Masarykova univerzita Fakulta informatiky
počítačové morfologick analýze češtiny
DisertaCní práce Pavel Smerk
Školitel: doc. PhDr. Karel Pala, CSc.
Brno, 2010
Prohlášení
Prohlašuji, že tato disertační práce je mým původním autorským dílem, které jsem vypracoval samostatne. Všechny zdroje, prameny a literaturu, které jsem pri vypracování používal nebo z nich čerpal, v práci rádne cituji s uvedením úplného odkazu na príslušný zdroj.
iii
Poděkování
Svému školiteli Karlu Palovi dekuji nejen za trpělivé vedení v průběhu celého mého dlouhého studia, ale, a to zejména, za vytvorení prostredí, které se dnes nazývá Centrum zpracování přirozeného jazyka FI MU a které už dlouhou rádu let umožnuje velkému množství lidí vzájemne sdílet a rozvíjet své nápady, rešení a programové nástroje. Mimo takové prostredí by predkládané výsledky vubec nebyly možná. Muj vdek samozrejme patří i všem ostatním, kterí se na práci CZPJ podílejí. Tato stránka není dostateC-neř dlouhá, abych je zde vyjmenoval, jisteř ale i bez toho veřdí, že spolupráce s nimi pro meř byla nenahraditelným prřínosem.
Michalu Brandejsovi dekuji za to, že me pred dávnými lety přijal na CVT FI MU, a umožnil mi tak rozvoj v dalším velmi podneřtném prostrředí a navíc i výborném kolektivu.
Pavlu Cahovi, Mojmíru Docekalovi, Petru Karlíkovi, Tobiáši Scheerovi, a zejména Markéte Zikové jsem vdecný za to, jakým zpusobem me naucili prřemýšlet o jazyce.
Za trpeřlivost a podporu deřkuji své manželce Veronice a holcřicřce Martince, ale v tomto prřípadeř jsou všechna slova málo.
Zvláštní dík patrí Karlu Palovi, Kláře Osolsobe a Lud'kovi Matyskovi za jejich podnetné poznámky k textu práce.
Nakonec chci zduraznit, že výsledky dosažené v této práci by nebyly myslitelné bez nezmeřrné a cřasto mravencří práce lidí, kterří se podíleli na tvorbeř dat morfologického analyzátoru ajka.
v
Shrnutí
Práce se zabývá problematikou strojové morfologické analýzy češtiny. Nejprve jsou predstavený v současnosti používané způsoby organizace zdrojových dat morfologického analyzátoru a na príkladech doloženy nevýhody, které jsou s nimi nevyhnutelne spojeny. V následující cásti práce je navržen zcela nový formát dat, který umožní výrazne snížit stávající vysokou redundanci, nabídne lepší prostredky pro zachycení derivacních vztahu a sémantických informací, dovolí rozlišit jevy produktivní od okrajových a v neposlední řadí? umožní i lingvisticky prijatelnejší popis dat. Další cást práce se stejným zpusobem zabývá samotným morfologickým analyzátorem: nejprve jsou popsány nevýhody soucasného řešení a poté je predsta-ven analyzátor nový, pro ceštinu poprvé využívající algoritmu pro práci s minimálními deterministickými acyklickými konecřneř stavovými automaty Jana Daciuka. Vytvořený analyzátor je oproti existujícím nekolikrát rychlejší a zároven výrazne jednodušší, což je, jak ukazuje praxe, velmi podstatná vlastnost pro další údržbu a rozvoj.
vii
Abstract
The thesis is concerned with computational morphology of Czech. Current approaches to organization of the morphological dictionary as well as to implementation of the morphological analyser have some serious drawbacks, which are described in the thesis. Hence the main goal of this work is to design a new format of the morphological data and to implement a new analyser. The proposed data format allows to decrease high redundancy of the current data, offers better means for distinguishing regularity and idiosyncrasy, and, last but not least, offers better interpretable data from the linguistic point of view. The new analyser uses Jan Daciuk's algorithms for minimal deterministic acyclic finite state automata. It is several times faster than the current ones, although its code is much more simple.
ix
Klíčová slova
morfologická analýza, morfologický analyzátor, formální morfologie, formální slovotvorba, strojový popis jazyka, strojový slovník, deterministické acyklické konecne stavové automaty
morphological analysis, morphological analyser, formal morphology, formal word formation, computer based language description, machine dictionary, deterministic acyclic finite state automata
xi
Obsah
1 Úvod................................... 3
1.1   Několik poznámek k forme................... 4
2 Stávající formáty dat morfologického analyzátoru........ 5
2.1 Princip organizace dat...................... 5
2.2 Príklad konkrétního formátu dat................ 6
2.3 Nevýhody stávajícího formátu ................. 8
2.3.1 Redundance popisu................... 9
2.3.2 Obsahová nekonzistence jako dusledek redundance . 10
3 Nový formát na příkladu životných maskulin........... 13
3.1 Obecná charakteristika nového formátu............ 13
3.2 Životná maskulina jako príklad realizace........... 15
3.3 Základní podoba dat....................... 16
3.4 Grafické zmeny na konci slovního základu.......... 18
3.5 Střídání vokálu s nulou...................... 18
3.6 Zmeny konce slovního základu v kontextu koncovky -i . . . 20
3.7 Výber koncovky podle vlastností slovního základu ..... 21
3.8 Odvozené vzory .......................... 23
3.8.1 Systémovost oproti nahodilosti............. 25
3.8.2 Vzor soudce........................ 26
3.9 Omezené vzory .......................... 27
3.10 Alternativa k odvozeným vzorum............... 28
3.11 Hovorové a nespisovné tvary.................. 31
3.12 Nepravidelné tvary ........................ 33
3.12.1 Více slovních základu.................. 34
3.12.2 Strídání dlouhých a krátkých vokálu.......... 36
3.12.3 Poznámka ke strídání hlásek obecní?.......... 37
3.13 Minivzory............................. 38
3.14 Rozdílnost psané a vyslovované podoby............ 39
3.15 Shrn tí ............................... 40
4 Od slovníku vzorU ke slovníku rysU ................ 41
4.1 Homonymie a totožnost..................... 41
4.2 Ztotožnění pravidelne shodných koncovek.......... 43
1
4.2.1   Ztotožnění jednotlivých shodných koncovek..... 45
4.3 Tvorba značky........................... 46
4.4 Rozšírení tvorby značek i na slovník.............. 48
4.4.1 Sklonování slov typu despota.............. 49
4.4.2 Sklonování slov typu gigolo a výběr podle znaCky . . 50
4.5 Implicitní značka a implicitní vzory v rámci definice slova . 52 4.5.1   Poznámka k nepravidelným tvarům.......... 54
4.6 Deklinace určovaná slovotvornými príponami........ 54
4.6.1   Adjektivní deklinace................... 56
4.7 Smčrem ke slovníku rysU .................... 57
4.7.1 Základní formát implicitních pravidel......... 58
4.7.2 Formát podmínky a pridání rysů............ 59
4.7.3 Omezení vzorů a optimalizace podmínek....... 60
4.7.4 Vyhodnocování implicitních pravidel......... 62
4.8 Shrnutí............................... 64
5 Diskuse vlastností a možností navrhovaného formátu...... 65
5.1 Vztah formátu k současným mluvnicím češtiny........ 66
5.2 Vztah k Internetové jazykové príručce............. 69
5.2.1 Obecne o Internetové jazykové prirucce........ 69
5.2.2 Prípadová studie životných maskulin koncících na or 70
5.3 Srovnání s aktuální podobou pražského formátu....... 75
5.3.1 Slovotvorba ........................ 76
5.3.2 Lemmatizace....................... 77
5.3.3 Zlaté pravidlo morfologie................ 79
5.4 Srovnání s dalšími existujícími prístupy............ 81
5.5 Predpokládaný další rozvoj navrhovaného formátu..... 83
6 Nový morfologický analyzátor.................... 85
6.1 Puvodní morfologický analyzátor ajka............ 85
6.2 Reprezentace dat deterministickými konecčnými automaty . 87
6.3 Tvorba dat ............................. 89
6.4 Nový morfologický analyzátor................. 91
6.5 Výhodynového analyzátoru ................... 93
7 Záver................................... 95
A Príklad souboru vzorU pro životná maskulina........... 103
A.1  Cást specifická pro životná maskulina............. 103
A.2 Cást sdílená s jinými rody či slovními druhy......... 105
A.3 Nekolikpoznámek ke vzorum ................. 107
B  Obsah elektronické prílohy...................... 109
C Regulární výrazy použité v práci................... 110
2
Kapitola 1 Úvod
Původním záměrem mého doktorského studia bylo navázat na diplomovou práci a vytvořit co nejlepší morfologický desambiguátor českých textů. Na otázky svého okolí, cím se vlastne zabývám, jsem vždy vysvetloval, že morfologická analýza, tedy urcení, jakých všech gramatických významů může urcitý slovní tvar nabývat, je problém v podstate konecný, a tedy již dávno uspokojive vyrešený. Zato morfologická desambiguace, ríkal jsem, tedy urcení, jakého gramatického významu nejaký slovní tvar nabývá v konkrétní vete, je problém výrazne složitejší, a práve k jeho rešení že se snažím přispet.
Postupem casu se ale ukazovalo, že kvalitní desambiguace vyžaduje krome morfologického analyzátoru i dobrý guesser, „hadac" pro slova, která analyzátor nezná. Prři jeho tvorbeř se dále projevilo, že prři takovém hádání by bylo dobré veřdeřt, které slovotvorné a tvarotvorné prostrředky jsou produktivní a které už prípadne nikoli. Užitecné pro desambiguaci, ale ostatne i pro guesser, se zdály být i derivacní vztahy mezi slovy. Stejne tak prínosné by mohly být i neřjaké základní sémantické trřídy jednotlivých slov. Prřidání všech techto informací do dat morfologického analyzátoru bylo ale bud'to nemožné, nebo prinejmenším neprijatelne komplikované. A teprve pri snaze o rešení techto problému jsem poznal, jak jsem se mýlil v puvodním prřesveřdcření, že k soucřasnému pojetí automatické morfologické analýzy už není moc co prřidat.
Má disertacní práce se tedy nakonec venuje pouze problematice morfologické analýzy cřeštiny. Nejprve prředstavím stávající formát zdrojových dat a ukážu nevýhody, které jsou s ním nevyhnutelneř spojeny. Poté navrhnu nový formát dat, který umožní snížit stávající vysokou redundanci, nabídne lepší prostredky pro zachycení derivacních vztahu a sémantických informací, dovolí rozlišit jevy produktivní od okrajových a v neposlední rřadeř umožní i lingvisticky prřijatelneřjší popis dat. Navržený formát bude dokladem, že dosavadní rozdíl mezi pocřítacřovým a mluvnickým popisem morfologie není nezbytný, ale že je naopak možné, a navíc i výhodné pocří-tacřový popis významneř prřiblížit tomu lingvistickému.
3
1. úvod
V další cásti práce představím nový morfologický analyzátor, který pro češtinu poprvé využívá algoritmu pro práci s minimálními deterministickými acyklickými konecne stavovými automaty Jana Daciuka (1998), kdy analýza slovního tvaru znamená pouhý průchod automatem reprezentujícím data. Oproti stávajícím analyzátorum je tak nový analyzátor nekolika-násobne rychlejší, zároven je ale i výrazne jednodušší, což je, jak ukazuje praxe, velmi podstatná vlastnost pro jeho další údržbu a rozvoj.
1.1    Několik poznámek k formě
Konkrétní slovní tvary ci jejich cásti, jména vzoru a podobne budu pro pre-hlednost psát odlišným druhem písma. Pokud budu chtít akcentovat jejich řekneme fungování v jazykovém systému, budu je zapisovat kurzívou. Strojopisnému písmu dám prednost v prípade, že je budu v dané chvíli chtít vnímat spíše jako retezce znaku, se kterými nejakým zpusobem operuji. Hranice mezi temito dvema variantami ovšem nebude nijak ostrá.
Pro oznacení gramatických pádu a císel budu po vzoru Mluvnice ceš-tiny 2 (Petr a kol., 1986b) používat Nsg, Gsg atd., protože je to úspornejší než jiné varianty.1 Pro nemožnost vyjádrřit takovými zkratkami pád je navíc budu používat i v pozici shodného prřívlastku, tedy naprříklad psát sice tvar genitivu singuláru, ale Gsg tvar.
V práci hojneř využívám poznámek pod cřarou. Do teřchto poznámek odsunuji doplnřující cři uprřesnřující informace, které nemají zásadní význam pro hlavní text. Ten by mel být srozumitelný i bez nich.
Jednotlivé cřásti práce jsou provázané pomeřrneř velkým množstvím odkazu. Na priloženém CD je krome jiného i text práce ve formátu PDF, kde jsou všechny tyto odkazy aktivní, takže se jimi lze prři použití vhodného prohlížecře prřesunovat v textu.
Protože je práce z velké cřásti založena na kontrastu s existujícími rřešení-mi, prředpokládám u cřtenárře základní obeznámenost s problematikou pocří-tacového zpracování morfologie ceštiny. Nebudu tedy napríklad definovat obecneř používané termíny jako trřeba lemmatizace cři znacřka.
*
Problematika morfologické analýzy cřeštiny touto prací samozrřejmeř není ani v nejmenším vycerpána. Na stránce http://nlp.fi.muni.cz/ma/ budu udržovat aktuální informace související s touto prací i („brnenskou") morfologickou analýzou obecneř.
1. N, G, D, A, V, L a I znací postupne první až sedmý pád, sg znamená jednotné císlo, pl je císlo množné.
4
Kapitola 2
Stávající formáty dat morfologického analyzátoru
V oblasti počítačové morfologické analýzy češtiny dnes v akademickém svete1 výrazne dominují dva systémy, podle míst svého vzniku často označované jako pražský a brnenský.2 Zájemče o podrobnejší informače o pražském systému odkazuji zejména na habilitační práči Jana Hajiče (2004) a nedávnou disertační práči Jaroslavy Hlaváčové (2009). Brnenský systém vy-čhází z disertační práče Kláry Osolsobe (1996), další informače, zejména o aktuální podobe dat a implementači analyzátoru, je pak možné najít v diplomové a disertační práči Radka Sedláčka (1999; 2005) a v disertační práči Marka Vebera (2005).
V této kapitole ukážu, jakým zpusobem jsou ve zmínenýčh systémečh organizována jejičh zdrojová data a jak tento zpťisob nutne vede k vysoké redundanči informače. Poté na príkladečh doložím nevyhnutelné negativní dusledky této redundanče, z čehož vyvodím, že má smysl hledat jiný zpťisob popisu jazykovýčh dat.
2.1    Princip organizace dat
Organizače zdrojovýčh dat morfologičkého analyzátoru je u obou systému v prinčipu shodná. Obsahují slovník základu a k nemu nejaký soubor vzoru, tedy množin končovek3 opatrenýčh značkami. Pro každý základ je ve
1. Toto vymezení je prévzato z (Hlaváčová, 2009). Lze se domnívat, že napríklad velké komerční společnosti, které pračují s textovými daty, nejakým zpusobem reší prinejmenším otázku lemmatizače, pravdepodobne ale i morfologičké analýzy a syntézy, nebo dokonče slovotvornýčh vztahu. Příkladem rrmže být zadávání tvam českýčh slov do internetového vyhledávače Google, kdy je na výsledčíčh patrné, že vyhledávačí program zvládá i nekteré derivačřní vztahy. Je ale obtížné získat o takovýčh systémečh bližší informače.
2. Oba systémy realizují i syntézu, tedy generování tvam slova podle zadanýčh parametru!, v rámči analýzy provádejí lemmatizači, nejakým zpusobem pračují s nekterými slovotvornými vztahy atp. V čelé práči používám slova (morfologičká) analýza čři (morfologičký) analyzátor i v širším slova smyslu, tedy zahrnujíčím všečhny tyto jednotlivé čřinnosti.
3. Za končovky jsou v teřčhto systémečh pokládány rřeteřzče, které se mohou, ale nemusejí shodovat s mluvničkými končovkami.
5
2. Stávající formáty dat morfologického analyzátoru
slovníku specifikován vzor tak, že připojením jeho koncovek k danému základu lze získat správné slovní tvary spolu s jejich znaCkami.
Samozřejme, mezi obema systémy je množství rozdílu ve zpťisobu, jak konkrétne je tento obecný princip realizován. V pražském systému tak napríklad mohou být tvary téhož slova tvoreny od více základu a/nebo vzoru, v brnenském v soucasnosti popisuje tvary jednoho slova vždy jen jedna dvojice základ a vzor. V Brní? je dále každý slovní tvar výsledkem pripojení koncovky definované vzorem ke slovnímu základu, což ve spojení s pred-chozím v dusledku znamená nutnou existenci samostatného vzoru pro každé slovo, které se ohýbá unikátne vzhledem k ostatním. V Praze oproti tomu jsou tvary slov, pro která neexistuje alespon devet stejným zpiiso-bem ohýbaných lemmat, řazeny prímo do slovníku4, prípadne je dokonce možné cást tvaru popsat pomocí vzoru a cást explicitním uvedením celých slovních tvaru. V Brne musí být lemmatem jeden ze slovních tvaru, v Praze nikoli nutne. Slovní tvar se ve skutecnosti v Brne skládá nejen ze základu a koncovky, ale vždy je mezi nimi ješte takzvaný intersegment. A tak dále.
Dalo by se takto pokracovat, ale tyto ani další rozdíly ted' nejsou podstatné. Duležité je, že základy a koncovky jsou pojímány jako retezce, které se pouze skládají k sobe, aniž by pri tom byly nejak modifikovány.
2.2    Příklad konkrétního formátu dat
Bližší predstavu o aktuálne používaných zpťisobech popisu jazykových dat se pokusím ctenáři poskytnout uvedením a okomentováním príkladu z datových souboru brnenského morfologického analyzátoru ajka (Sedlácek, 2005). Protože se v další cásti práce budu venovat zejména podstatným jménum mužského rodu životného, budu jen mezi nimi vybírat príklady i v této kapitole. Podobu formátu tedy demonstruji na vzoru Luděk.
Data strojového popisu morfologie ceštiny jsou rozdelena do dvou souboru, slovníku a souboru vzoru. Ve slovníku jsou na jednotlivých rádcích lemmata a jejich vzory spolu s císly prípadných poznámek. Na príkladu 2.1 (všech) lemmat zarřazených ke vzoru Luděk lze videřt konkrétní formu, kdy prřed dvojtecřkou je lemma, za dvojtecřkou jméno vzoru a volitelneř za svis-lítkem seznam cřísel poznámek.
4. Hranici 10 lemmat uvádí Jan Hajic (2004). Naproti tomu ale Jaroslava Hlaváčová (2009) napr. na strane 109 navrhuje cást názvu vzoru Du (jména vzoru nesou význam), jíž ale, jak sama v poznámce uvádí, vyhovuje jediné slovo. Na podstate rozdílu mezi systémy, tedy (ne)možnosti zařadit výjimky prímo do slovníku, ovšem konkrétní podoba kritéria výji-mecnosti nic nemení.
6
2. Stávající formáty dat morfologického analyzátoru
Luděk:Luděk|180.1
Vladěk:Luděk|180.1
hlemýžděk:Luděk|180.1
Príklad 2.1. Cást slovníku ajky.
=rs-mluv-NEWES204
{_, k1gMnSc1}
=rs-mluv-NEWES99
{i, k1gMnPc1}
=rs-mluv-NEWES102
{i, k1gMnPc5}
=rs-mluv-NEWES386
{ů, k1gMnPc2}
=rs-mluv-NEWES499
{ovi, k1gMnSc3} {ovi, k1gMnSc6}
+Luděk
<děk> rs-mluv-NEWES204
<ďc> rs-mluv-NEWES99, rs-mluv-NEWES102, rs-mluv-NEWES385
<dk> rs-mluv-NEWES386, rs-mluv-NEWES499, rs-mluv-NEWES460, rs-mluv-konc12, rs-mluv-NEWES510, rs-mluv-NEWES74, rs-mluv-NEWES71, rs-mluv-NEWES294, rs-mluv-NEWES521, rs-mluv-NEWES522, rs-mluv-NEWES163, rs-mluv-NEWES171,
rs-mluv-NEWES299, rs-mluv-konc08,
rs-mluv-konc09 Príklad 2.2. Cást souboru vzoru ajky.
7
2. Stávající formáty dat morfologického analyzátoru
Soubor vzorů má dve cásti. V první jsou definovány takzvané koncovkové množiny, v druhé potom samotné vzory. Vzor je definován seznamem intersegmentů5, kdy je ke každému z nich dále uveden nejaký seznam koncovkových množin. Koncovková množina je pak seznam dvojic koncovka a znacka.6 Příklad 2.2 ukazuje definice vzoru Luděk a nekterých tímto vzorem používaných koncovkových množin; jakým zpusobem tato konkrétní forma odpovídá práve popsanému významu, je predpokládám zrejmé (znak _ zastupuje prázdnou koncovku, případní? prázdný intersegment).
