
1.49. Dostupné z http://ucnk.ff.cuni.cz/bonito/
SEDLÁČEK, R. (2004): Morphematic analyser for Czech. Brno : FI MU, (disert. práce).
SVOBODA, J. (1964): Staročeská osobní jména a naše příjmení. Praha : Nakladatelství
ČSAV.
ŠMILAUER, V. (1971): Novočeské tvoření slov. Praha : Státní pedagogické nakladatelství.
Český národní korpus - SYN2000/SYN2005/SYN2006PUB. Ústav Českého národního korpusu
FF UK, Praha 2000. Dostupný z WWW: <http://ucnk.ff.cuni.cz>.
Deriv http://nlp.fi.muni.cz/projekty/ajka/cjbb85/