Interpretace dat je následující: pro každé lemma se vezme z jeho vzoru první intersegment, z jeho seznamu koncovkových množin první množina a z ní první koncovka.7 Vybraná koncovka a po ní i vybraný intersegment jsou odtrženy od konce zpracovávaného lemmatu, prřicřemž zbylý rřeteřzec (muže být i prázdný) je spolecný všem jeho tvarum. Lze jejtedy vzít jako základ a postupneř k neřmu prřipojovat jednotlivé intersegmenty a pro každý z nich dále jednotlivé koncovky jemu prříslušejících koncovkových množin, a získávat tak slovní tvary daného lemmatu zárovenř s jejich znacřkami.
na uvedených prříkladech by to tedy vypadalo následovneř: k lemmatu Vladěk by byly podle vzoru Luděk vybrány intersegment děk a koncovka _. Spolecný základ všech tvaru by tedy byl Vla a pripojováním interseg-mentu a koncovek by byly postupne získávány tvary Vladěk se znackou klgMnScl, Vlaďci se znackou klgMnPcl a pak i se znackou k1gMnPc5 atd.
2.3    Nevýhody stávajícího formátu
Tím menším z problému je formální nekonzistence, kterou predstavený formát pripouští.8 Tedy skutecnost, že tentýž výsledek, tutéž množinu slovních tvaru odvozených z urcitého lemmatu, lze popsat ruznými zpusoby
5. V současnosti je intersegment ciste technický prostředek, který lze ve slovních tvarech vymezit libovolne. K významu v puvodní podobe brnenského systému viz (Osolsobe, 1996).
6. Znacky jsou v brnenském systému posloupnosti dvojic symbolu pro gramatické kategorie a jejich hodnoty. Popis možných kategorií a hodnot lze najít v (Sedlácek, 2006). Protože v další cásti práce budu mluvit zejména o substantivech, významy jejich znacek pripomenu prímo zde: kl znací první slovní druh, tedy substantiva, g znamená gramatický rod a muže nabývat hodnot M pro mužský životný, I pro mužský neživotný, F pro ženský a N pro střední, n je císlo s hodnotami S pro singulár a P pro plurál a konecne c odpovídá kategorii pádu s hodnotami 1 až 7. Za poznámku ješte stojí, že puvodne byly znacky koncipovány jako množiny takových dvojic, v nichž by tedy nezáleželo na porřadí, ale protože to je obecneř implementacřneř nárocřneřjší, veřtšina aplikací prředpokládá pevné, zaužívané porřadí.
7. Je tedy zřejmé, že oznacení koncovková množina není zcela adekvátní, protože v tomto (jediném) prřípadeř záleží na porřadí dvojic koncovka a znacřka.
8. Tento odstavec se týká jen brnenských dat, o pražských nemám dostatecné informace.
8
2. Stávající formáty dat morfologického analyzátoru
— a že se tak v datech skutecne deje, aniž by ale taková ruznost nesla nejaký význam. Naprříklad usporřádání koncovek do koncovkových množin je arbitrární, jak je videřt i na prříkladu 2.2: ve všech prřípadech pro Npl a Vpl stejné9 i je popsáno dvema koncovkovými množinami, stejne tak vždy stejné ovi pro Dsg a Lsg ovšem naproti tomu tvorí jednu množinu. Podobne arbitrární je i hranice mezi intersegmentem a koncovkou: v datech je naprří-klad vzor Jiří, u nehož jsou mluvnické koncovky soucástí intersegmentu. Takto by bylo možné pokracovat10, podstatné ale je, že v datech jsou takové nekonzistence presto, že je do nich jiste nikdo z editoru nechtel vnášet.11 Nanejvýš možná nevynakládali dostatecřné úsilí prři snaze jejich vzniku bránit. Receno jinak: udržení formální konzistence bylo zřejme příliš „drahé".
2.3.1   Redundance popisu
Prinejmenším ve svých dusledcích je huře rešitelným problémem stávajícího prístupu k popisu dat jeho vysoká redundance. Skutecnost, že retez-ce ze zdrojových dat, z nichž jsou sestavovány slovní tvary, nejsou nijak modifikovány, ale pouze spojovány dohromady, vynucuje pro takto pojatý formální popis jazyka tvorbu velkého poctu vzoru. V príkladu 2.2 uvedený vzor Luděk lze použít jen pro (pouhá tri, viz príklad 2.1) slova koncící v Npl na děk a v Gpl na dka. Jak pro slovo Staněk, tak pro treba slovo medvídek budou potreba vzory odlišné, a nadto i vzájemne ruzné, presto-že asi i jen prumerný žák základní školy by potvrdil, že všechna zmínená slova se sklonřují úplneř stejneř. Protože ovšem vzory nemohou být od této
9. Tedy že neexistuje životné maskulinum, které by v jednom z techto pádu mohlo koncit na -i a v druhém nikoli.
10. Aktuálne jsou problémem tohoto druhu i soucasné kryptické názvy koncovkových množin vytvorené pred lety Radkem Sedláckem pri přidávání nespisovných tvaru. Podobne je problematická i skutecnost, že až na první intersegment, první koncovkovou množinu a první koncovku formát připouští libovolné pořadí, takže dva vzory lišící se navzájem v jediné koncovce mohou pri prvním pohledu vypadat zcela odlišne (a skutecne k tomu dochází). Nejsou výjimkou totožné koncovkové skupiny, naprříklad k první skupineř z prříkladu 2.2 existují dveř další odlišující se jen jménem. A tak podobneř. Toto jsou ale nesrovnalosti, které by šlo pomeřrneř nejsnáze napravit a stejneř tak by je bylo možné relativneř snadno i dále udržovat. i zde jsem ostatneř mohl pro veřtší prřehlednost koncovkové množiny v prříkladu 2.2 vhodneř prřejmenovat, ale protože kompletní aktuální vzory pro mužský rod životný prřiklá-dám pro srovnání v elektronické podobte (viz dále podkapitolu 3.2 a přílohu B), nechal jsem ukázky dat v originálním tvaru.
11. Jak cástecne plyne už z poznámky 5, v puvodních datech (Osolsobe, 1996), byt' tehdy ješteř v jiném formátu, samozrřejmeř takové nekonzistence nebyly: hranice mezi intersegmen-ty a koncovkami odpovídaly mluvnicím a do koncovkových množin byly koncovky organizovány podle pevných a v práci detailneř popsaných pravidel (trřebaže prřesnou motivaci teřchto pravidel se mi z práce nepodarřilo vycříst).
9
2. Stávající formáty dat morfologického analyzátoru
reality odtržené, budou se cřasto lišit jen minimálneř, aby zachytily drobné odlišnosti ve strídání hlásek, nebo dokonce i jen rozdíly v grafickém zápisu techto tvaru (napr. se budou odlišovat ruznými intersegmenty, u kterých ovšem budou uvedeny stejné koncovkové množiny).
V brnenském systému se k tomu ješte připojuje už v podkapitole 2.1 zmínená nutnost ruzných vzoru pro každá dve slova, která se ohýbají rozdílným12 zpusobem. Takže napríklad pridání vokativu typu Pavli, Peti, Káji ci Marti k osobním jménum Pavel, Petr, Kája, resp. Martin, které bylo potřebné pro práci s Korpusem soukromé korespondence (Hladká a kol., 2005), si vynutilo vznik ctyr nových vzoru, pro každé jméno jeden. Tyto nové vzory se ale od vzoru, ke kterým byla zmínená jména zarazena pred pridáním alternativních vokativu, liší práve jen tímto nove pridaným tvarem, zbytek vzoru je vždy nutne stejný. Ctenáre v této chvíli už asi príliš nepřekvapí, že aktuální pocet vzoru v brnenských datech je 1839.
2.3.2   Obsahová nekonzistence jako důsledek redundance
Udržovat takové množství vzoru je nárocné, takže v praxi pak v datech postupem casu pribývá nekonzistencí nejruznejšího druhu, zejména u méne obsazených vzoru nebo pri pridávání nových slov. Pro ilustraci uvedu ne-kolik ruznorodých příkladu (z brnenských dat), pricemž budu opet vybírat jen ze substantiv mužského rodu životného.13
Množství nekonzistencí bylo zpusobeno pridáváním nespisovných tvaru (Hlavácková a Sedlácek, 2006). Napríklad vetšine vzoru pro slova sklo-novaná podle školního vzoru muž byla pro Gsg tvar pridána nespisovná koncovka a. Nestalo se tak ale u vzoru pro slova koncící na ď, ň nebo ť, tedy ve výsledku data pripouštejí napr. (nespisovný) tvar muža, nikoli ale treba tvar tuleňa.14 Odlišné povahy je nekonzistence vzniklá plošným pri-
12. Pri nejasnostech v interpretaci tohoto slova lze jako meřítko vzít například soubory nutných retezcových nahrazení pro přemenu lemmatu na jednotlivé slovní tvary.
13. K práci přikládám v elektronické podobíš soubory, které dokumentují zmeny provedené v datech. V nich je možné v případě zájmu dohledat další příklady nekonzistencí (soubory nejsou urceny primárne k tomuto úcelu, ale komentáře v nich by mely k orientaci postacit). Viz dále podkapitolu 3.2 a prílohu B.
14. Bližší pohled do dat odhaluje pravdepodobnou prícinu této konkrétní nesrovnalosti. Vznikla nejspíš tak, že vzory byly meřneřny neřjakým skriptem, který plošneř prřidával nespisovnou Gsg koncovku a všem vzorum slov v tradicních mluvnicích řazených k paradigmatu muž. Vzory, které vyžadují zamýšlenou úpravu, skript zrejme rozpoznával podle toho, že v Gsg mely spisovnou koncovku e (a patrne ješte podle nejakého dalšího omezujícího kritéria vylucujícího vzory jako napr. kníže, kteréžto kritérium se mi ale nepodařilo zpetne rekonstruovat). Takový přístup byl ovšem chybný. Autor skriptu si neuvedomil, že v případech vzoru pro slova koncící v Nsg na ď, ň nebo ť bude v Gsg místo e koncovka ě.
10
2. Stávající formáty dat morfologického analyzátoru
dáváním nespisovných Ipl koncovek ama. U vzoru pro antická jména, jako treba Aeolus, editor pridal i koncovku usama, aniž by ale přidal i analogické koncovky jako treba usa pro Gsg, usovi pro Dsg atd. Takže například od lemmatu Oidipus lze podle tohoto vzoru vytvorit tvar Oidipusama, nikoli ale tvary Oidipusa, Oidipusovi atp. Zkusí-li ovšem clovek takové tvary zadávat internetovému vyhledávaci Google, nalezne práve jen tyto singulárové tvary, prípadne ješte Npl, zatímco tvar Oidipusama nezná.
Príklady nekonzistencí je možné nalézt i mezi spisovnými tvary. Data napríklad pnpouštejí Dsg a Lsg tvar Sysifu, ne tak ale Oidipu.15 A kupn-kladu blázni a přišelci jsou podle aktuálních dat pouze Npl, nikoli i Vpl, trebaže rozdílné tvary pro Npl a Vpl ceština vubec nepnpouští. Další nekonzistence lze pozorovat ve slovotvorných vztazích. Napríklad ke slovu úchylák neexistuje posesivum16, na rozdíl od naprosté vetšiny ostatních životných maskulin. Jindy je (prostrednictvím poznámek) vyznacen jen jeden smeřr slovotvorného vztahu, takže trřeba zatímco vztah mezi lemmaty koník a koníček je zaznamenán u obou, tentýž vztah mezi kůň a koník je zachycen pouze u lemmatu kůň. K takovým nekonzistencím jsou samozrejme nejnáchylnejší v prubehu casu pridávaná jednotlivá nová slova.
Mohlo by se zdát, že to proste autor skriptu udelal špatne a že to přece není nic, co by stálo za rec (jde ostatne o 10 vzoru z 217 celkem, takže to opravdu prozrazuje nepříliš dukladnou kontrolu výsledku). Budiž. Predpokládejme, že by si byl svého omylu všiml a opravil jej. Pri ješte pozornejším pohledu do dat zjistíme, že ani tak by svuj zámer neprovedl správne. U vzoru neumětel a strašpytel jsou totiž v Gsg prípustné obe koncovky, a i e, ovšem autor nehlídal, jestli vzor, který má v Gsg e, nemá zároven tamtéž i skriptem přidávané a. Po úprave tedy tyto vzory mely Gsg koncovku a dvakrát, jednou (správne) bez príznaku, podruhé s prříznakem nespisovnosti. Všimnout si takové chyby už je nárocřneřjší. Ted' konecne, proc vlastne zacházím do takových detailu: sám jsem se teéchto úprav dat neúcřastnil, ale mám velmi podobnou, a zárovenř i velmi podrobnou zkušenost s úpravami elektronických podob Prřírucřního slovníku jazyka cřeského a Slovníku spisovného jazyka cřeského. Byl jsem v prřesneř stejné situaci: veřcí, které vyžadují opravu, je prříliš mnoho, než aby bylo možné to delat rucne. Zároven jsou data vždy ruznorodejší, než mohu předpokládat v nejaké generalizaci, jíž by se mohl rídit skript realizující hromadné opravy. Když zobecním prvních deset výskytu chyby, v další stovce jiste bude nekolik výjimek, při jejichž „oprave" naopak nejakou chybu přidám. Zobecním-li prvních sto výskytu, jiste se nejaké neocekávané výjimky najdou v dalším tisíci. Je nakonec nutné všechny provedené zmeny kontrolovat mnohem dukladneji, než clovek puvodne cekal. Což je ale velmi pracné — opiét cti „drahé". Prestože tedy jsem se sám na úpravách morfologické databáze nepodílel, jak ze znalosti charakteru dat, tak z pozorování chyb (nejen této konkrétní) ve výsledcích úprav soudím, že jde o principiálne stejný problém. Že totiž i tyto úpravy jsou z principu bud'to velmi pracné, nebo jsou jejich prostrřednictvím do dat vnášeny chyby a nekonzistence.
15. Pritom podle vyhledávace Google se to dokonce před slovy králi ci vladaři zdá být o niéco castejší varianta než tvar Oidipovi.
16. V brneřnském systému v soucřasnosti nejsou posesiva soucřástí vzoru, jako je tomu v Praze a jako tomu bylo i v jeho puvodní podobte (Osolsobe, 1996).
11
2. Stávající formáty dat morfologického analyzátoru
Aby ale nevznikl mylný dojem: samozrejme to neznamená, že morfolo-gičká databáze je plná čhyb. Na všečhny tyto i jiné nesrovnalosti jsem pri-šel až ve čhvíli, kdy jsem se snažil data nejakým zpiäsobem preuspoMdat, nepamatuji si, že by nekdo nedostatky tohoto druhu „reklamoval". Lze si proto dokonče myslet, že praktičkému využití nijak zvlášť neprekážejí, jde ostatne vždy o pomerne okrajové nebo rídče využívané tvary či jevy.
Je také možné namítat, že tyto nekonzistenče nejsou nutné, že preče nič nebrání vytvorení vhodnýčh skriptu, které budou v datečh kontrolovat konzistenči ve všečh možnýčh smerečh, nič nebrání sestavení „manuálu", na čo vše je potreba pamatovat pri pridávání novýčh slov, nič nebrání editorům počtive dokumentovat každou provedenou zmenu17 a tak dále.
Taková námitka je oprávnená, problém ale spočívá v tom, že i kdyby se toto všečhno počtive delalo, a skuteční? se tak darilo bránit vzniku nekon-zistenčí v datečh, praktičké výsledky by se velmi pravdepodobne (práve proto, že jde vesmes o okrajové jevy) zlepšily jen minimálne. Jinými slovy, do údržby dat by bylo nutné dlouhodobe investovat nemalé úsilí, aniž by se to pak úmerne projevilo na výsledčíčh použití tečhto dat. Bylo by to tedy horší než drahé, bylo by to príliš drahé.
Jsem presvedčen, že toto dilema mezi postupným pribýváním nekon-zistenčí v datečh a neadekvátními náklady na udržení jejičh konzistenče je nevyhnutelným dtisledkem predstaveného prinčipu organizače dat morfo-logičkého analyzátoru.18 V dalšíčh kapitoláčh práče tedy navrhnu a na části dat i realizuji a predvedu zpiäsob popisu tečhto dat, který umožní redun-danči, a tedy i její negativní diäsledky čo možná nejvíče potlačit.
17. Ve výjimečřnýčh prřípadečh jsem si totiž ani nebyl úplneř jist, jestli nalezená zdánlivá nekonzistenče je skutečřneř čhybou čři opomenutím, nebo jestli jde o zámeřr, že se naprříklad neřjaká konkrétní nespisovná končovka prři určřitém hláskovém zakončření kmene skutečřneř nevyskytuje dostatečřneř čřasto, aby bylo žádoučí to začhytit v datečh. V déledobém horizontu je to problém, pokud autor zmeny bud' není znám, nebo není k dispoziči pro nejaké tázání.
18. Mluvil jsem v této podkapitole jen o brneřnském systému a brneřnskýčh datečh, protože s nimi mám detailní zkušenost, kterou u pražskýčh dat počhopitelneř postrádám. Je zrejmé, že (brnenský) popis, který rrmže pro pridání jediného tvaru vyžadovat i přidání če-lého nového vzoru (viz podkapitolka 2.3.1), je z dlouhodobého pohledu jen steží udržitelný. Konkrétneř tento problém v Praze rřešit nemusejí, naopak lze ale očřekávat obtíže naprříklad s udržením konzistentní podoby všečh výjimek, které ostatneř umožnřují mimo jiné práveř popis takovýčh unikátníčh tvaru bez zásahu do systému vzoru. A protože, jak jsem zmínil už na začřátku kapitoly, v prinčipu organizují data oba systémy stejneř, i bez podrobneřjšíčh informačí prředpokládám, že obečneř musela i Praha nutneř rřešit totéž dilema: bud'to se budou postupem čřasu v datečh množit nesrovnalosti, nebo bude potrřeba zaplatit nemalou čenu. Dosud rřečřené ovšem platí jen pro systém Jana Hajičře (2004), realizače zmeřn navrže-nýčh Jaroslavou Hlaváčřovou (2009) nepočhybneř povede k významnému snížení redundan-če pražskýčh dat. K tomu viz dále podkapitola 5.3.
12
Kapitola 3
Nový formát na príkladu životných maskulin
V prředchozí kapitole jsem ukázal, že vysoká redundance morfologické databáze prřináší problémy prři její údržbeř a rozširřování. V následující cřásti práce navrhnu nový zpusob organizace dat morfologického analyzátoru, který umožní redundanci významnou meřrou snížit. Pokud budu dále používat slovo formát, budu tím spíše než formu myslet zpusob organizace, princip popisu. Jinými slovy, duležitý bude smysl ci smer ování toho, co budu ukazovat, nikoli konkrétní formální podoba, prřípadneř dokonce její realizace v uvádeřných prříkladech.
Nový formát budu prředstavovat postupneř, abych mohl každou jeho jednotlivou vlastnost motivovat a prředvést na vhodném prříkladu. To ale na druhou stranu znamená, že budu nucen svá tvrzení postupneř doplnřo-vat ci zpresnovat. Tedy to, co budu popisovat v jedné podkapitole, muže být hned v té další nejak modifikováno. Pokud budu kupríkladu dále tvrdit, že slovník bude posloupnost rádku ve tvaru slovní_základ:vzor, neznamená to nutneř, že v konecřné podobeř formátu to budou stále jen takovéto řádky — v tomto konkrétním prípade budou nakonec v datech řádky tohoto druhu spíše výjimkou než pravidlem.
Popis nového formátu bude rozdelen do dvou kapitol. Pujde ale o roz-deřlení do jisté míry umeřlé, aby délky jednotlivých kapitol práce nebyly prří-liš nevyrovnané.
3.1    Obecná charakteristika nového formátu
Stejneř jako u aktuální podoby morfologické databáze bude i v novém formátu popis dat rozdelen do dvou souboru, které budou stávajícím zhruba odpovídat i obsahove. I nadále je budu nazývat slovník a soubor vzoru.
Formát budu navrhovat tak, aby umožnil oddeřlení pravidelného a nepravidelného. Pravidelné budu chtít popisovat prostrřednictvím souboru vzoru a pravidel obsažených v programu (skriptu) vyhodnocujícím data. Nepravidelné budu ukládat do slovníku, podobneř jako jsou ve slovníku
13
3. Nový formát na příkladu životných maskulin
výjimky v soucasném pražském systému. Protože ale ceské mluvnice (viz následující podkapitola) ani žádné další mne známé relevantní zdroje neposkytují jednoznacné vodítko, co by melo být považováno za pravidelnost a co za výjimku, bude takové rozdelení nutne do znacné míry subjektivní.
Princip tvorby slovních tvaru nebude založen pouze na spojování ne-menitelných retezcu, jako tomu bylo doposud, ale bude predpokládán nejaký repertoár segmentu ruzných druhu, které budou pomocí urcitých pravidel (nemenené) spojovány do jakoby „hloubkové" struktury. Z té teprve bude pomocí úprav podle dalších pravidel tvoren „povrchový" slovní tvar.
Na rozdíl od existujících popisu morfologických dat budu chtít navrhnout nový formát tak, aby byl „interpretovatelný". Na zacátku podkapitoly 2.3 jsem ukazoval, jak lze ve stávajících brnenských datech zachytit tutéž vec více ruznými zpusoby. Bylo to tak proto, že v prípade intersegmentu, hranic mezi intersegmenty a koncovkami, uspořádání koncovek do koncovkových množin a podobne šlo vždy svým zpusobem pouze o technické rřešení, prřinejmenším v soucřasné podobeř formátu, respektive dat. Naproti tomu v novém formátu se budu snažit, aby v co nejvyšší mírře platilo, že každá cřást formy má neřjaký význam. Aby tedy, bude-li možné popsat jednu a tutéž skutecnost více ruznými zpusoby, bylo možné tyto ruzné popisy i ruzne interpretovat. Pochopitelne jde pouze o obecný zámer, netvrdím, že se mi to podarří ve všech prřípadech.
Prředchozí dva odstavce ovšem dohromady znamenají jednu vážnou potíž: popisy ceštiny reprezentované soucasnými mluvnicemi žádnou dichotomii „hloubka" — „povrch" neobsahují. Kdykoli tedy budu výše zmíne-né „hloubkové" struktuře, prípadne i mezikrokum mezi ní a výsledným slovním tvarem, prřikládat neřjaký význam, kdykoli se budu chovat, jako by ty segmenty, struktury a mezikroky nebyly jen technickým rřešením, ale namísto toho opravdu nejakým zpusobem odpovídaly „realite" (at' už to znamená cokoli), a meřlo tedy smysl o jejich podobeř a usporřádání uvažovat, budu se tím dostávat mimo teoretický rámec soucřasných mluvnic.
To by mohlo být vnímáno jako problém zejména v situaci, kdy neumím odkázat cři nabídnout alternativní ucelený teoretický popis cřeštiny, jemuž by takový prístup odpovídal. Protože ale zpusob, jakým mi pripadá rozumné nad daty uvažovat, nelze skloubit s teoretickými východisky mluvnic, budu nadále skutecřneř prředpokládat, že zminřované struktury a další odpovídají neřjaké realiteř a je vhodné se k nim podle toho chovat. Pokud je pro nekoho taková predstava nepnjatelná, muže to vnímat jen jako technické rřešení, a budu-li takovými úvahami neřkde motivovat neřjaké rozhodnutí, muže to chápat jako náhodný výber z rovnocenných variant. Více k tomu viz ješteř i zacřátku následujících kapitol, konkrétneř podkapitoly 4.1 a 5.1.
14
3. Nový formát na příkladu životných maskulin
3.2    Životná maskulina jako příklad realizace
Prři návrhu nového formátu nebudu uvádeřt jednotlivé nesouvisející prříkla-dy, ale budu pro jeho demonstraci postupneř vytvárřet popis podstatných jmen mužského rodu životného.1
Životná maskulina jsou v soucasných datech morfologického analyzátoru ajka popsána 217 vzory2 a celkem 20 054 lemmaty. Pro bližší predstavu, tri nejobsazenejší vzory jsou akcionář (2633 lemmat), vlk (2298 lemmat) a Austrálec (1778 lemmat). Naopak vzoru, ke kterým je zarazeno pouze jedno lemma, je 45 (napr. vzor stařec), vzoru se dvema lemmaty je 32 (napr. kolega) a vzoru se tremi lemmaty je 19 (napr. archón). Kompletní definice všech stávajících 217 vzoru a všech užitých koncovkových množin prřikládám pro srovnání k práci v elektronické podobeř, viz prříloha B.
Nebude mým cílem data pro životná maskulina neřjak zásadneřji prřepra-covávat, půjde prevážne o prevod existující informace do nového formátu. Na druhou stranu samozrřejmeř nebudu chtít otrocky zachovávat všechny nesrovnalosti, které v soucřasných datech jsou, takže se popis životných maskulin v novém formátu nebude shodovat s popisem reprezentovaným soucasnými daty morfologického analyzátoru ajka. Protože jednotlivých drobných odlišností bude hodneř, nebudu e explicitneř zminřovat v textu. Aby ale bylo možné dohledat, co prřesneř jsem s daty deřlal, prřikládám k práci seznam všech teřchto zmeřn v elektronické podobeř. opeřt viz prříloha B.
zdrojem informací o cřeštineř mi budou, trřebaže v nestejné mírře, následující jazykové přírucky a zdroje:
• Mluvnice ceštiny 1, 2 (Petr a kol., 1986a,b, MČ1, mC2)
• Čeština — rec a jazyk ((Cechová a kol., 2000, CRj)
• Prírucní mluvnice ceštiny (Karlík a kol., 1997, PMČ)
• Encyklopedický slovník ceštiny (Karlík a kol., 2002, ESČ)
• Internetová jazyková prírucka (http://prirucka.ujc.cas.cz, IJP)
• Slovník spisovného jazyka ceského (Havránek a kol., 1960-1971, SSjC)
• Slovník spisovné ceštiny (Filipec a kol., 1994, SSC)
• (Český národní korpus — SYN2005 (http://www.korpus.cz, SYN2005)
Nadále se na neř budu odkazovat pouze jejich jménem, prřípadneř dokonce jen v závorce uvedenou zkratkou.
1. Výbeřr byl ucřineřn celkem náhodneř: podstatná jména bývají mezi slovními druhy zminřo-vána jako první a stejne tak výcet jejich „školních" vzoru zacíná mužským rodem životným.
2. Pro úplnost je potreba dodat, že k jednomu ze vzoru není ve slovníku prirazeno žádné lemma a že vetšina vzoru pro příjmení je duplicitní, tedy existuje k nim shodný vzor pro ne-prříjmení.
15
3. Nový formát na příkladu životných maskulin
3.3    Základní podoba dat
Už bylo receno, že data budou rozdelena do dvou souboru, slovníku a souboru vzoru. Položky ve slovníku budou, jak už bylo také zmíneno, řádky tvaru slovní_základ:vzor. V souboru vzoru bude ke každému vzoru uvedena jeho definice v podobe seznamu znacek s možnými koncovkami pro každou znacřku.
Nebudu zde ani dále popisovat presný formát datových souboru. Hrubá podoba bude zrejmá z příkladu a technické detaily nejsou podstatné. Je naprříklad potrřeba zajistit, aby program zpracovávající data poznal, kde zacíná a koncí definice vzoru, není ale duležité, jak presne to bude udelá-no (zde konkrétneř libovolným odsazením seznamu znacřek s koncovkami), takže do takových podrobností nebudu prři popisu formátu zacházet.
Príklad 3.1 ukazuje základní podobu vzoru pán a muž3 v novém formátu. Pro strucřnost a prřehlednost vynechávám nespisovné koncovky, více k nim viz podkapitolu 3.11. Vzory lze chápat jako formalizované prředpisy, co se má se slovním základem udeřlat, abychom získali prříslušné slovní tvary spolu s jejich znackami. Interpretace tedy bude následující: budeme-li4 mít ve slovníku slovní základ zarřazený k neřjakému vzoru, pro každou znacřku tohoto vzoru a pro každou její koncovku prřipojíme znakem - tuto koncovku ke slovnímu základu a vytvoríme tak strukturu5 odpovídající dané znacce. Z této struktury pak dalšími úpravami dostaneme slovní tvar.
Pokud napríklad budeme mít ve slovníku uvedeno slon:pán, budeme pripojováním koncovek vzoru pán ke slovnímu základu slon dostávat postupní? struktury slon-0 odpovídající znacce k1gMnSc1 (znak 0 vyznacuje nulovou koncovku), slon-a se znackou k1gMnSc2, slon-ovi se znackou k1gMnSc3, slon-u s toutéž znackou atd. Poté na všech techto strukturách udeřláme dveř triviální úpravy, kterými dostaneme samotné slovní tvary: odstraníme všechny znaky - a stejne tak i všechny 0. Pochopitelne si mužeme zárovenř zapamatovat i neupravené struktury, a mít tak ke každému slovnímu tvaru i jeho segmentaci na slovní základ a koncovku.
3. Ponechávám tradicní školní vzory, je ale pravda, že motivace k výberu jejich reprezentantu! mi není úplne jasná: samotné slovo pán má ve Vsg naprosto unikátní krácení pane. Žádný jiný vokativ nevykazuje podobné chování (napr. tchána bychom podle vzoru pán oslovovali *tchane), takže jako příklad použití vzoru budu muset vzít jiné slovo. A dokonce to není jediná zvláštnost mezi (pouhými ctyrmi) tradicními vzory pro životná maskulina: v Npl mužeme ríct páni i pánové, muži i mužové, soudci i soudcové — ale pouze předsedové, prestože existují napr. despoti i despotové.
4. Laskavému cřtenárři snad nebude neprříjemné, když se jej od této chvíle pokusím trochu více vtahovat do deřní používáním první osoby množného cřísla.
5. Slovo „struktura" budu nadále v tomto významu používat jako termín.
16
3. Nový formát na příkladu životných maskulin
pán
muž
k1gMnSc1	0
k1gMnSc2	a
k1gMnSc3	ovi, u
k1gMnSc4	a
k1gMnSc5	e
k1gMnSc6	ovi, u
k1gMnSc7	em
k1gMnPc1	i, ové
k1gMnPc2	ů
k1gMnPc3	ům
k1gMnPc4	y
k1gMnPc5	i, ové
k1gMnPc6	ech
k1gMnPc7	y
k1gMnSc1	0
k1gMnSc2	e
k1gMnSc3	i, ovi
k1gMnSc4	e
k1gMnSc5	i
k1gMnSc6	i, ovi
k1gMnSc7	em
k1gMnPc1	i, ové
k1gMnPc2	ů
k1gMnPc3	ům
k1gMnPc4	e
k1gMnPc5	i, ové
k1gMnPc6	ích
k1gMnPc7	i
Příklad 3.1. Základní podoba vzorů pán a muž.
17
3. Nový formát na příkladu životných maskulin
3.4 Grafické změny na konci slovního základu
V predchozí kapitole zminované slovo tuleň se v reci sklonuje stejne jako slovo muž. V psané ceštine ale není prípustný výskyt d', ň ci t' pred znaky e, i ci í, takže kdybychom toto slovo do slovníku zaradili jako tuleň:muž, dostali bychom nekorektní tvary tuleňe, tuleňi a tuleňích místo správných tvaru tuleně, tuleni, resp. tuleních.
Prřidáme tedy pravidla, která ve vytvorřených tvarech nahradí všechna ďe, ďi a ďí za dě, di, resp. dí a analogicky i pro ň a ť. Pak bude možné mít ve slovníku tuleň:muž ci zeť:muž6, aniž bychom riskovali tvorení nesprávných tvaru.
Je zrřejmé, že takto formulovaná pravidla lze smysluplneř aplikovat teprve po odstranení znaku - a 0 popsaném v předchozí podkapitole. Ze struktury tuleň-e bude tedy výsledný tvar tuleně získán prřes mezitvar tuleňe. Ke stejným výsledkum by ale vedlo i nahrazování ď-e, ď-i atd. za d-ě, resp. d-i atd., které by naopak probíhalo prřed odstranřováním - a 0, tedy v našem případe tuleň-e — tulen-ě — tuleně. Duvodem pro preferenci zvoleného rešení muže být napríklad obtížnejší interpretace mezitvaru tulen-ě oproti mezitvaru tuleňe, kde druhý mezitvar odpovídá vyslovované podobeř, která je dále už jen upravována podle pravidel grafického zápisu ceštiny.
3.5 Střídání vokálU s nulou
Podle vzoru muž se sklonuje i slovo vezení, kde se ale, na rozdíl od slova tuleň, v jednotlivých tvarech vokál e pred koncovým konsonantem strídá s nulou, a to tak, že v kontextu nulové koncovky je vždy e, zatímco v kontextu ostatních koncovek se toto e ve slovním tvaru neobjevuje. Prříklady slov Ábel a d'ábel s Gsg tvary Ábela, resp. d'ábla ovšem ukazují, že z hláskového okolí nelze urcřit, které e se bude s nulou strřídat a které nikoli.7 Markéta Ziková ve své disertacřní práci (Ziková, 2008) veřnované práveř analýze vokálu strídajících se v soucasné ceštine s nulou argumentuje, že rozdíl mezi slovy jako Ábel a d'ábel musí být specifikovaný lexikálne (cit. d., s. 20).
6. Nemohu v tomto okamžiku nabídnout prříklad slova koncřícího na d , protože v datech morfologického analyzátoru ajka není žádné slovo, které by koncilo na d' a zároven se skkmovalo stejne jako slovo muž: hlemýžd' a sled' mají v Npl pouze -i, jméno Lebed' naopak pouze -ové. K rešení takových případu viz dále podkapitola 3.8.
7. Leda bychom například připustili, že střídání je výsledkem hláskových procesu, které mají překvapive velký „rozhled" okolo místa, kde ke střídání dochází. O takovém řešení jsem ale nikdy ani náznakem neslyšel.
18
3. Nový formát na příkladu životných maskulin
Toho se pridržíme a slovo vezen od slova tuleň odlišíme ve slovníku tak, že prřed e strřídající se s nulou vložíme tecřku. Budeme tedy psát
tuleň:muž věz.eň:muž
a prřidáme pravidlo, které bude takové vokály prředcházené tecřkou vhodneř zpracovávat. zatím postacří, když je bude rušit vždy, pokud nebude následovat C-0, kde C je libovolný konsonant. Je nasnade, že takové pravidlo musí být aplikováno prřed pravidly z podkapitoly 3.3 odstranřujícími znaky - a 0 , a tedy jako zatím první z pravidel prřevádeřjících struktury na slovní tvary. Na podporu práveř tohoto rřešení oproti na první pohled stejneř tak dobrře možnému nahrazení neřjakým (jedním) znakem mimo cřeskou abecedu lze uvést dva duvody:
• Jednak e není jediný vokál, který se strídá s nulou, ale ve slovech prejatých z jiných slovanských jazyku se s nulou mohou strídat i jiné vokály. Slovenská mesta Kežmarok a Ružomberok mají i v ceských vetách Gsg tvary Kežmarku, resp. Ružomberku. SSjC (a podle nej i data brneřnského analyzátoru) dále uvádí prřejímku ze srbštiny momak s Gsg momka.8 Vložení tecky pred vokál strídající se s nulou nám umožní všechny tyto prípady zachytit jednotným zpusobem.
• zárovenř tato forma respektuje rřešení Markéty zikové, která vokály strřídající se s nulou a odpovídající vokály, které se s nulou nestrřídají, analyzuje jako totožné segmenty, které jsou pouze ruzným zpuso-bem zapojené ve fonologické strukturře (cit. d., od s. 90 dále). A stej-neř tak i ve výše navrhovaném zápisu jsou vokály strřídající se s nulou „kvalitativne" totožné s temi vokály, které se s nulou nestrídají, rozdíl je jen v jejich reakci na kontext. Podstatné je, že jsou totožné už ve vytvárřených strukturách (pokud bychom si je naprříklad chteřli také
8. Lze si ale prředstavit i tvrzení, že cřeština sice umožnřuje pravidelné strřídání e s nulou, ale neumožnřuje takové strřídání pro libovolný vokál. A že tedy v teřchto prřípadech nedochází (prřípadneř dokonce ani nikdy nedocházelo) ke strřídání vokálu s nulou ve smyslu dvojí realizace téhož slovního základu, ale jde o jeho dve ruzné formy pravidelne neodvoditelné ani vzájemneř, ani z neřjakého spolecřného základu (naprříklad momak- a momk-, podobneř jako je třeba páň- a paň- ci prí-(tel-) a přá-(tel-) atp., o takových pnpadech viz dále podkapitola 3.12). Podotýkám, že takové tvrzení by nutneř prředpokládalo, že rozdíl mezi strukturou a z ní odvozovaným slovním tvarem odpovídá neřjaké reálné skutecřnosti. z pohledu pouhé deskripce samotných výsledných slovních tvaru, kdy by tato struktura byla jen technickým řešením, jako jsou treba intersegmenty ve stávajících datech analyzátoru ajka, samozřej-meř ke strřídání vokálu s nulou evidentneř dochází a uvedené tvrzení vlastneř ani není možné formulovat.
19
3. Nový formát na příkladu životných maskulin
uchovávat), a nikoli jen ve slovních tvarech z teřchto struktur získávaných, jako by tomu bylo v prřípadeř, kdybychom vokály strřídající se s nulou reprezentovali neřjakým jedním znakem, který by byl neřkdy zmeřneřn na prříslušný vokál a jindy naopak odstraneřn.
Pozorný ctenár Mluvnice ceštiny 2 by ješte mohl pripomenout touto mluvnicí nabízený duvod střídání, totiž vkládání e vynucené artikulacní nárocností původní konsonantické skupiny na konci slovního základu.9 V takovém prípade by mohlo být vhodnejší mít slovo vezen ve slovníku jako vězň:muž a pridat pravidla, která by do urcitých (nejak vymezených) konsonantických skupin pridávala e. Proti takové interpretaci Markéta Ziková argumentuje m. j. dokladem 15 razných konsonantických skupin, pro které vysvetlení predkládané Mluvnicí ceštiny nelze použít (cit. d., s. 20). Mezi slovními základy koncícími temito skupinami jsou totiž jak ty, kde se uvnitrř skupiny strřídá e s nulou, tak ty, kde se e neobjevuje ani prřed nulovou koncovkou.10 Z množství a charakteru dokladu je zrejmé, že nejde o nahodilé výjimky, ale skutecne o jev obecne nezávislý na hláskovém okolí.11
3.6    Zmeny konce slovního základu v kontextu koncovky -i
Slovo vezír se sklonuje podle vzoru pán s v^imkou koncovky -i v Npl a Vpl, kde je místo *vezíri správným tvarem vezíri. Pokud je tedy chceme presto zarřadit ke vzoru pán, musíme prřidat pravidlo, které zmeřní r prřed i na ř. Protože ale takto nerrmžeme modifikovat napríklad tvary slova princ, budeme nahrazovat pouze taková r, která bude od následujícího i oddeřlovat znak -, tedy zameníme každé r-i za ř-i. Opet lze snadno videt, že toto pravidlo musí být aplikováno pred odstranením znaku - a 0, naopak ale nezáleží na poradí vzhledem k vyhodnocení vokálu následujících po tecce. Budeme tedy r-i na ř-i prřepisovat naprříklad až poté, tedy po vyhodnocení vokálu strídajících se s nulou.
9. „tvar gpl je u feminin i. typu jediným pádem s koncovkou nulovou. tato skutecřnost má dosah pro jména s obtížneř vyslovitelnou souhláskovou skupinou na konci základu: mezi cleny nekterých skupin se vsouvá -e-" (MČ2, s. 325). Je ale potreba dodat, že v ostatních prípadech téhož jevu u podstatných jmen MČ2 strídání pouze zmiňuje, aniž by vysviétlo-vala jeho duvody, a že i v tomto případe sama uvádí príklady, které dokládají nemožnost vysveřtlit veškeré toto „vsouvání" pouze výslovnostními obtížemi.
10. K na zacátku podkapitoly zmmovaným slovum Abel a ďábel lze přidat slovo konstábl s Gsg konstábla — nutno ale priznat, že nebylo jednoduché najít hláskové okolí, které Markéta Ziková nezminuje (cit. d., s. 20) a u kterého jsou zároven v rámci životných maskulin realizovány všechny trři možnosti, tedy normální e, e strřídající se s nulou i absence vokálu.
11. K možnému využití cřástecřné pravidelnosti nicméneř viz dále podkapitolku 4.7.4.
20
3. Nový formát na příkladu životných maskulin
V tomtéž kontextu budeme chtít nahrazovat i g, h, ch a k za z, z, š, resp. c, budeme tedy mít analogická pravidla pro nahrazení každého g-i za z-i atd. Abychom byli konzistentní, budeme prřed -i nahrazovat dokonce i d, n a t za ď, ň, resp. ť.12 Takto vzniklá ď, ň a ť sice vzápetí nahradíme zpeřt za d, n, resp. t (viz drříve podkapitola 3.4), ale umožní nám to zachytit zmeřnu, která se projevuje ve výslovnosti, aniž by se ovšem jakkoli odrážela v grafickém zápisu. Geneze napr. tvaru sloni tedy projde stádii slon-i, sloň-i, sloňi a sloni. Toto samozrejme nijak neovlivní vytváre-né slovní tvary, které by byly stejné i v prřípadeř, že bychom d, n a t prřed -i nenahrazovali, umožní to ale naprříklad získat podobu, která odpovídá výslovnosti daného slovního tvaru.
3.7    Výber koncovky podle vlastností slovního základu
Ke vzoru pán se tradicne radí i slova mág, vrah, mnich ci vnuk, která ale mají ve Vsg a Lpl odlišné koncovky: -u a -ích místo -e a -ech. V obou pnpadech je distribuce koncovek až na výjimky závislá na zakoncření slovního základu. Koncovky -u a -ích se použijí práveř tehdy, pokud slovní základ koncří na g, h, ch nebo k. Od výjimek jako treba bůh, bozích, ale bože v tuto chvíli abstrahujeme (jejich rřešení viz dále podkapitola 3.12).
Potrebujeme tedy umet popsat, že urcitá koncovka se muže připojit pouze ke konkrétním zpusobem zakonceným slovním základum. Budeme to vyjadrřovat pomocí lomítka (/) za koncovkou, po kterém bude následovat regulární výraz popisující prípustný konec slovního základu.13 Konkrétní úprava drříve uvedeného vzoru pán bude vypadat takto:14
k1gMnSc5 e, u/[ghk]|ch
k1gMnPc6 ech, ích/[ghk]|ch
Tato omezení v seznamu koncovek budeme vyhodnocovat následujícím zpusobem: pro daný slovní základ vezmeme všechny koncovky ze seznamu odpovídajícího urcité znacce a pro všechna specifikovaná omezení zjis-
12. Stále je to ovšem jen řešení konkrétního případu zmen v kontextu určitého typu koncovek. K obecnému řešení viz dále podkapitolku 3.12.3.
13. Protože data budou zpracovávána skriptem v jazyce Perl, budou v datech akceptovány regulární výrazy jazyka Perl 5.10, které jsou vesmes kompatibilní s regulárními výrazy jak v jiných programovacích jazycích, tak například v klientech korpusových manažeru. Budu tedy dále prředpokládat obecnou znalost jejich syntaxe, prřehled a vysveřtlení v textu práce použitých konstrukcí nicméneř uvádím v prříloze C.
14. Místo [ghk]|ch by stacilo psát pouze [ghk], ch je pridáno spíše pro názornost.
21
3. Nový formát na příkladu životných maskulin
tíme, jestli konec slovního základu vyhovuje regulárnímu výrazu.15 Pokud budou v seznamu koncovek takové, jejichž omezením bude slovní základ vyhovovat, použijí se pouze tyto koncovky. Když takové koncovky nalezeny nebudou, použijí se všechny koncovky, které nemají specifikováno žádné omezení.
Pro lepší názornost nekolik dusledku, které plynou z receného:
• nemá-li žádná z koncovek žádné omezení, použijí se všechny;
• když je potreba popsat, že koncovka a se má použít v každém prípade, a že navíc za podmínky x je přípustná i koncovka b, lze použít prázdný regulární výraz, tedy psát a/, b/x;
• jestliže se má za podmínky x použít koncovka a a jinak koncovka b, je nejkratším zpusobem zápisu a/x, b16;
• pokud budou mít všechny koncovky neprázdné omezení, muže se stát, že neřjaký slovní základ nebude vyhovovat žádnému omezení, v kterémžto prřípadeř k neřmu nebude prřipojena žádná z koncovek;
• bylo by možné mít jednu koncovku bez omezení a druhou s prázdným omezením (tedy neřjaké a, b/), ale nedávalo by to prříliš dobrý smysl, protože první koncovka by se nikdy nepoužila.
Pridáme-li tedy nyní do slovníku napr. vrah:pán, budeme vytváret struktury vrah-u a vrah-ích. Pokud platnost pravidel z predchozí podkapitoly rozšíríme z kontextu -i i na kontext - í, dostaneme z techto struktur správné slovní tvary vrahu a vrazích. Díky temto pravidlum (i v jejich puvodní podobe) bude navíc v porádku i tvar vrazi pro Npl a Vpl.
Souhru všech doposud popsaných pravidel lze ukázat na jménech jako Ludek, Stanek a Zítek. Do slovníku je pridáme v podobe Luď.ek:pán atd. a budeme tvořit napr. struktury Luď.ek-0 pro Nsg a Luď.ek-ích pro Lpl, kdy prři tvorbeř druhé struktury uplatníme práveř zavedený výbeřr podle zakoncření slovního základu. Aplikace pravidel pro prřevod struktur na slovní tvary pak bude probíhat v krocích Luď.ek-0 — Luďek-0 — Luďek
15. Konkrétne budeme slovní základ testovat proti regulárnímu výrazu (?:omezení)$.
16. Tímto případem je práve provedená úprava vzoru pán, tedy e, u/[ghk]|ch. Za poznámku stojí, že co do výsledku je to samozrřejmeř symetrické: lze stejneř tak dobrře psát i neco na zpusob e/[bdflmnprstvzaeio], u (prípadne seznam hlásek vymezit negativne: [~ghk], u). Je tedy možné dát najevo, kterou z koncovek považujeme za základní a kterou za prříznakovou, at' už by pro nás tyto pojmy znamenaly cokoli. Naopak explicitním omezením obou koncovek, např. e/[bdflmnprstvzaeio], u/[ghk]|ch, bychom mohli takovou interpretaci znemožnit. A pochopitelneř to také lze psát libovolneř a žádný význam tomu neprřikládat. Nicméneř motivací k rozlišení koncovek bez explicitneř uvedeného omezení a koncovek s prázdným omezením, tedy explicitneř neomezených, je práveř umožnit rozlišení základní a prříznakové varianty.
22
3. Nový formát na příkladu životných maskulin
— Luděk, respektive Luď.ek-ích — Luďk-ích — Luďc-ích — Luďcích. Analogicky by se pravidla použila i pro Staň.ek:pán a Zíť.ek:pán. Pri-pomínám, že v dosavadních rřešeních by každé z nich vyžadovalo vlastní, nepríliš obsazený vzor.17 A stejně tak i zminovaní mág, vrah, mnich ci vnuk, ale i další slova jako napr. orel, lev, pes, medvídek, nezmar, blázen a ostatně i samotný pán — žádná dve z nich by nemohla být u spo-lecřného vzoru. Naproti tomu v navrhovaném formalismu je už po zavedení neřkolika málo pravidel lze všechna jednoduše zarřadit k témuž vzoru pán.
Ješte ale musíme vyrešit jednu drobnou nesrovnalost: od slova mág je v Npl a Vpl spisovný tvar pouze mágové, nikoli *mázi, kterýžto tvar bychom ale v tuto chvíli vytvárřeli z prřípadného mág:pán ve slovníku. Pohledem do dat morfologického analyzátoru lze oveřrřit, že žádné životné maskulinum netvorí v Npl (a Vpl) oba tvary -zi i -gové, vždy pouze jen -gové.18 To nám umožnuje upravit definici vzoru pán následujícím zpusobem:
klgMnPcl i/[~g], ové/
k1gMnPc5 i/[~g], ové/
3.8    Odvozené vzory
Nekterá slova razená tradicne ke vzoru pán pripouštejí v Npl a Vpl jen jednu z koncovek -i a -ové. Jsou tak napríklad ve spisovné ceštine na jedné straně pouze filozofové, na straně druhé pouze doktori. Jiná slova v těchto pádech mohou mít i koncovku -é, takže treba kromě akrobati mohou být i akrobaté, nikoli však *akrobatové. A ještě jiná tvorí spisovné Npl a Vpl tvary dokonce výhradně s koncovkou -é, kupríkladu občané. Ve všech ostatních pádech obou císel se všechna zminovaná slova i mnoho dalších sklonují podle vzoru pán. Na rozdíl od slov z predchozí podkapitoly je ale nelze vymezit podle konce slovního základu cři neřjakých jiných kritérií, nebo alesponř ne obecneř (viz ovšem i dále podkapitola 4.7).
17. Tak alespon v Brně, viz i príklady 2.1 a 2.2 a související text. V Praze by kvuli nízké cřetnosti byly neřkteré z nich jen výjimkami uvedenými prřímo ve slovníku.
18. Pro úplnost je potrřeba dodat, že žádné životné maskulinum koncřící v Npl a Vpl na -zi i -gové neznají ani IJP a MC2. Nicméně ani IJP (výklad „Sklonování mužských živ. jmen — 1. p. mn. c.", http://prirucka.ujc.cas.cz/?id=226), ani MC2 (s. 296) neríkají, že taková slova neexistují, jenom vyjmenovávají jednotlivá zakoncření (-log, -urg, ... ) cři konkrétní slova (mág, mustang,...), která připouštějí pouze koncovku -ové. Protože jim ale ve zobecnění těchto dat nic nebránilo, lze si myslet, že je nezobecnili záměrně, a že tedy omezení i/[~g] by bylo z pohledu IJP a MCC2 sporné, pokud by mělo vyjadřovat právě takovou generalizaci. Alternativní řešení pro takový případ viz dále v podkapitolkách 3.8.1 a 4.7.3.
23
3. Nový formát na příkladu životných maskulin
Potrebujeme tedy už na úrovni slovníku rozlišit, která slova budou mít jaké Npl a Vpl končovky. Dosavadním rešením takové situače (v Praze i v Brne) je zavedení novýčh vzoru, z výše uvedenýčh dat ale nutne plyne, že by byly vzájemne témer totožné. Abyčhom se takové redundanči vyhnuli, budeme tyto vzory definovat pouze odlišností od nejakého již existu-jíčího vzoru. Formálne bude definiče takového odvozeného vzoru vypadat tak, že za jménem vzoru bude dvojtečka a jméno vzoru, z nehož čhčeme nový vzor odvodit. Mezi značkami pak budou uvedeny pouze ty, jejičhž seznamy končovek čhčeme nahradit. Vzory pro slova z predčhozího od-stavče budou tedy vypadat takto:19
filozof:pán
k1gMnPc1 ové
k1gMnPc5 ové doktor:pán
k1gMnPc1 i k1gMnPc5 i
akrobat:pán
k1gMnPc1 é, i
k1gMnPc5 é, i
občan:pán
k1gMnPc1 é k1gMnPc5 é
Bude-li slovní základ ve slovníku zařazen k odvozenému vzoru, získají se príslušné slovní tvary tak, že se nejprve vytvorí všečhny tvary podle vzoru, z nehož je odvozováno. Poté se přidají tvary podle novýčh seznamu končovek, prřípadneř se jimi nahradí drříve vytvorřené tvary shodnýčh značek, pokud existují. Bude-li tedy ve slovníku napríklad agronom:filozof, vytvorří se od daného slovního základu nejprve všečhny tvary podle vzoru pán, zejména tedy tvary agronomi a agronomové pro značky k1gMnPc1 a k1gMnPc5. Pak se pro tyto značřky vytvorří tvary agronomové, kterými budou drříve vytvorřené tvary nahrazeny.20
19. Vzory jsou stejnojmenné, ale nikterak na tom nezáleží. Podobneř jako ve stávajíčíčh (brneřnskýčh) datečh je i zde jméno vzoru jen nálepka, kterou lze volit zčela libovolneř, na tvorení slovníčh tvaru nemá žádný vliv. Zejména jsou ale tyto konkrétní vzory jen ilustračí obečného prinčipu na jednodučhýčh prříkladečh, pozdeřji se ukáže, že tato slova bude lépe rřešit ješteř tročhu jinak. Viz dále podkapitola 3.10.
20. Nenulovost pruniku mezi množinou puvodníčh tvaru a množinou novýčh tvaru je obečne irelevantní a jde zde jen o shodu okolností — například pro slovní základy zařazené ke vzoru občané budou původní dva tvary nahrazeny třetím, odlišným tvarem.
24
3. Nový formát na příkladu životných maskulin
Pozorneřjší cřtenárř by v tuto chvíli mohl vznést námitku, že prřece stejneř tak dobře bychom mohli napríklad mít jako základ vzor filozof a od nej odvozovat vzor pán. A že by pak byla otázka, co by mely jednotlivé možnosti (pán — filozof, resp. filozof — pán) znamenat, a v případe, že by jim nebylo možné dodat nejakou interpretaci, jestli je vubec v porádku to tímto zpusobem popisovat. Jak zminuji už v poznámce 19, priznávám, že je to zde takto jen pro ilustraci, jako v tuto chvíli vhodný jednoduchý prří-klad možné motivace zavedení odvozování vzoru. Ve skutecnosti budou tyto veřci nakonec rřešeny jinak, vesmeřs bez takovéto nesnadno interpreto-vatelné symetrie. Viz dále podkapitoly 3.10 a 3.11.
3.8.1   Systémovost oproti nahodilosti
Na tomto místeř musím prřiznat drobounký faul, kterého jsem se prřed chvílí na cřtenárři dopustil (kdo si ho povšiml, zaslouží obdiv, že cřte opravdu dukladne). Nový formát, který zde popisuji, vznikal približne tak, že jsem zacal od základních, „školních" vzoru a mezi jednotlivými v soucasných datech existujícími vzory životných maskulin hledal ty nejméneř odlišné. Jejich odlišnost jsem po prřípadném vhodném zobecneřní popsal pravidlem, takže z pohledu nového popisu splynuly tyto vzory se základními a mohl jsem takto postupne hledat opet další a další.21
Je možná patrné, že zhruba tímto zpusobem postupuji i pri motivaci nového formátu v této kapitole. Proto jsem napríklad v podkapitole 3.4 zobecnil grafickou zmenu ň a t' pred e, i ci ích i na d', prestože jsem pro ne v tu chvíli nemel žádný príklad, jak ostatne zminuji v poznámce 6. Stejným pripadem je ve skutecnosti i slovo mág z predchozí kapitoly: pokud by bylo zarřazeno ke vzoru pán a slovní tvary byly vytvárřeny podle do té chvíle popsaných pravidel, nelišily by se od správných tvaru jen v koncovkách Vsg a Lpl jako u ostatních zmíneřných slov, tedy slov vrah, mňich cři vňuk, ale lišily by se i v koncovkách Npl a Vpl. Jestliže jsem tedy tato cřtyrři slova v tu chvíli uvedl vedle sebe, nebylo to úplne konzistentní. Všechna slova koncící na g mela být až u vzoru filozof pridaného teprve v této podkapitole.
z tohoto pohledu by tedy bylo konzistentní místo prříkladu slova koncří-cího na g jen napsat poznámku podobnou výše prřipomínané poznámce 6. Využil jsem ale toho, že to nejenže lze vyrřešit pomocí práveř prředstavované cásti formalismu — ale že navíc, a proto tomu zde vubec venuji takovou pozornost, bude takový popis umožnřovat zásadneř odlišnou interpretaci oproti zarřazení všech teřchto slov ke vzoru filozof.
21. Nepovažuji tyto informace za podstatné, proto nebyly uvedeny už na zacátku kapitoly.
25
3. Nový formát na příkladu životných maskulin
Tato odlišnost už byla zmíneřna v poznámce 18. Omezením koncovky i/[~g] lze totiž vyjádrit presvedcení, že kombinace slovního základu za-konceného na g s koncovkou i je z nejakého duvodu zásadne nemožná. Naproti tomu zarazení všech slov koncících na g ke vzoru filozof vyja-drřuje názor, že aktuálneř sice všechna taková slova prřipoušteřjí v Npl jen koncovku -ové, že ale nejde o žádný systémový jev, nýbrž o pouhou nahodilost, podobneř jako naprříklad ze samotné neexistence slova obsahujícího posloupnost hlásek kremš nelze usuzovat na obecnou nemožnost výskytu takové posloupnosti hlásek v cřeských slovech. Nebo podobneř, abych využil již drříve uvádeřný prříklad, jako když aktuální neexistence životného maskulina koncícího na d' a pripouštejícího v Npl koncovky -i i -ové nebude asi pro nikoho znamenat systémovou nemožnost naprříklad vzniku takového slova.
Krome dvou výše popsaných možností nabídnu v podkapitolce 4.7.3 ješteř další, do jisté míry kompromisní rřešení.
3.8.2   Vzor soudce
Doposud jsme mluvili pouze o slovech, která mají v Nsg nulovou koncovku, takže na první pohled je slovní základ totožný s tvarem Nsg, kterým je obvykle referováno i ke všem tvarum.22 To mohlo vzbuzovat zdání, že do slovníku pridáváme jakoby prímo tyto „základní" tvary, lemmata, tím spíše, že jsem se pro jednoduchost ani nesnažil toto výslovneř rozlišovat a mluvil jen o zarazování slov ke vzorum. Na príkladu slov řazených tradicne ke vzoru soudce si ale pripomeneme, že ve slovníku jsou v tuto chvíli opravdu jen slovní základy.
Sklonřování slova soudce se od sklonřování slova muž liší jen minimálneř. Mužeme tedy zavést následující vzor:
soudce:muž
klgMnScl e k1gMnSc5 e
Pokud ted' uvážíme napríklad samotné slovo soudce, je zrejmé, že musí být do slovníku zarřazeno jako soudc:soudce, aby mohly být tvorřeny struktury soudc-e, soudc-i atp. a z nich dále získávány správné slovní tvary slova soudce.
22. K celému systémovému slovu jako souboru textových slov, respektive slovních tvaru, rřecřeno terminologií MCř2 (s. 253).
26
3. Nový formát na příkladu životných maskulin
3.9    Omezené vzory
Zustává jediný tradicní vzor, který zatím nebyl zmínen, a to předseda. Protože ale samotné slovo předseda pripouští v Npl a Vpl pouze koncovku -ové, budeme vycházet ze vzoru despota (viz i poznámka 3 v podkapitole 3.3). Jeho základní podoba vypadá takto:
despota
k1gMnSc1	a
k1gMnSc2	y
k1gMnSc3	ovi
k1gMnSc4	u
k1gMnSc5	o
k1gMnSc6	ovi
k1gMnSc7	ou
k1gMnPc1	i, 1
k1gMnPc2	ů
k1gMnPc3	ům
k1gMnPc4	y
k1gMnPc5	i,
k1gMnPc6	ech
k1gMnPc7	y
Stejneř jako u slov rřazených ke vzoru soudce nebudou ani zde slovní základy ve slovníku shodné s tvarem Nsg, ale bude potrřeba psát naprříklad despot:despota (viz ovšem dále podkapitolky 4.4.1 a 4.7.4).
Podobne jako v předchozí podkapitole mužeme dále pridat odvozené vzory předseda a izraelita:
předseda:despota
k1gMnPc1 ové
k1gMnPc5 ové izraelita:despota
k1gMnPc1 é
k1gMnPc5 é
A stejneř jako v podkapitole 3.7 i zde platí, že pokud bude slovní základ koncit na g, h, ch nebo k (napríklad kolega, sluha, monarcha ci vozka), bude v Lpl vždy koncovka -ích a nikdy -ech. Bude tedy i zde možné udelat tutéž úpravu a prřímo ve vzoru despota mít:
k1gMnPc6 ech, ích/[ghk]|ch
27
3. Nový formát na příkladu životných maskulin
Po takové úprave se vzory pán a despota budou v plurálu lišit pouze jedním detailem, a to omezením Npl a Vpl končovky i/[~g] (viz koneč podkapitoly 3.7 a podkapitolka 3.8.1). Prřitom ale neexistuje čřeské slovo, které by v Nsg končilo na ga a v Npl a Vpl pripouštelo zakončení zi. Muže-me tedy takové omezení pridat i do vzoru despota, aniž by to melo dopad na slovní tvary získávané podle vzoru pridanýčh v této podkapitole.
Pak budou vzory pán a despota v plurálu shodné, a budeme tedy čhtít umet vyjádrit práve toto, že despota je jako pán, ale jen v plurálu.23 To zobečníme na možnost použít ze vzoru pouze značřky odpovídajíčí určřité-mu regulárnímu výrazu: napíšeme-li vzor_RE, bude to znamenat značky vzoru vzor odpovídajíčí regulárnímu výrazu RE. Vzor despota tak bude možné spečifikovat jen pro singulár, plurál bude odvozen od vzoru pán:
despota:pán_nP
klgMnScl a
k1gMnSc7 ou 3.10   Alternativa k odvozeným vzorům
Zarřazení slova k odvozenému vzoru filozof z podkapitoly 3.8 rříká, že slovo se sklonřuje podle vzoru pán s výjimkou Npl a Vpl, kde je prřípustná pouze končovka -ové. Samo o sobe se to rrmže jevit jako rozumné rešení. Pokud se ale podíváme na vzor předseda, zjistíme, že ríká nečo podobného: slova k nemu zarazená se sklonují podle vzoru despota — s toutéž výim-kou. A stejne tak i k tradičnímu vzoru muž je řazeno množství slov, která v Npl a Vpl prřipoušteřjí pouze končovku -ové, naprř. plebej, a která by vyžadovala zavedení vzoru obdobného významu jako filozof a předseda. Presne stejná situače jen s jinou končovkou je u vzoru občan, izraelita a treba učitel.
Krříží se tu tedy dveř relativneř nezávislé veřči, totiž zarřazení k jednomu z tradičníčh vzoru a prípustné končovky v Npl a Vpl, kdy ale zarazení slova k dríve uvedeným vzorum neumožnuje tuto nezávislost vyjádrit.
23. Ctenář zde muže namítat, že přeče nejen kolega, ale ani sluha, monarcha či vozka a obečne žádná životná maskulina zakončřená v Nsg na ha, cha čři ka nemají v Npl a Vpl končovku -i. A že dokud vzor despota popisoval i plurálové končovky, bylo tuto skutečnost možné vyjádřit vhodným omezením končovky i, ovšem není možné patřične omezit tuto končovku u vzoru pán, protože existuje mnoho slov jako napríklad potomek, která v Npl a Vpl -i při-poušteřjí. Je to pravda: tento prříklad je zde opeřt jen jako motivače k zavedení omezenýčh vzom a nakoneč to bude řešeno odlišne (viz podkapitolka 4.7.4).
28
3. Nový formát na příkladu životných maskulin
Doposud definované vzory vždy popisovaly všechny kombinace pádu a císla, at' už se tak delo prímo, nebo prostrednictvím odvození od jiného vzoru.24 Abychom dokázali adekvátne vyjádrit práve zmínenou obecnou nezávislost tradicřního vzoru a koncovek v Npl a Vpl, prřidáme vzory, které budou popisovat jen tyto konkrétní koncovky. A protože na jméneř nezáleží, zvolíme mnemotechnické pojmenování:
-ové
k1gMnPc1 ové
k1gMnPc5 ové
-i
k1gMnPc1 i
k1gMnPc5 i
-é
k1gMnPc1 é
k1gMnPc5 é
Formalismus dále obohatíme o možnost specifikovat pro slovní základ ve slovníku více vzoru prostrednictvím jejich seznamu oddeleného cárka-mi. Tím nám odpadne potreba vzoru filozof, izraelita atp. Místo toho bude možné ve slovníku psát
filozof:pán,-ové
doktor:pán,-i
občan:pán,-é
předsed:despota,-ové
izraelit:despota,-é
Interpretace takových dat bude podobná odvozeným vzorum: pokud bude u slovního základu uveden seznam vzoru, vytvorí se nejprve tvary podle prvního z nich. Pak se pro každý další vzor ze seznamu postupneř vytvorří tvary i podle neřj a prřidají se k již drříve vytvorřeným. Pokud mezi nimi budou tvary se stejnou znacřkou, budou noveř vytvorřenými tvary nahrazeny (to je případ všech uvedených príkladu).
Jediný z dríve popsaných odvozených vzoru, který takto nemužeme nahradit, je vzor akrobat. Musíme udelat ješte jednu drobnou zmenu formátu: u jednotlivých vzoru v seznamu bude možné znakem + vyjádřit, že nemají prřípadné drříve vytvorřené tvary stejných znacřek nahrazovat, ale do-plnřovat (ovšem bez vzniku duplicit). Je zrřejmé, že takové + bude mít smysl
24. Formalismus to ovšem nijak nevyžadoval, pouze jsme si práve takto vzory definovali.
29
3. Nový formát na příkladu životných maskulin
jen u druhého a dalších vzoru v seznamu, u prvního by se nijak neprojevilo. Mužeme ted' tedy psát nejen
akrobat:pán,-i,+-é
ale i naprříklad
dřevokaz:pán,+muž
Za poznámku stojí, že popsané rřešení je principiálneř shodné s rřešením téhož problému, které ve své práci navrhuje Jaroslava Hlavácová (2009). Na životných maskulinech to není tolik patrné, ale prři pohledu na tabulku 9.2 (cit. d., s. 87) príkladu lemmat ohýbaných podle vzoru hrad je shoda základní myšlenky zrřejmá: je stanoven základní vzor a k neřmu prřidána informace o prřípustných koncovkách v tzv. kritických kombinacích, tedy kombinacích pádu a cřísla umožnřujících obecneř více zakoncření, ale ne pro všechna lemmata (cit. d., s. 82). Kosmetické odlišnosti jsou spíše podružné, prřestože si troufám tvrdit, že mluví jednoznacřneř ve prospeřch mého rřešení:
• Stanovuji implicitní, základní koncovky a popisuji pouze odlišnost od nich. tedy v prřípadeř vzoru hrad bych meřl v tomto vzoru koncovku u pro Gsg i Lsg a koncovky ech, ích/[ghk]|ch pro Lpl a ve slovníku pak popisoval pouze odchylky.25 Naprříklad pro slova z tabulky 9.2 (cit. d., s. 87) by to tedy bylo neco na zpiäsob
problém:hrad
hotel:hrad,+-ích
kurs:hrad,+-ě
oceán:hrad,+-ě
srp.en:hrad,-a
• Navíc ale rešení Jaroslavy Hlavácové vyžaduje program, který ví, jak je informace o koncovkách pro kritické kombinace tradicřního vzoru zakódována do názvu vzoru uvedeného u kofixu. V mém formalismu je toto transparentneř prřímo v datech, program všechny vzory zpracovává stejným, triviálním zpiäsobem.26
25. Takže samotné slovo hrad by pak muselo být ve slovníku jako nejaké hrad:hrad,+-ě.
26. Pro úplnost je potrřeba dodat, že podobné rřešení by bylo myslitelné (lecř nepoužité) i v puvodním pražském systému (Hajic, 2004) zařazením téhož kofixu k více k takovému úcelu navrženým vzomm. A v puvodní verzi brnenského systému (Osolsobe, 1996) bylo toto svým zpusobem dokonce i realizováno prostřednictvím vhodne sestavených koncovkových množin, které ovšem nebylo možné specifikovat prímo ve slovníku pro konkrétní lemmata, ale byly zarazeny v jednotlivých vzorech u příslušných intersegmentu.
30
3. Nový formát na příkladu životných maskulin
3.11   Hovorové a nespisovné tvary
V brnenských datech jsou krome spisovných tvaru zachyceny i tvary nespisovné.27 Tyto tvary mají na konci znacky navíc atribut w s hodnotou H. Tedy napríklad tvar občani by mel znacku k1gMnPc1wH. Bylo by možné rozporovat konkrétní výsledky výberu, které typy nespisovných tvaru jsou do databáze zarazeny a které nikoli28, ale obecne není cílem mé práce se teřmito tvary jakkoli blíže zabývat, pokud to nebude nutné.
Doposud nebylo zrejmé, proc u vzoru pro slova sklonovaná podle tra-dicních vzoru pán, muž a predseda vybírám jako základní vzor ten, který má v Npl a Vpl koncovky -i i -ové. Duvodem jsou práve možné nespisovné tvary.
Pro Npl a Vpl životných maskulin totiž existují trři koncovky, -i, -ové a -é, ale jen první dveř z nich lze prřipojit ke kterémukoli životnému maskulinu. Ne vždy tak vzniknou spisovné tvary, je ale zrřetelný rozdíl v prřijatelnosti tvaru jako ?obcani, ?obcanové, ?blbcové ci ?filozofi a v pnjatelnosti tvaru jako *sloné, *mužé nebo treba *soudcé. Řeceno jinak, ?ucitelové je možná tvar hodne zvláštní, *pokrytcé je ale tvar proste nesrozumitelný. Krome introspekce, která ovšem muže v okrajových pnpadech poskytovat individuálne odlišné výsledky, to lze empiricky potvrdit naprříklad vyhledáváním teřchto tvaru ve vyhledávaci Google.
Obecneř tedy platí, že odhlédnuto od spisovnosti lze koncovky -i a -ové pro tvary Npl a Vpl použít vždy. Navíc je možné mít dveř informace:
• že lze použít i koncovku -é a
• které z koncovek -i a -ové jsou spisovné (a které tedy nespisovné).
27. Stejne tak jsou samozřejme stylove ruznou merou příznakové tvary zachyceny i v pražských datech, viz ale dále v podkapitole 5.2 polemiku s jejich aktuálním zpracováním.
28. Nemám v tomto pnpade na mysli nekonzistence zmiňované v podkapitolce 2.3.2, tedy že nekteré nespisovné koncovky nejsou u všech vzoru, u nichž by je bylo možné oprávnene ocekávat. Příkladem zřejme ne zcela vhodného výberu, které typy nespisovných tvaru zarazovat a které ne, je práve Npl tvar občani, který aktuální podoba brnenských dat nepopisuje ani jako nespisovný. Naproti tomu data znají Lpl tvar občanách, prestože napríklad SYN2005 nedokládá vubec žádný tvar maskulina zakonceného na an, které by prijímalo Lpl koncovku -ách, a nepodarřilo se mi takový tvar nalézt ani prostrřednictvím vyhledávacře Google. Je tedy patrné, že jde o systémovou záležitost, že totiž ceští mluvcí, at' už z jakéhokoli duvodu, takové tvary netvoří dokonce ani v neformálních projevech. Protože ale obecníš není žádoucí, aby data popisovala neexistující tvary (z duvodu rizika náhodné homonymie s existujícími, zbytecného zvyšování šumu z pohledu korektoru preklepu atp.), je zrejmé, že bude vhodné temto tvarum ještě věnovat pozornost, aby skutecne odpovídaly reálným jazykovým datum. To je ovšem zcela mimo rámec této práce. Jen poznamenám, že v tomto konkrétním prřípadeř mohu odkázat na podkapitolu 3.7, kdy v ní prředstavené prostrředky umožnřují jednoduše popsat pozorovanou nekompatibilitu zakoncření an a koncovky -ách.
31
3. Nový formát na příkladu životných maskulin
Abychom mohli vyjádrit práve toto, obohatíme formát o znak <, který bude možné používat ve stejných kontextech, jako v prředchozí podkapitole pridaný znak +. Bude-li v seznamu vzoru pred jménem nekterého vzoru tento znak, nebudou prři shodeř znacřek (viz obecneř vyhodnocení seznamu vzoru v predchozí podkapitole) dríve vytvorené tvary nahrazeny tvary tvorřenými podle práveř zpracovávaného vzoru, ale bude teřmto drří-ve vytvoreným tvarum ke znacce pripojen príznak wH, pokud jejuž ovšem znacřka nebude mít, a nové tvary budou prosteř prřidány. Prřípadné duplicitní tvary, které by meřly stejnou znacřku až na prřítomnost cři neprřítomnost wH, budou zredukovány ve prospeřch znacřky bez tohoto prříznaku.
Pokud tedy budeme mít ve slovníku následující data:
filozof:pán,<-ové
doktor:pán,<-i
občan:pán,<-é
akrobat:pán,<-i,+-é
předsed:despota,<-ové
izraelit:despota,<-é
získáme napríklad tvary slova predseda tak, že ke slovnímu základu před-sed vytvorříme všechny tvary podle vzoru despota, zejména tedy tvary předsedi a předsedové pro znacky klgMnPcl a k1gMnPc5. Pak od téhož slovního základu vytvorříme i tvary podle vzoru -ové, totiž pro tytéž znacky tvar předsedové. Ke znackám puvodních tvaru pripojíme príznaky wH a přidáme k nim práve vytvorené tvary podle vzoru -ové. Ve výsledku tedy bude mít tvar předsedi znacky klgMnPclwH a k1gMnPc5wH a tvar předsedové bude mít krome techto znacek navíc i znacky klgMnPcl a klgMnPc5. Nakonec odstraníme duplicitní tvary předsedové se znacka-mi klgMnPclwH a klgMnPc5wH.
Podotýkám, že zavedený znak < nejen umožnřuje lépe zachytit drříve v podkapitole popsané chování pozorovaných jazykových dat, ale dovoluje také výrazneř úsporneřjší zápis. Bez neřj bychom totiž museli koncovky s priznakem wH definovat prímo v jednotlivých vzorech -i, -ové a -é. Museli bychom tedy naprříklad psát:
-é
klgMnPcl é klgMnPc5 é
klgMnPclwH i, ové
klgMnPc5wH i, ové
32
3. Nový formát na příkladu životných maskulin
3.12   Nepravidelné tvary
Neřkterá slova mají v neřkterých kombinacích cřísla a pádu tvary, které jsou i v mluvnicích uvádeřny jako nepravidelné výjimky. Jsou tak naprříklad od slov pán a syň Vsg tvary pane a syňu namísto pravidelných *páne a *syňe. Podobne plurálové tvary slova přítel nejsou *přítelé, *přítelu atd., ale nepravidelne přátelé, přátel atp. Tyto výjimecné tvary jsou skutecne nepravidelné v tom smyslu, že stejnou hláskovou zmeřnou slovního základu a (nebo) stejnou koncovkou není utvorřen tvar téhož cřísla a pádu pro žádné jiné slovo, prřípadneř jen pro neřkolik málo. Pokud tedy chceme mít ve slovníku to, co je jedinecné, a v souboru vzoru to, co je pravidelné, je zrejmé, že informace o teřchto výjimecřných tvarech musí být ve slovníku, jako je tomu ostatneř v pražském systému už ted'.
Doposud bylo („systémové", viz MC2, s. 253) slovo ve slovníku popsáno jedním rádkem, na kterém byl uveden slovní základ a seznam vzoru. Abychom ale mohli zachytit zmínené výjimecné tvary, umožníme popsat tvary urcřitého slova na více rřádcích. Protože by obecneř nemuselo být jasné, které rřádky takto patrří k témuž slovu, budeme prři vícerřádkovém popisu všechny rřádky kromeř prvního odsazovat. Výjimecřné tvary tedy do slovníku napíšeme na samostatné rřádky a uvedeme k nim znacřky, naprříklad:
pán:pán
pan-e k1gMnSc5 syn:pán,<-ové
syn-u k1gMnSc5
Interpretace bude opet podobná jako u seznamu vzoru: nejprve od slovního základu vytvoříme tvary podle uvedeného vzoru ci seznamu vzoru. Pak postupneř prřidáme každý samostatneř uvedený tvar, prřípadneř jím prři shodeř znacřek nahradíme drříve získané tvary se stejnou znacřkou.29 Je zrřej-mé, že pro rozumné fungování i zde potrebujeme znak + zavedený v podkapitole 3.10 a stejne tak povolíme i znak < podkapitoly 3.11. Budeme tedy naprříklad moci do slovníku psát
obyvatel:muž,<-é
+obyvatel-0 k1gMnPc2
címž zajistíme, že tvarem obyvatel nebude pravidelný tvar obyvatelů nahrazen, ale bude k neřmu prřidán.
29. At' už vytvorené podle seznamu vzoru, nebo se stejnou znackou dříve uvedené na samostatném rřádku, kdy ovšem druhá varianta by pochopitelneř nedávala smysl, kdyby byla v datech skutecřneř použita.
33
3. Nový formát na příkladu životných maskulin
3.12.1 Více slovních základů
Kdybychom ale takto chtěli popsat tvary slova prítel, museli bychom samostatně vyjmenovat všechny plurálové tvary. To by ovšem nevystihovalo skutecřnost, že se až na Gsg pravidelneř sklonřují podle vzoru muž. Proto formalismus ješteř zobecníme a umožníme na samostatných rřádcích mít kromeř hotových tvaru i pouhé slovní základy se seznamem vzoru. Slovo prítel tedy bude moci být ve slovníku zachyceno takto:
přítel:muž,<-é
<přátel:muž_nP,<-é <přátel-0 k1gMnPc2
obecneř bude vyhodnocení probíhat po jednotlivých rřádcích. Nejprve se vždy vytvorří tvary popsané prvním rřádkem. Poté se budou postupneř vytvárřet tvary popsané dalšími rřádky, a to tak, že se vždy vytvorří tvary pro daný rádek a ke dríve vytvoreným tvarum budou pridány jako celek. Prípadná shoda znacek se pri tomto pridání bude rídit znakem + ci < na zacřátku rřádku, prřípadneř jeho absencí, stejneř jako v prředchozích dvou podkapitolách. Zejména tedy v prřípadeř, že bude u slovního základu na druhém ci dalším rádku seznam několika vzoru, nebudou tvary tvorené podle těchto jednotlivých vzoru pridávány prímo ke dříve získaným tvarum slova, ale nejprve se vyhodnotí tvary pro celý rřádek a pak teprve se prřidají k prředchozím.
Ve výše uvedeném popisu slova prčítel se tedy
• nejprve zpracuje první rádek, a to tak, že
- podle vzoru muž se vytvorí tvary od slovního základu přítel,
- podle vzoru -é se vytvorí tvary od téhož slovního základu, tedy tvary přítelé pro Npl a Vpl,
- vytvorené tvary přítelé se pridají ke dríve vytvoreným tvarum, pricemž znackám Npl a Vpl tvaru příteli a přítelové bude pridán príznak wH,
• pak se podobneř zpracuje druhý rřádek, a to konkrétneř tak, že
- podle vzoru muž se vytvorí tvary od slovního základu přátel, ovšem pouze pro množné cříslo,
- podle vzoru -é se vytvorří tvary od téhož slovního základu, tedy tvary přátelé pro Npl a Vpl,
- vytvorřené tvary přátelé se prřidají ke drříve vytvorřeným tva-rum, pricemž znackám Npl a Vpl tvaru přáteli a přátelové bude prřidán prříznak wH,
34
3. Nový formát na příkladu životných maskulin
• poté budou tvary vytvorené podle druhého rádku pridány k tva-rum vytvoreným podle prvního rádku, pricemž znackám plurálových tvaru (protože tvary práve techto znacek jsou vytváreny na obou rřádcích) bude prřidán prříznak wH, pokud jej už ovšem nebudou obsahovat (protože druhý rřádek je uvozen znakem <),
• nakonec bude prřidán tvar ze trřetího rřádku, prřicřemž bude znacřkám dosud vytvořených tvaru Gpl pridáno wH, pokud jejuž nemají.
Výsledné tvary tak budou obsahovat naprříklad Npl a Vpl tvary příteli, přítelové, přítelé, přáteli, přátelové a přátelé, krome posledního všechny s příznakem wH, dále pro Gpl budou vytvoreny tvary přítelů a přátelů s príznakem wH a k nim spisovný tvar přátel a tak podob-neř pro další pády. Podotýkám, že tvary přítelové, přítelé, přátelové, přítelů, přátelů atp. lze bez problému doložit prostrednictvím vyhledá-vacře Google, proto ukazuji, že je lze v mnou navrhovaném formátu systematicky popsat. Kdybychom ale chteli popisovat jen spisovné tvary slova přítel, mohl by popis vypadat úplne stejne, jen bychom nepoužili znak <.
Takto podrobne rozebírám možný popis tvaru slova přítel proto, že jej považuji za vhodný príklad podstatné odlišnosti od existujících prístupu k popisu dat morfologického analyzátoru. Dosud byla informace neuspo-rřádaná, protože všechny její cřásti téhož druhu, prřípadneř navíc v témže kontextu, si byly rovnocenné. V brneřnském systému (viz prříklad 2.2) nijak nezáleží na pořadí intersegmentu ve vzoru, na poradí koncovkových množin u jednotlivých intersegmentu nebo na poradí koncovek v koncovkových množinách.30 Naproti tomu v mém návrhu se muže zmena poradí rádku popisujících jedno slovo nebo zmena poradí vzoru v seznamu vzoru výrazným zpusobem odrazit na vytvorených tvarech.
Zejména ale tímto porřadím umožnřuji vyjádrřit, že neřjaká koncovka cři forma slovního základu je základní, v principu s neomezenými nebo méneř omezenými možnostmi použití, zato jiná koncovka ci forma že je specifická, použitelná jen v omezeneřjším spektru situací. A nadto umožnřuji dále vyjádrit i vztah specifictejších tvaru k pravidelnejším: bud'to mohou stát rovnocenne vedle sebe jako Gpl obyvatelů a obyvatel, nebo muže být pravidelnejší tvar prijatelný, ale v menší míre než tvar specifictejší, jako je tomu u Gpl přítelů, přátelů a přátel, kde lze dokonce prostřednictvím vyhledávacře Google pozorovat rozdíl i mezi dveřma nespisovnými tvary, kdy první, nejpravidelneřjší, je pro mluvcří zrřetelneř nejméneř prřijatelný. A to
30. Jedinou výjimkou je první intersegment, jeho první koncovková množina a její první koncovka, viz podkapitola 2.2, ale to je pouze technické rřešení.
35
3. Nový formát na příkladu životných maskulin
presto, že muže vyjadrovat (a vetšinou vyjadřuje) i odlišný význam než méne pravidelné tvary. Totéž lze ale pozorovat i u slova nepřítel, kde tvary množného císla od slovního základu nepřítel žádný odlišný význam nevyjadrřují.
Umožnuji vyjádrit i to, že pravidelný tvar bude specifickým bez náhrady nahrazen, ale jasný prříklad nemám a ve skutecřnosti si nejsem jistý, jestli je neco takového vubec možné. Nicméne, kdybychom napríklad chteli popisovat jen spisovnou podobu jazyka, potrřebovali bychom práveř toto.
3.12.2 Střídání dlouhých a krátkých vokálu
Slovo míl bychom v tuto chvíli mohli ve slovníku popsat následovne: vol:pán
vůl-0 k1gMnPc1
Mezi životnými maskuliny takto dochází jen ke strídání u a o, a to navíc pouze u nekolika málo slov. Totéž střídání a v tomtéž kontextu nulové koncovky Nsg lze ale pozorovat i jinde mezi substantivy, je tak napríklad stůl, ale stolu nebo sůl, ale soli. A dokonce to není omezeno jen na substantiva: je otcův, ale otcova nebo můj, ale moje. Navíc ů a o není jediná dvojice dlouhé a krátké samohlásky, která se v tomto kontextu strřídá. Je tak trřeba mráz, ale mrazu, chléb, ale chleba, sňíh, ale sňehu ci líh, ale lihu.
Abychom tuto zjevnou pravidelnost nemuseli u všech teřchto a mnoha dalších slov popisovat ve slovníku dvema ruznými slovními základy, použijeme podobné rešení, jakým jsme popsali strídání vokálu s nulou v podkapitole 3.5. Do slovního základu pred vokál, u nehož dochází ke střídání délky, pripíšeme znak %. Dále pridáme pravidlo, které bude před C-0, kde C bude libovolný konsonant, menit %a na á, %e na é, %ě a %i na í a %o na ů, pricemž v ostatních prípadech bude znak % proste odstrainovat. Na poradí tolik nezáleží, budeme ho provádeřt trřeba jako první ze všech. Postacří pak tedy do slovníku napsat jen
v%ol:pán
Lze namítat, že toto strřídání je zrřetelneř neproduktivní, že nevznikají žádná nová slova, ve kterých by k neřmu docházelo, ovšem takové situaci že by odpovídal spíše první popis. Je to možné.31 Považuji ale za výhodneřjší
31. Lze si ale také myslet, že to nemusí znamenat, že by vznik takových slov byl v soucřasné cřeštineř nemožný neřjak systémoveř, ale že jen není prříležitost: jednak jde vždy o jednoslabicř-né kořeny (nebo přípony v prípade -ův, výjimkou by mohl být kámeň, ale neznám vícesla-
36
3. Nový formát na příkladu životných maskulin
popisovat jako pravidelné vše, čo tak vypadá32, už jen proto, že je výrazneř jednodušší rozložit pravidelný popis neřjakého jevu na vzájemneř nezávislé, nesouvisejíčí popisy jednotlivýčh slov, na ničhž se projevuje, než se snažit o pročes opačřný.
3.12.3 Poznámka ke střídání hlásek obecne
Kdybyčhom ted' čhteli pridat do slovníku slovo bůh, mohli byčhom psát naprříklad
b%oh:pán
b%ož-e k1gMnSc5
čož by ale nevyjadrřovalo možnost, že v prřípadeř strřídání h a ž jde o pravidelnost (viz ovšem dále podkapitolu 4.5.1), protože jednak se totéž střídání objevuje prřed e i u jinýčh slov, naprříklad roh a rožek, jednak se v teřčhto kon-textečh pravidelne strídají i jiné hlásky, napríklad človečk, člověče a hák, háček. Toto strídání je ovšem odlišné od strídání popsaného v podkapitole 3.6 a zá-rovenř trřeba r se i v teřčhto kontextečh čhová jinak: je mistr, mistrče, ale motor, motorek (a také doktor, doktore).
Až budu mít zpračována všečhna data morfologičkého analyzátoru, budu mít presnejší predstavu, k jakým strídáním a v jakýčh kontextečh muže dočházet, která strřídání je rozumné popisovat pravidlem a která bude lépe
bičřný korřen, kde by se takto čhovala jeho poslední slabika), jednak naprříklad prři prřípadné prřejímče takového slova bude čhybeřt motivače ke strřídání. Zajímavá by tedy byla prřejímka slova z jazyka, ve kterém také dočhází k takovému strřídání. Pak by bylo možné pozorovat, jestli bude slovo prřejato i včřetneř strřídání. To ovšem bohužel není prříliš reálný sčénárř. Ničméneř náznakem ve prospeřčh pravidelnosti by mohlo být i to, čo jsem zminřoval na konči predčhozí podkapitolky (3.12.1), že se mi totiž nepodarilo nalézt dobrý príklad, kde by spečifičtejší tvar nahradil pravidelný tak, že by pravidelný nebylo možné použít ani jako nespisovný. Mohlo by se zdát, že Nsg tvary *moj chleb či *otcov lih jsou hledaným příkladem. Protože ale u všečh teéčhto slov jsou pnnejmenším pro muj idiolekt tyto tvary stejnié nepřijatelné jako treba dříve zmiňovaní *mužé či *soudcé, je pro me tato pravidelná neprijatelnost naopak argumentem, že jde v tomto prřípadeř o výsledek neřjakého pravidla, a nikoli o dva mzné slovní základy či jiný druh nepravidelnosti uvedené ve slovníku a (patrne) obečnié vedoučí i k prřijatelnosti odpovídajíčí pravidelneř utvorřené obdoby nepravidelného tvaru. Na druhou stranu, kdyby neřkdo toto strřídání čhteřl prřeče jen interpretovat ne jako pravidelnost, ale jako dva mzné slovní základy, bylo by konzistentní, aby se stejným zpuisobem zamyslel i nad střídáním vokálu s nulou z podkapitoly 3.5: nakolik v jazyče pribývají nové kořeny s takovým střídáním (nikoli tedy slova tvořená příponami -ek/0k ap.) a jaký je pří-padneř jejičh čharakter, tedy jestli je to nezávislé na hláskovém okolí, čo u takovýčh novýčh slov ovlivnřuje, jestli ke strřídání bude nebo nebude dočházet atp.
32. Počhopitelneř jen do určřité míry, dostatečřným množstvím dostatečřneř detailníčh pravidel by jiste bylo možné popsat „pravidelne" čokoli. Jde ovšem o subjektivní rozhodování, žádné objektivní meřrřítko toho, čo je pravidelné a čo nepravidelné, mi není známo.
37
3. Nový formát na příkladu životných maskulin
zaradit do slovníku v podobe více slovních základu nebo která strídání lze popsat stejným zpusobem (jako třeba strídání pred Nsg -i a Lsg -ích) a která nikoli. Protože by nebylo rozumné navrhovat neřjaký obecný, systematický zpusob popisu jen na základe cásti dat, prozatím takové veci jen znacím nejakou vhodnou diakritikou (pochopitelneř zárovenř s prřidáním prříslušných pravidel), spíše ovšem jako technické rřešení, pouze abych zachytil pozorované pravidelnosti. Naprříklad v tomto prřípadeř tedy budu do slovníku psát b%oh-'e a člověk-'e. Obecne ale dále takovým jednotlivostem nebudu veřnovat speciální pozornost.
3.13 Minivzory
Zavedení možnosti prřidávat do slovníku nepravidelné tvary, prřípadneř variantní slovní základy bylo v prředchozí kapitole motivováno snahou deklarovanou už na zacřátku kapitoly, totiž zachytit ve slovníku to, co je jedinecř-né, a prostrednictvím pravidel a vzoru popsat to, co je pravidelné.
Mezi jedinecřným a pravidelným ovšem prřinejmenším na první pohled není žádná zrřetelná deřlící cřára, naopak je mezi nimi pomeřrneř rozsáhlá a ob-tížne hodnotitelná „šedá zóna". Tak napríklad stejným zpusobem jako slovo přítel se ohýbá i slovo nepřítel, ovšem už žádné další. Stejne jako slovo pán je v datech analyzátoru ajka popsáno dalších 16 složenin typu pul-pán, jemnostpán atp. Nejde ale jen o složeniny, unikátne a zároven stejne se sklonují treba slova Anakreón, Faethón a archón.
Aby bylo možné tuto stejnost popsat, pamatuje si skript zpracovávající data každé slovo, které je popsáno na více rřádcích. Na toto slovo se pak lze dále ve slovníku odkázat tak, že místo seznamu vzoru uvedeme první slovní základ z popisu tohoto slova a pripojíme k nemu znak $. Mužeme tedy psát naprříklad
nepřítel:přítel$
půlpán:pán$
archón:Anakreón$
pochopitelneř vždy jen za prředpokladu, že ve slovníku prředchází popis odkazovaných slov a zárovenř je tento popis vícerřádkový. Vyhodnoceno to bude tak, že se nejprve z obou slovních základu odtrhne jejich nejdelší spo-lecný pravý podřetezec (v prikladech postupne přítel, pán a ón). Pak se budou tvorřit všechny tvary odkazovaného slova, prřicřemž v každém bude nahrazen zbytek odkazovaného slovního základu (v prvních dvou prříkla-dech prázdný rřeteřzec, ve trřetím Anakre) zbytkem slovního základu popisovaného slova (v příkladech postupne ne, půl a arch).
38
3. Nový formát na příkladu životných maskulin
Podotýkám, že minivzory jsou cřisteř technické rřešení. Nechci ztratit informaci o tom, že se neřjaká konkrétní slova ohýbají shodným, trřebaže výji-mecným a nepravidelným zpusobem.33 Nejsem ale v tuto chvíli rozhodnut, jak takovou informaci optimálneř popsat, proto to prostrřednictvím minivzo-ru odkládám na pozdeji. Že jde jen o technické rešení, se projevuje i v tom, že nestanovuji žádné kritérium, které by umožnřovalo rozhodnout, co lze popsat minivzory a co je potrřeba popisovat normálními vzory.
3.14   Rozdílnost psané a vyslovované podoby
Ohýbání neřkterých prřejatých slov se rřídí podle vyslovované podoby slovního základu, přicemž jeho psaná podoba je odlišná. Napríklad jméno „Mack-beth se tradicřneř v cřeštineř vyslovuje s -t na konci a sklonřuje se podle tvrdého vzoru"34, zejména tedy je Vsg Mackbethe a Lpl Mackbethech. Pokud bychom je ale do slovníku skutecřneř zarřadili ke vzoru pán neřjakým
Mackbeth:pán,<-ové,
řídil by se výber koncovek (viz podkapitola 3.7) podle h na konci slovního základu, takže by se vytvorily nežádoucí tvary Mackbethu pro Vsg a Mackbetzích pro Lpl.
Chceme tedy umet pro slovní základ alespon cástecne zaznamenat i výslovnost. Potrřebnou informaci budeme do slovníku zapisovat tak, že na konec slovního základu prřipojíme znakem [ relevantní cřást konce jeho vyslovované podoby. Budeme tedy naprříklad psát
Mackbeth[t:pán,<-ové Bush[š:muž,<-ové May[j:muž,<-ové Senec[k:despota,<-ové
Pokud zárovenř prřed odstranřování - a 0 prřipojíme pravidlo, které z vy-tvorřeného slovního tvaru odstraní vše mezi znaky [ a -, bude výsledkem prřesneř takové chování, jaké potrřebujeme. Tvorba tvaru se bude rřídit vyslovovanou podobou, výsledné slovní tvary ale budou respektovat specifický pravopis.
33. Zde je potrřeba prřipomenout, že vycházím z brneřnských dat, kde mám tuto informaci „zadarmo", protože taková (a práveř jen taková) slova budou sdílet spolecřný vzor. V datech pražského systému by to bylo o neřco nárocřneřjší, protože bych musel nejprve detekovat, která slova se ohýbají stejneř.
34. Internetová jazyková prřírucřka, výklad „Osobní jména mužská zakoncřená ve výslovnosti na souhlásku",http://prirucka.ujc.cas.cz/?id=320#nadpis5.
39
3. Nový formát na příkladu životných maskulin
Jsou nicméneř mezi životnými maskuliny slova, pro která toto nebude stacit. Napríklad ve výslovnosti jména Steve se nerealizuje koncové e, takže se jméno sklonřuje podle vzoru pán. Doposud popsané prostrředky ovšem nenabízejí možnost zapsat jméno do slovníku tak, aby se vytvárřely správné tvary.35 Budeme tedy taková slova zapisovat takto:
Stev[e|v:pán,<-ové
a obohatíme práveř prřidané pravidlo tak, že v kontextu -0 se ke slovnímu základu prřidá rřeteřzec uvedený mezi znaky [ a | , je-li ovšem uveden.36
U některých cizích jmen se ve výslovnosti prípouští více podob, a v du-sledku toho někdy i více zpusobu ohýbání. Tak napríklad na konci jména Smith lze ve výslovnosti predpokládat s i t, pricemž v prvním prípadě bude jméno sklonřováno podle vzoru muž, v druhém podle vzoru pán (zdroj viz poznámka 34). Tuto situaci nám umožní zachytit více slovních základu popsaných v podkapitolce 3.12.1:
Smith[s:muž,<-ové
+Smith[t:pán,<-ové
3.15 Shrnutí
Pomocí prostredku v této kapitole predstavených lze významně redukovat redundanci obsaženou ve stávajících popisech. Sklonřování slov rřaze-ných mluvnicemi k tradicním vzorum životných maskulin lze v navrženém formalismu vyjádrit pomocí těchto vzoru, prípadně s doplněním nějakých uprřesnřujících informací, bez kterých (trřebaže ne nutneř vždy stejných) se ovšem neobejdou ani zminřované mluvnice. S tradicřním mluvnickým popisem se navíc neshodují jen vzory, ale i použité koncovky.
35. Bylo by je samozrřejmeř možné zadat prřímo, ovšem to není žádoucí, jde-li o systematický, pravidelný jev.
36. Toto rřešení bude postacřující pro životná maskulina, prřinejmenším jisteř pro ta, která jsou popsána v datech analyzátoru ajka. Obecně ale bude potreba zachytit i jiné zpusoby korespondence mezi vyslovovanou a psanou podobou. Komplikovaneřjší situace je naprříklad u některých feminin. Je treba Martha, Marthy, Marthu, ale Martč, Martin (posesivum), podobně je Andorra, Andorry, Andorru, andorrský, ale Andorře, Andoran nebo Concha, Conchy,ale Conše (vše dle IJP, místo Conše by asi mělo být ConCe, alespon vzhledem k uváděné výslovnosti koncřa). obecné rřešení není ve výkladech IJP nikde explicitneř formulované. Zdá se ale, že je nutné uvážit jak problematickou skupinu znaku v psané podobte, tak i její vý-slovnostní ekvivalent (pro daný prřípad) a sklonřovat jakoby podle obou zaráz. Pokud prři tvorbě uriľitého tvaru nedojde ke změnám psané podoby základu, ponechá se puvodní zápis, v opacřném prřípadeř bude správným tvarem ten s výslovnostním ekvivalentem. I takové (a mnohé jiné) jevy tedy bude nutné umeřt pravidelneř popsat a popis správneř vyhodnotit.
40
Kapitola 4
Od slovníku vzoru ke slovníku rysu
V prředchozí kapitole jsem se zameřrřil na odstranřování redundance, jejímž typickým projevem byly (zejména v brneřnském systému) témeřrř shodné vzory lišící se jen v nejaké malickosti. Mým cílem bylo popsat pravidly veci, které bylo možné, resp. rozumné považovat za pravidelné. V této kapitole se svým zpiäsobem budu i nadále snažit o odstranení redundance, bude to ale už poneřkud subtilneřjší.
V první cřásti kapitoly bude mým hlavním cílem ztotožnit koncovky, které mohou být považovány za totožné. Kromeř toho nabídnu ješteř neřkolik drobneřjších možností optimalizace popisu dat. V druhé cřásti meř bude zajímat, podle jakých informací je možné urcit konkrétní zpiäsob sklonování urcřitého slova. Za optimální výsledek budu považovat slovník, kde jednotlivé slovní základy nejsou razeny ke vzoriäm, ale kde jsou výsledné tvary slov urcřeny hláskovou podobou slovního základu a neřjakými obecnými, nearbitrárními rysy, které mu lze pripsat. Bude me zajímat, co lze pro razné kombinace hláskové podoby slovního základu a zmínených rysu stanovit jako základní zpiäsob sklonování a jak neco takového vhodne formalizovat.
4.1    Homonymie a totožnost
(Část minulé kapitoly jsem venoval räzným možnostem, jak vhodne popsat, která životná maskulina prřipoušteřjí které ze trří možných koncovek pro Npl a Vpl jako spisovné, prřípadneř které z teřchto trří navíc prřipoušteřjí jako možné, trřebaže nespisovné. Koncovky pro Npl a koncovky pro Vpl jsem prřitom musel v dosud prředstaveném formalismu pokaždé popisovat samostatneř, prřestože vždy zcela shodneř. V cřeštineř totiž neexistuje žádné životné maskulinum, které by melo v Npl a Vpl razné tvary. Dokonce neexistuje ani žádné jiné substantivum a vubec jakékoli slovo, jehož tvary mohou vyjadřovat pád a císlo, které by se lišilo v Npl a Vpl. Je zrejmé, že tato shoda není náhodná, ale je daná systémoveř. Na první pohled by se tedy zdálo logické považovat tyto koncovky za totožné, a mít tak pro neř jen jeden popis.
41
4. Od slovníku vzoru ke slovníku rysu
Prřístup reprezentovaný soucřasnými mluvnicemi cři Encyklopedickým slovníkem ceštiny ale nic takového neumožnuje. Koncovka je vždy mor-fem, tedy realizací morfému, totiž „znaku ve smyslu jednoty oznacřujícího a oznacovaného" (ESC, s. 273, heslo morfém). Oznacovaným, tedy významem, je (u substantiv) pád a císlo (napr. MCC1, s. 177-180, MCC2, s. 258).1 Je zjevné, že takový pohled žádným zpusobem nepřipouští jakékoli úvahy o možné totožnosti napríklad koncovek Npl a Vpl. Ty jsou totiž navzájem triviálneř odlišné tím, že oznacřované prvních zahrnuje nominativ, zatímco oznacřované druhých vokativ, cřímž každá taková úvaha ihned koncří a je pak lhostejné, jestli se oznacřující shoduje, trřebas i systematicky.
Odlišný prístup nabízejí Markéta Ziková a Pavel Caha (2006)2, kterí dokonce naopak vycházejí z prředpokladu, že totožnost formy implikuje totožnost funkce (tedy v prípade koncovek v dusledku totožnost koncovky). Z jejich pohledu koncovka do struktury gramatický význam neprřináší, jako je tomu zhruba rřecřeno v prřístupu zminřovaném v prředchozím odstavci, ale jen formálneř realizuje cřást drříve derivované gramatické struktury slova. V této strukturře je gramatický význam reprezentován neřjakými rysy, na které jsou rozloženy hodnoty tradicřních gramatických kategorií, zde zejména pádu. Jednotlivé formy (koncovky) pak mohou realizovat ruzné kombinace techto rysu. Podstatné je, že forma muže být podspecifikována, tedy kombinace rysu muže být urcena jen cástecne, pricemž taková forma pak muže realizovat libovolnou nadmnožinu množiny (kombinace) rysu, pro které byla specifikována. Pri realizaci konkrétní cásti struktury se pak z inventáre forem vybere nejspecifictejší vyhovující forma.3
1. Ve skutecnosti je mezi ESC a MC1 drobný rozdíl: podle ESC (heslo morfém) je morf pouze formou, tedy oznacujícím morfému, podle MCC1 (s. 177) má morf výraz i význam. S tím je na druhou stranu poneřkud v rozporu formulace MCř2 (s. 258) „neřkdy jeden a týž tvarotvorný formant slouží k vyjádření ruzných mluvnických významu. ... Napr. deklinac-ní formant -y v paradigmatu „žena" slouží k vyjádrení Gsg a N, A, V pl.", pricemž ale zároven (s. 255) „U vetšiny tvaru substantivních ... není však treba cinit rozdíl ... mezi tva-rotvorným formantem a koncovkou", kdy ovšem koncovka je morf (napr. MCC1, s. 180). Pokud by nicméneř tvarotvorný formant jakožto morf znamenal nejen formu, ale i význam, nebylo by možné tvrdit, že formanty vyjadrující ruzné významy jsou „jeden a týž".
2. Tento konkrétní clánek odkazuji proto, že je každému dostupný na internetu, ve skutecnosti jde ale o první takový rozbor ceské deklinace z pera autoru. Pozdeji svou analýzu prřepracovali (Ziková a Caha, 2007, volneř dostupný je handout k prřednášce na konferenci, v jejímž sborníku clánek vyšel) a Markéta Ziková posléze stejným zpusobem analyzovala i plurál substantiv (Ziková, 2006). Za poznámku konecřneř stojí, že prřinejmenším druhý z autoru by se se svou tehdejší analýzou, zejména s dekompozicí pádu na gramatické rysy, v soucřasnosti už jisteř neztotožnřoval: svou disertacřní práci (Caha, 2009) veřnoval práveř pádu, relevantní analýzu ceských dat lze doporucit pozornosti na stranách 244—267.
3. Detaily a odkazy na relevantní literaturu viz úvodní cřást cřlánku (Ziková a Caha, 2006).
42
4. Od slovníku vzořU ke slovníku řysU
V tomto prřístupu je tedy (systematická) homonymie koncovek v systému cřeské deklinace jen zdánlivá. Ve skutecřnosti jde v jednotlivých prřípa-dech „homonymie" o totožnost umožneřnou skutecřností, že pády, v nichž se daná „homonymie" projevuje (naprř. Dsg a Lsg), sdílejí neřjaké rysy. Pokud je pak v inventári koncovek k dispozici taková, která je specifikována pro spolecné rysy techto pádu a zároven není specifikována pro žádný z rysu, které dané pády odlišují, muže tato jedna a tatáž koncovka realizovat oba pády.
Na analýze substantivní deklinace popsané v (Ziková a Caha, 2006) je za ímavé i to, že odmítá apriorní organizaci deklinacřních paradigmat podle rodu, ale namísto toho radí jména k pouhým ctyrem deklinacním trídám4. Tradicřní deklinacřní paradigmata pak jsou až teprve výsledkem interakce informací o trřídeř, rodu a hláskové podobeř slovního základu, dostupných koncovek a navržených pravidel. Takový prřístup pak naprříklad umožnřuje považovat za totožné shodné singulárové koncovky tradicních vzoru predseda a žena atp.
Ztotožnřování koncovek v následujících podkapitolách tedy bude inspirováno práve popsaným prístupem. Je ale potreba zduraznit, že budu-li urcřité koncovky popisovat jako totožné, bude to vlastneř vždy odstranřování nějaké, trebas jen malé redundance. Řozdíl nastane teprve ve chvíli, kdy by chtěl někdo nabízený popis nějakým zpusobem interpretovat. Pokud bude jeho pohled na jazyk v souladu s pohledem reprezentovaným soucřasnými mluvnicemi, bude pro neřj jakékoli ztotožnřování jen technickým rřešením, které popis od modelované reality v podstateř vzdaluje. Naproti tomu pro toho, kdo je ochotný prřijmout principy, ze kterých v odkazovaných cřláncích vycházejí Markéta Ziková a Pavel Caha, se bude takový popis prředpoklá-dané realiteř naopak prřibližovat.
4.2    Ztotožnení pravidelne shodných koncovek
Kromeř shody Npl a Vpl je u životných maskulin nápadná i shoda Dsg a Lsg a dále Gsg a Asg. Na rozdíl prvních dvou, které lze pozorovat u všech životných maskulin (substantivních typu, viz MCC2, s. 285), Gsg a Asg se liší u slov razených k tradicnímu vzoru předseda?
4. V odkazovaném clánku oznacených I-IV, v dalších cláncích je už příslušnost slovního základu ke trídě specifikována dvěma binárními príznaky, což systém dále zjednodušuje.
5. Obecně MC2 popisuje „typické homomorfie" u substantiv na s. 283 v odstavci 0.2.5.1. Práveř shoda Npl a Vpl tam nicméneř není uvedena, zmínku o ní je nutné hledat v poznámce na s. 259.
43
4. Od slovníku vzorU ke slovníku rysU
Pro reprezentaci techto pravidelných shod pridáme do souboru vzoru speciální „vzor" pojmenovaný $shoda, kdy místo koncovek pro jednotlivé znacřky budou na rřádcích dvojice regulární výraz a rřeteřzec. Po vytvorření všech slovních tvaru urcitého slova (viz podkapitola 3.12) bude u všech znacřek pro všechny rřádky „vzoru" $shoda proveden pokus o nahrazení regulárního výrazu za rřeteřzec. Jestliže nahrazení uspeřje a slovní tvar cři tvary pro znacku získanou nahrazením nebudou definovány, budou zkopírovány od puvodní znacky. Konkrétne tedy, pokud možné shody popíšeme následujícím zpusobem6:
$shoda
c1
k1gMnS\Kc3 k1gMnS\Kc2
c5 c6
c4
bude moci naprříklad vzory muž cři -é popsat pouze takto: muž
k1gMnSc1	0
k1gMnSc2	e
k1gMnSc3	i,
k1gMnSc5	i
k1gMnSc7	em
k1gMnPc1	i,
k1gMnPc2	ů
k1gMnPc3	ům
k1gMnPc4	e
k1gMnPc6	ích
k1gMnPc7	i
k1gMnPc1	é
-é
Budeme-li pak ve slovníku mít kuprříkladu učitel:muž,<-é, vytvorří se všechny tvary podle vzoru muž a -é, pricemž budou chybet takto definovanými vzory nepopsané tvary Asg, Lsg a Vpl. Tvary pro tyto kombinace pádu a císla budou kopiemi tvaru pro Gsg, Dsg a Npl. Protože regulárním výrazum vždy vyhovují i znacky obsahující príznak wH, budou zkopírovány i jim odpovídající tvary. Tedy například tvary učiteli a učitelové
6. \K je rozšírení regulárních výrazu jazyka Perl 5.10. Regulární výraz a\Kb odpovídá regulárnímu výrazu (?<=a)b, tedy uspeje jen tehdy, pokud testovaný řetezec obsahuje b prředcházené a, prřicřemž ale prři nahrazování bude nahrazeno jen b. Na rozdíl od konstrukce (?<=a)b ale v konstrukci a\Kb nemusí být a pevné délky.
44
4. Od slovníku vzorU ke slovníku rysU
pro znacku k1gMnPc1wH budou zkopírovány i ke znacce k1gMnPc5wH. Naopak tvary Vsg nebudou nijak ovlivneny: u znacky k1gMnSc1 sice pokus o nahrazení c1 za c5 uspeje, ale protože tvary pro k1gMnSc5 už budou vytvoreny, protože jsou popsány vzorem, k žádnému kopírování nedojde.7
4.2.1   Ztotožnění jednotlivých shodných koncovek
Jméno Marcel se sklonuje stejne jako páň, krome ovšem Vsg, kde je přípustný pouze tvar Marceli.8 Pokud uvážíme i nespisovný tvar Marcelu a zároven predpokládáme u vzoru muž i nespisovné koncovky (které jinak pro struc-nost neuvádím), mužeme tvary jména Marcel ve slovníku popsat dvema zpusoby:
Marcel:pán,<-ové
Marcel-i k1gMnSc5 Marcel-u k1gMnSc5wH
Marcel:pán,<-ové,muž_nSc5
Druhý zpusob není jen úspornejší. Zároven vyjadruje, že -i a -u jsou tytéž koncovky jako u všech slov rřazených k tradicřnímu vzoru muž — a že tedy naprříklad není jen náhodnou shodou okolností, že jak muž, tak Marcel umožnují ve Vsg vedle tvaru s -i i nespisovné tvary s -u.9
7. Ve skutecnosti nejsou tvary doplňovány vždy až na konci, po vytvorení všech tvaru. Pokud ve chvíli, kdy jsou k doposud vytvořeným tvarum pridávány nové, jsou bud'to mezi dosud vytvorenými, nebo mezi nove pridávanými tvary definovány tvary pro oblé znacky popsané neřjakým pravidlem o shodeř, musí být podle tohoto pravidla doplneřna i druhá skupina tvaru. Napríklad jméno Aňdré lze sklonnovat podle vzoru páň i adjektivní (resp. zájmennou) deklinací, v níž je ale Dsg ruzný od Lsg. Pokud by tedy ve slovníku bylo nejaké André:pán,+adj (vzor adj viz podkapitola 4.6.1), vytvorily by se tvary podle vzoru pán, mezi nimiž by chybel tvar pro Lsg, a k nim by byly pridávány tvary podle vzoru adj, kde by byly tvary pro Dsg i Lsg. Je zrřejmé, že pro korektní výsledek je potrřeba tvar Lsg podle vzoru pán doplnit před tímto pridáváním. Opacná, ale v principu stejná situace by nastala, kdyby ve slovníku bylo André:adj,+pán. Toto jsou už ale spíše implementacní detaily, které navíc v budoucnu pravdeřpodobneř podlehnou neřjakým zmeřnám, protože v neřkterých okrajových prřípadech toto vyhodnocování nutí k urcřité neeleganci, která, není-li vynucena daty, zákoniteř musí vést k podezrření, že návrh není správný.
8. A pochopitelne ješte krome Npl a Vpl, kde lze spisovne jen Marcelové, a nikoli *Marceli, což je ale dáno jen tím, že jde o osobní jméno, viz druhá cřást této kapitoly.
9. Mohlo by se zdát, že je-li koncovka realizací znaku, jehož oznacřovaným jsou konkrétní hodnoty cřísla a pádu, bylo by z takového pohledu možné považovat -i v Marceli za totožné s -i v muži. Vezmeme-li ale vážne definice nabízené MCC2, musíme konstatovat, že to tak není. Na s. 283 v odstavci 0.2.5.2 jsou had-i a muž-i dáváni jako príklad meziparadigmatické homomorfie. A podle odstavce 0.2.3 na s. 282 se paradigmata „od sebe navzájem odlišují podobou koncovky alespon v jednom pádovém tvaru". Težko z toho udelat jiný záver,
45
4. Od slovníku vzorU ke slovníku rysU
4.3    Tvorba značky
Doposud jsem znacřky uvádeřl výhradneř u koncovek v jednotlivých vzorech v souboru vzoru nebo u hotových tvaru ve slovníku. Se znackami zadanými v datech jsem navíc vždy pracoval jako s celkem a až na prřidávání prříznaku wH je nijak nemeřnil.
Pokud si ale prohlédneme napríklad definici vzoru muž (viz príklad 3.1 nebo podkapitola 4.2), vidíme, že ve všech znackách se opakuje k1gM. Je zrejmé, že by bylo praktické tuto spolecnou cást nejakým zpusobem „vytknout pred závorku".10 Bylo by to vhodné i proto, že není mnoho duvodu se domnívat, že informace, kterou k1gM reprezentuje, je skutecřneř vlastní jednotlivým koncovkám — například Dpl koncovka ům je spolecná nejen maskulinum životným i neživotným, ale sdílejí ji dokonce i s neutry.
Jako první se nabízí možnost přenést k1gM ke slovním základum, tím bychom si ale prřinejmenším z praktického hlediska prříliš nepomohli, protože by to muselo být uvedeno u všech životných maskulin, cřímž by se redundance nesnížila, ale naopak zvýšila.11 Budeme tedy k1gM uvádet u vzoru a budeme tomu nadále ríkat znacka vzoru:
pán k1gM
nSc1 0 nSc2 a
Vyhodnocování bude takové, že prři prřipojení koncovky ke slovnímu základu (naprř. slon-0) bude odpovídající znacřka sestavena ze znacřky vzoru (zde k1gM) a znacky koncovky (zde nSc1). V prípade kolize ruzných
než že Marcel, pán a muž patří ke trem rozdílným paradigmatům, a že tedy v případě formálně shodných koncovek jde o meziparadigmatickoů homomorfii — pricemž homomorfie jiste nemůže znamenat totožnost. Pro úplnost je potřeba dodat, že slovo „totožnost" se vyskytuje jen řádek pred zavedením termínů meziparadigmatická homomorfie, kde je ovšem zrejme myšlena poůze forma, jinak by to nedávalo smysl (viz podobne i poznámku 1).
10. Takové rešení navrhůje a realizůje ůž i (Hlavácová, 2009). Na straníš 76 lze císt: „[vzor] kódůje poůze flektivní kategorie. Globální kategorie jsoů totiž stejné pro celé paradigma (tak byly definovány), není tedy treba je kódovat pro každý slovní tvar zvlášť."
11. Navíc není zcela jisté, jestli je skůtecřneř oprávneřné chápat slovní drůh a rod jako v podstate vlastnost slovního základů. Pokůd ůvážíme slova modr-o, modr-ý, modr-it a modr-e, lze si napríklad myslet, že slovní základ modr (modr je vymícené kontextem, ve strůktůre je modr) není v (reálném) slovníků nijak specifikovaný a až teprve výsledkem jeho vložení do gramatické strůktůry slova (viz podkapitolů 4.1) bůde v tom kterém prípade sůbstantivům, adjektivům, verbům, resp. adverbiům. z takového pohledů by pak bylo potrřeba pecřliveř zvažovat, jestli vůbec a kdy je nůtné informaci o slovním drůhů a případně rodů sůbstantiv predpokládat ůž ve slovníků a kdy a odkůd je získávána jiným způsobem.
46
4. Od slovníku vzorU ke slovníku rysU
hodnot téže kategorie bude mít prřednost hodnota ze znacřky koncovky.12 Takové kolize tedy nebudou vyhodnocovány vzhledem k celým v datech uvedeným cřástem znacřek, ale po jednotlivých gramatických kategoriích.
Totéž mužeme udělat u všech vzoru, ale pokud se podíváme na seznamy vzoru u jednotlivých slov (viz obecně dosud uváděné příklady), vidíme, že vzory -i, -ové a -é mají rozumné použití jen v rámci seznamu vzoru, a to navíc nikoli na prvním místě. V jejich prípadě je tedy klgM duplicitní a prři jejich vyhodnocování už známá informace.13 Budeme si proto v rámci seznamu vzoru pamatovat znacku vzoru, u něhož bude uvedena, a použijeme ji jako implicitní znacřku i pro dále v seznamu následující vzory, u nichž uvedena nebude. Budeme tak moci napríklad vzor -i definovat pouze takto:
-é
nPcl é
Bude-li pak ve slovníku treba občan:pán,<-é, zapamatuje se pri vyhodnocování klgM jakožto znacka vzoru pán a použije se pri tvorbě tvaru podle vzoru -é. Kdyby nicméneř ve znacřce vzoru -é slovní druh nebo rod definován byl, měl by pri prípadné kolizi přednost.14
Podobné prejímání znacky vzoru umožníme i pri odvozování vzoru. Pokud bude mít ve znacřce vzoru urcřitou kategorii uvedenou pouze vzor,
12. Což zde nenastane a konkrétně v tomto kontextu to nepotrebuji ani nikde jinde, říkám to jen proto, aby bylo definované, co by se v případě kolize stalo.
13. Z formálního hlediska samozrřejmeř je možné tyto vzory použít samostatneř a mít ve slovníku třeba slon:-i, ale nevidím pro něco takového rozumné využití. Ovšem i kdyby existovalo, pokud tyto vzory takto používat nebudeme, lze se na to dívat tak, že prři jejich vyhodnocování pro konkrétní slovní základ už informaci o slovním druhu a rodu máme.
14. Pro úplnost je potřeba ríct, co se stane v prípadě, že bude v seznamu vzoru následovat vzor bez znacky po více vzorech s uvedenými znackami: vždy se bude brát (pruběžně vytvárřet a pamatovat) jakoby sjednocení znacřkami nesené informace. Pokud by naprříklad první dva vzory měly znacku klgM, bude implicitní znackou pro tretí vzor v seznamu také klgM. Pokud by měly jeden znacku kl a druhý gM, bude implicitní znacka pro tretí vzor opět klgM. Kdyby ale měly třeba jeden klgM a druhý klgl, byla by implicitní znacka pro třetí vzor klgMgl, tedy pokud by tretí vzor ani jeho koncovky neměly explicitně definovaný rod, byly by tvorřeny nekorektní znacřky (brneřnské znacřky kumulaci hodnot rodu neumož-nují). Slovo mikrob by tedy muselo být ve slovníku zadáno jako mikrob:pán,<-i,+hrad, a nikoli třeba mikrob:hrad,+pán,<-i, kdy by se pro tvar mikrobi poskládala znacka klgMgInPcl. Pokud je ovšem životnost/neživotnost slova mikrob symetrická (rovnocenná), což prředpokládám, ale formát neumožnřuje oba dva zápisy, je zrřejmé, že není v tomto ohledu dobrře navržený. Protože jde ale o pomeřrneř okrajovou záležitost, neveřnoval jsem se zatím prříliš hledání dostatecřneř elegantního rřešení (neřjak, neelegantneř to samozrřejmeř lze rře-šit triviálně, například pridáním znaku, který v seznamu vzoru vymaže dosud vytvorenou implicitní znacku, kupříkladumikrob:hrad,|+pán,<-i), kdy | bude mít tento význam.
47
4. Od slovníku vzoru ke slovníku rysu
z neřhož je odvozováno, ale nikoli vzor odvozovaný, použije se tato informace (odpovídající cást znacky, tedy např. gM) i pro nej. Analogicky se bude postupovat i v opacřném prřípadeř. Pokud by byla znacřka uvedena u odvozeného vzoru i u vzoru, z neřhož je odvozováno, a neřjaké hodnoty by kolidovaly, uplatní se hodnota ze znacřky odvozeného vzoru (prříklady analogického použití tohoto principu viz dále v podkapitolkách 4.4.1 a 4.4.2).
Pokud tedy naprříklad uvážíme vzor pán uvedený drříve v této podkapitole, postací vzor despota (viz podkapitola 3.9) definovat takto:
despota:pán_nP
nSc1 a nSc2 y
Informace o slovním druhu a rodu (tedy k1gM) se pri takovémto zápisu prřevezme ze vzoru pán.
Zduraznuji, že prestože jsou v datech cásti znacek zapisovány jako souvislé rřeteřzce, prři vyhodnocování se s nimi pracuje jako s množinami dvojic atribut (symbol pro gramatickou kategorii) a hodnota15, prřicřemž tyto dvojice se zpracovávají jednotlive.16 Intuitivní analogie muže být taková, že behem vyhodnocování slovníkových údaju o slove se postupne kumuluje informace o vlastnostech spolecných všem jeho tvarum, prípadne nejaké jejich cřásti, takže tuto informaci pak není nutné explicitneř opakovat v datech (na druhou stranu tomu ale nic nebrání). V prřípadeř kolize, nekompatibility informace je definováno, který údajmá prednost — nebo že v daném kontextu není kolize prřípustná, což se projeví vznikem nekorektních znacřek.
4.4    Rozšírení tvorby znaCěk i na slovník
Abychom mohli ztotožnit neřkteré další koncovky, umožníme znacřku specifikovat i ve slovníku pro jednotlivé slovní základy (dále znacka slovního základu). Vyhodnocovat se bude stejným zpusobem, jako znacka vzoru: pri kolizi znacky slovního základu a znacky nekterého ze seznamu vzoru bude mít prřednost znacřka slovního základu. Opeřt prřipomínám, že nejde o znacř-ku jako celek, ale o jednotlivé dvojice atribut a hodnota.
15. Je ale definováno zaužívané poradí atributu, kategorií, takže ve výsledných znackách jsou dvojice uvádeřny v pevném porřadí.
16. Kdyby tedy mel výše uvedený vzor despota na prvním řádku despota:pán_nP k2 (je to ovšem nesmysl, jen pro príklad), mel by třeba tvar despotové znacku k2gMnPc1, protože k2 vzoru despota by melo přednost pred k1 vzoru pán, zatímco gM vzoru pán by se použilo beze zmeřny.
48
4. Od slovníku vzoru ke slovníku rysu
4.4.1   Sklonování slov typu despota
Prříkladem využití takového čhování bude ztotožneřní singulárovýčh kon-čovek vzoru despota a žena. Uvažme, že byčhom meli vzor žena pro jednotné číslo definovaný takto17:
žena klgF
nScl a nSc2 y nSc3 ě nSc4 u nSc5 o nSc7 ou
a že byčhom zároven nemeli ve slovníku slovo despota, tedy slovní základ despot, zarřazené ke vzoru despota (viz prředčhozí podkapitola a podkapitola 3.9), ale popsané následovne:
despot:žena_nS,pán_nP gM
v takovém prřípadeř by se ke slovnímu základu despot postupneř prřipojo-valy končovky vzoru žena, prřičřemž prříslušné značřky by se tvorřily tak, že by se značřka slovního základu spojila se značřkou končovky (viz ješteř dále koneč podkapitoly 4.5) a doplnila o nekonfliktní informači ve značče vzoru. zejména by tedy v tomto konkrétním prřípadeř meřlo prři tvorbeř značřky gM spečifikované ve slovníku prednost pred gF spečifikovaným u vzoru žena. Tvary i značřky by takto byly v porřádku až na jedinou výjimku: pro Dsg a Lsg byčhom místo despotovi dostali despote. Pridáme-li ale vzor
-ovi
nSc3 ovi
postačří místo vzoru despota psát
despot:žena_nS,-ovi,pán_nP gM
V tuto čhvíli to muže vypadat, že jsme siče „ušetrili" vzor, ale zato budeme potrřebovat komplikovaneřjší popis teřčhto slov ve slovníku. Je otázkou, jestli by ušetrřený vzor nestál i za to, v každém prřípadeř ale toto není
17. Lsg je u feminin systematičky shodný s Dsg, takže stačí tuto skutečnost formulovat prostředničtvím „vzoru" $shoda. Dsg (a Lsg) končovka ě by dále vyžadovala rozšírení pravidel pro zmeny končovýčh konsonantu slovního základu, a to nejen zmeny k na c, d na ď atp., ale zároven i zmenu ě na e po l-, s-, z- atd. Protože se to netýká životnýčh maskulin, nebudu to tu víče rozebírat, jen zmíním, že tutéž končovku jsem použil už na konči podkapitoly 3.10 v kurs:hrad,+-ě, kdy by se provedla práve zmena ě na e po s-.
49
4. Od slovníku vzorU ke slovníku rysU
konecná podoba popisu slov — v ní zbude z hlediska popisu jen výhoda ušetreného vzoru (viz dále podkapitola 4.7.4).18
Za zmínku ješteř stojí, že odvození vzoru despota od vzoru pán_nP v podkapitole 3.9 bylo vlastne presne totéž, tedy ztotožnení koncovek dvou ruzných vzoru, trebaže tam nedocházelo k žádnému „přebíjení" informací o gramatickém rodu. Z pohledu MC2 jsou paradigmata slov pán a despota odlišná v principu stejne jako paradigmata slov despota a žena (viz i poznámku 9).
4.4.2   Sklonování slov typu gigolo a výber podle značky
Slovo gigolo se sklonuje stejne jako slovo pán, až na to, že v Nsg a Vsg má koncovku -o a v Npl a Vpl má pouze -ové. Mohli bychom je tedy ve slovníku popsat takto:
gigol:pán,<-ové
gigol-o k1gMnSc1 gigol-o k1gMnSc5
Tento zápis lze interpretovat jako informaci, že gigolo má (kromeř Npl a Vpl) tvary jako pán, ale navíc ve Vsg není ocekávatelné *gigole, ale také gigolo jako v Nsg — což ovšem není dusledek nejakého pravidla, nejaké zákonitosti, ale jen jeden z údaju ve slovníku. Kdyby tomu tak skutecne bylo, bylo by možné ocřekávat, že neřkterří mluvcří tuto informaci nebudou mít kompletní, že jim tato cřást bude chybeřt, a budou tedy tvorřit Vsg tvary s -e. Takové tvary se mi nepodarřilo dohledat (ani od neřkterých jiných slov tohoto typu), což ovšem muže být výsledkem jak špatného hledání, tak sku-tecřnosti, že Vsg takových slov budou obecneř mimorřádneř rřídké. Navíc ale jsou pro muj idiolekt stejne neprijatelné jako treba *mužé. Proto soudím, že je potrřeba pocřítat i s možností, že Vsg tvary typu gigolo jsou pravidelné, a že takovou možnost musí mnou navrhovaný formalismus umeřt zachytit.
Mohu nabídnout podobné rřešení jako pro slova typu despota. Uvažme vzor město definovaný pro singulár následovne:
město k1gN
nSc1 o nSc2 a
18. Opet je potřeba pripomenout, že v principu podobný přístup používá i Jaroslava Hla-vácová (2009), když vzory pro adjektivní deklinaci definuje obecne, bez vazby na konkrétní slovní druh. Ten je teprve parametrem vzoru, takže jeden a týž vzor lze využít pro neřkolik slovních druhu. Viz konkrétní príklady na strane 112 její práce.
50
4. Od slovníku vzořU ke slovníku řysU
nSc3 u nSc6        u, ě nSc7 em
a slovo gigolo popsané ve slovníku takto:
gigol:město_nS,+-ovi,pán_nP gM
V takovém prřípadeř se projeví síla popisu systematických shod prostrřed-nictvím „vzoru" $shoda. V něm by totiž bylo definováno, že tvary Asg i Vsg jsou pro neutra totožné s tvarem Nsg, proto také nemusejí být ve vzoru město popsány. Pokud se ale podle tohoto vzoru vytvorří tvary pro slovní základ gigol, budou mít znacřku obsahující gM, takže se na neř budou vztahovat pravidla pro shodu životných maskulin, nikoli pro shodu neuter. Bude tedy Vsg kopií Nsg (implicitní pravidlo nezávislé na hodnotách dalších gramatických kategorií), ale Asg bude kopií Gsg, a nikoli Nsg.
Jediným nesprávným tvarem bude prři tomto popisu Lsg tvar gigole (resp. struktura gigol-ě, viz poznámka 17). Je možné si všimnout, že ě je v Lsg prípustné u všech rodu právě kromě životných maskulin. Lze si myslet, že to není náhoda, ale neřjaká vlastnost té koncovky. Doposud jsme prřipoušteřli výbeřr koncovky jen podle hláskové podoby slovního základu, k neřmuž má být prřipojována (viz podkapitola 3.7).
Prřidáme tedy možnost vybírat i podle znacřky. Protože ale potrřebujeme snadno odlišit, jestli konkrétní omezení urcřité koncovky platí pro znacřku, nebo pro hláskovou podobu slovního základu, nemužeme pro omezování podle znacřky používat regulární výrazy. Využijeme toho, že jednotlivé dvojice atribut a hodnota mají ve znacřce obecneř podobu malé písmeno následované neřcřím, co není malé písmeno. Pokud tedy omezení bude mít takovýto tvar, bude zrřejmé, že jde o omezení podle znacřky, a nikoli podle hláskové podoby slovního základu.19 Protože bez regulárních výrazu navíc nemužeme vyjádrit negaci nebo alternativu, pridáme ještě speciální znaky ! pro negaci následujícího omezení, | pro alternativu (logické or)20 a pro úplnost také & jako logické and (napríklad pro popis omezení jak znacky, tak zárovenř i hláskové podoby). „Operátory" se budou vyhodnocovat se standardní prioritou: ! > & > |. Zbývá už jen upresnit, že omezení podle
19. V datech se mohou vyskytovat naprříklad zkratky, kde po malém písmenu následuje velké (treba PhDr.), ovšem není pravděpodobné, že by bylo někdy potreba cásti takových „slov" zminovat v omezeních na koncovky, takže nemuže dojít k záměně.
20. To mimo jiné znamená, že naprříklad první podmínka uvedená v podkapitole 3.7, tedy [ghk]|ch, ve skutecnosti nebude při této interpretaci znaku | vyhodnocována jako jedna podmínka, jako jeden regulární výraz, ale jako dveř samostatné podmínky na hláskovou podobu slovního základu spojené logickým or. Prakticky to ovšem vyjde úplneř nastejno.
51
4. Od slovníku vzorU ke slovníku rysU
značřky se bude vyhodnočovat vzhledem ke značřče práveř tvorřeného tvaru. Pokud po takovém obohačení formalismu ke končovče ě ve vzoru město pridáme omezení !gM, tedy čelkem ě/!gM, budou všečhny tvary slova gigolo tvorené podle výše uvedeného popisu v porádku.21
Možnou pravidelnost „-o v Nsg => -o ve Vsg" (pro životná maskulina) by samozrejme šlo vyjádrit i jinak, napríklad nejakým expličitním pravidlem (formalismus nič takového aktuálneř neumožnřuje, ničméneř nebyl by problém jejvhodne rozšíriť). Prirazení ke vzoru město je ale výhodné práve tím, že takový popis nevyžaduje žádné pravidlo navíč22, ale vystačří si s tím, čo už v systému stejne je. Je potreba jen připustit, jak navrhují Markéta Ziková a Pavel Caha v článčíčh odkazovanýčh v podkapitole 4.1, že deklinač-ní systém substantiv není rřízen primárneř rodem.
Zduraznuji ale, že toto je zejména demonstrače možností mnou navrhovaného popisu. Já počhopitelneř nevím, jak to „ve skutečřnosti" je. Podstatné je, že formát umožnřuje obeř varianty, jak sklonřování podle vzoru pán se dvema výimečnými tvary, tak sklonování podle vzoru město, trebaže impličitneř neutrálního.
Obdobným zpiäsobem by šlo popsat i slova typu krabí; podle vzoru kure nebo treba i singulár vzoru soudce podle vzoru more.
4.5    Implicitní značka a implicitní vzory v rámci definice slova
V podkapitole 3.12 jsem jako príklady nepravidelnýčh tvaru uvádel Vsg pane a synu, kdy slova pán a syn jsem ve slovníku popisoval takto:
pán:pán
pan-e k1gMnSc5 syn:pán,<-ové
syn-u k1gMnSc5
Analogičky k úvahám v predčhozíčh podkapitoláčh i v tečhto prípa-dečh je ve čhvíli zpračování rádku s výjimečnými tvary známa informače
21. Za poznámku stojí, že takto popsané slovo gigolo bude případem zmmovaným v po-známče 7. Ve čhvíli pridávání tvam podle vzoru -ovi budou už mezi dříve vytvořenými tvary jak Dsg, tak Lsg, prestože oba stejné. Aby byl výsledek korektní, musí se Lsg tvar gigolovi doplnit podle pravidel popsanýčh „vzorem" $shoda prřed tímto prřidáním.
22. Pridali jsme omezení končovky podle značky, to ale využijeme i jinde. Navíč není du vod se domnívat, že by nekompatibilita Dsg a Lsg ě se životnými maskuliny souvisela s Nsg a vsg tvary slov typu gigolo, takže toto omezení jsme použili k popisu nezávislého jevu.
52
4. Od slovníku vzoru ke slovníku rysu
0 slovním druhu a rodu, takže její uvádeřní je redundantní. Zavedeme tedy, že pri vyhodnocování vícerádkové definice slova se zapamatuje informace o znacřce slovního základu, k níž bude prřipojena znacřka nasbíraná vyhodnocením seznamu vzoru (viz prostrední cást podkapitoly 4.3 a poznámka 14), pricemž znacka slovního základu bude mít pri kolizi prednost. Potom pro všechny další rřádky se tato znacřka použije jako implicitní, tedy pokaždé se sloucří se znacřkou uvedenou na daném rřádku (bude-li ovšem prřítomna), prřicřemž prřednost prři kolizi bude mít znacřka na daném rřádku. Bude tedy možné psát
pán:pán
pan-e nSc5 syn:pán,<-ové
syn-u nSc5
Lze si dále povšimnout, že ve Vsg tvaru pan-e je pravidelná koncovka. Kdybychom chteřli vyjádrřit, že nejde o shodu náhod (jako když trřeba koncovka u ve tvaru syn-u je formálne shodná například s Dsg koncovkou vzoru pán), ale že je to Vsg koncovka vzoru pán, mohli bychom psát
pán:pán
pan:pán_nSc5
V takovém prřípadeř bychom ovšem opeřt opakovali informaci, kterou lze prřevzít z prředchozího rřádku, že se totiž slovo páň sklonřuje podle vzoru pán (nezávisle na konkrétní varianteř slovního základu). Zavedeme proto, že krome implicitní znacky se u vícerádkových popisu slov budou pamatovat i implicitní vzory, což budou vzory uvedené na prvním rřádku. Použijí se v případe, že u varianty slovního základu na nekterém z dalších rádku žádné vzory uvedeny nebudou a že zároven nepujde o hotový slovní tvar, tedy že nebude obsahovat znak -. Budeme tak moci psát:
pán:pán
pan nSc5 syn:pán,<-ové
syn-u nSc5
Aby to ale fungovalo, je potrřeba ješteř rříct, co se stane prři kolizi znacř-ky slovního základu a znacřky koncovky ve vzoru (kteroužto možnost jsem zatím zamlcřoval). Pokud totiž budeme druhý rřádek popisu slova páň vyhodnocovat jako pan:pán k1gMnSc5, tedy s použitím implicitních vzoru
1 implicitní znacřky, bude prři prřipojování koncovek vzoru pán docházet ke
53
4. Od slovníku vzorU ke slovníku rysU
konfliktu znacky k1gMnSc5 jakožto znacky slovního základu pan a zna-cřek jednotlivých koncovek vzoru pán (kromeř ovšem Vsg). Rřešení je prosté, koncovky vzoru budou filtrovány znackou slovního základu a koncovky s kolidujícími znacřkami budou ignorovány.
4.5.1   Poznámka k nepravidelným tvarum
U tvaru s nepravidelnými koncovkami (například zmínený tvar syn-u), které jsou ve slovníku uvedeny celé, je otázka, jestli skutecřneř dává smysl segmentovat je na slovní základ a koncovku. Stejně tak dobre by totiž mohly být ve slovníku uvedeny bez této segmentace, tedy naprříklad jen synu s príslušnou znackou. I pokud bychom prijali predstavu, že slovník odpovídá neřjaké realiteř v našich hlavách, není mi znám žádný test, který by umožnil rozlišit, v jaké podobeř v neřm (v nich) tyto tvary jsou, jestli jako slovní základ a koncovka, nebo jako hotový tvar bez vnitrřní struktury.
Podobný problém je s tvary typu přátel-0, kdy je sice nulová koncovka v Gpl běžná, nikoli ovšem pro životná maskulina. V takovém prípade lze tedy kromě možností přátel a přátel-0 uvažovat i možnost nejakého odkazu na tuto koncovku, tedy neco na zpusob přátel:žena k1gMnPc2, což by zajistilo vytvorení struktury přátel-0 a zároven vyjádrilo, že jde o tutéž nulovou koncovku, jaká je v Gpl vzoru žena.
Tyto veřci ale poznamenávám jen na okraj. Veden praktickými ohledy budu slovní tvary s nepravidelnými koncovkami ve slovníku segmentovat, trřebaže spíše jen jako technické rřešení umožnřující mít ke všem slovním tva-rum i jejich rozclenení na slovní základ a koncovku.23 Vzhledem ke zpuso-bu zavedení implicitních vzoru aktuální podoba formátu ani neumožnuje uvedení hotového nesegmentovaného tvaru: bylo by to vyhodnoceno jako slovní základ, emuž e trřeba prřipo it pravidelnou koncovku podle implicitního seznamu vzoru. Nebyl by ale v prípade potreby žádný zásadní problém formát modifikovat tak, aby ve slovníku nesegmentované slovní tvary umožnřoval.
4.6    Deklinace uricovaná slovotvornými príponami
Slovo ucitel se sklonuje stejne jako slovo muž, jen v Npl a Vpl je spisovný tvar pouze ucitelé. Stejným zpusobem se sklonuje slovo ředitel, školitel atp. — téměř všechna slova utvorená príponou -tel se sklonují totožným zpu-
23. Kdybych tyto ohledy nemeřl, preferoval bych ve slovníku tvary bez vyznacřené segmentace. Nemám pro to ale žádný asný argument, byla by to spíše en intuitivní volba.
54
4. Od slovníku vzoru ke slovníku rysu
sobem. A není to jediný prípad, kdy se urcitým zpiäsobem utvárená slova sklonují stejne, nanejvýš až na nepocetné v^imky (pro príponu -tel již na více místech zminovaná slova obyvatel a přítel). Naopak, jde o typickou situaci.
Zustaneme-li u slov odvozených príponou -tel, je zrejmé, že jejich sklo-nřování je urcřeno práveř touto prříponou, nikoli neřjakou arbitrární prřísluš-ností k nejakému vzoru. To ovšem aktuální podoba formalismu neumož-nřuje vyjádrřit. Pokud u všech slov odvozených prříponou -tel ve slovníku uvedeme :muž,<-é, dostaneme sice správné tvary (abstrahuji od výjimek prítel a obyvatel), ale jen jsme si tím ta slova utrídili na nejakou hromádku s nálepkou muž,<-é. Žádným zpiäsobem to nevyjadruje, že se takto sklonují práve kviäli prípone -tel. To je ovšem zásadní nedostatek, který je potreba napravit.
Obohatíme tedy formát o znak =, kterým budeme vyznacovat prípony, takže místo učitel budeme moci psát uči=tel. Dále pridáme možnost popsat, jak se konkrétní prípona chová. Formát bude (asi nikoli prekvapive) zcela shodný s popisem slova ve slovníku, popisy prřípon ovšem budeme pro lepší přehlednost pridávat do souboru vzoru. Aby byly prípony snadno odlišitelné od vzoru, budeme znak = považovat za jejich soucást. Prípona -tel tedy bude popsána takto:
=tel:muž,<-é
Ve slovníku pak postací uvést jen uči=tel. Další informace není potřeba, stacří veřdeřt, že tel v daném sloveř je prřípona =tel. Vyhodnocení je prředpo-kládám zrřejmé, snad s jedinou výjimkou: vzniklá struktura bude obsahovat znak =, který budeme odstranřovat zárovenř se znaky - a 0.
Mohlo by se zdát, že takový zápis bude sice strucnejší, ale jinak stejný jako nejaký vzor tel:muž,<-é (bez koncovek), ke kterému by byla zara-zena všechna slova odvozená prříponou -tel. Rozdíl je ale práveř v tom, co píšu výše: prříslušnost ke vzoru je v principu arbitrární (viz ješteř dále podkapitolu 4.7), vyznacením prípony =tel se naopak v jistém slova smyslu odkazuji na totéž =tel, které se pochopitelneř sklonřuje stále stejneř.
Za zmínku stojí, že například jako slovníkový zápis slova přítel ted' po-stacří pouze následující:
pří=tel
<přá=tel nP <přá=tel-0 nPc2
Z formálního hlediska nic nebrání specifikaci seznamu vzoru i u slovního základu, tedy neco na zpusob uči=tel:+pán,+-ové (nesmyslný prí-
55
4. Od slovníku vzorU ke slovníku rysU
klad). Zatím jsem ale nenarazil na příponu ci vůbec slovo, kde by neco takového bylo k užitku.
4.6.1   Adjektivní deklinace
Práve zavedené formální prostředky použijeme i pro popis životných maskulin, která mají adjektivní skloiíování. Príponou budeme reprezentovat to, co mC2 oznacuje jako kmenotvornou příponu (napríklad s. 381). Zároveň využijeme, co jsme zavedli v podkapitole 4.4, totiž že pri tvorbe znacky má znacka slovního základu při kolizích vždy prednost. Rozšírení platnosti tohoto pravidla i na prřípony umožní, aby adjektivneř sklonřovaná substantiva meřla s adjektivy totožné koncovky.
Predpokládejme vzor adj popisující potrebné koncovky (pro popis životných maskulin postaä jen cástecná definice):
adj
gMnScl	0
gMnSc2	ho
gMnSc3	mu
gMnSc6	m
gMnSc7	m
gMnPcl	0
gMnPc2	ch
gMnPc3	m
gMnPc4	0
gMnPc6	ch
gMnPc7	mi
Pridáme-li navíc príponu =í:adj k2, bude pro životná maskulina skloino-vaná dle vzoru jarní stacit do slovníku psát napríklad krejč=í klgM.
Popis tvrdého adjektivního sklonřování bude o neřco méneř elegantní, prří-ponu =ý budeme muset zavést takto24:
=ý:adj k2
=é:adj_gMnSc[236]|gMnPc4 ='í:adj_gMnPc1
Do slovníku pak opet postací psát jen hajn=ý klgM.
24. Na posledním rádku by bylo možné psát i ='í:adj gMnPcl, nikoli ale na prostředním řádku, tak volím jednotný zápis. Apostrof vyznacuje specifické hláskové zmeny slovního základu. Je možné, že by stacilo rozlišovat -i a =i, jak jsem ale psal v podkapitole 3.12.3, v této fázi tyto otázky nerřeším.
56
4. Od slovníku vzoru ke slovníku rysu
Vzoru adj využijeme například i pro životná maskulina typu grizzly, která ted' do slovníku mužeme zavést jako grizzly:adj,+muž_nP gM.
Peřkným prříkladem použití v této kapitole zavedených vlastností mohou být i pluralia tantum typu predožábrí. Ve slovníku je mužeme popsat jako předožábr=ý k1gMnP. Pri tvorbe tvaru se tedy jednak pro znacku použije k1 specifikované u slovního základu místo k2 specifikovaného u prípony, jednak se použijí pouze koncovky, jejichž znacřka nekoliduje se znacřkou slovního základu (viz konec podkapitoly 4.5).
4.7    Směrěm kě slovníku rysu
Na zacřátku prředchozí kapitoly jsem si vytkl cíl mít ve slovníku, co je nepravidelné, a v souboru vzoru, co je pravidelné. Ve slovníku by tedy melo být jen to, co by v principu mohlo být i jinak, k cřemu není (prřinejmenším synchronne) žádný další duvod, než práve ten, že je to zrovna takto uvedeno ve slovníku. Udelal jsem v této a predchozí kapitole už mnoho kroku smeřrem k tomuto cíli, prřesto obecneř slovník tak, jak jsem jej tu zatím prřed-stavoval, tuto pocřátecřní ideu stále zdaleka nenaplnřuje.
Príklady slovníkových popisu, které umožnuje doposud navržená podoba formátu dat, vypadají naprříklad takto:
slon:pán korýš:muž Martin:pán,<-ové tchoř:muž,<-i
Lze se ale domnívat, že mluvcí se v detství nemuseli naucit, že slon patří ke vzoru pán, korýš ke vzoru muž, Martin že se také sklonuje podle vzoru páň, ale v Npl a Vpl má pouze -ové nebo že tchorř je také podle vzoru muž, ale v Npl a Vpl má pouze -i. stacřilo im totiž naucřit se obecná pravidla typu tvrdá samohláska na konci slovního základu (a prři nule v Nsg) impliku e pro životná maskulina vzor páň, meřkká v tomtéž prřípadeř vzor muž, osobní mužské méno impliku e v Npl a Vpl nezávisle na vzoru pouze -ové nebo rř na konci slovního základu impliku e v Npl a Vpl pouze -i. Potom im totiž ke správnému skloinování slov slon, korýš, Martin ci tchor stací pouze takové informace, které už tak ako tak ma í, totiž že sloň, resp. odpovída ící slovní základ koncí na tvrdou samohlásku, korýš na mekkou, Martin že je osobní jméno cři tchorř že koncří na rř. Nepotrřebují ješteř navíc informaci o zarřazení jména ke vzoru. Ta by byla vzhledem k ostatním informacím redundantní.
Je ovšem pravda, že do hlavy se zatím moc dobrře dívat neumíme, takže o tom, co tam ve skutecřnosti mluvcří mají, si lze myslet leccos. V každém
57
4. Od slovníku vzorU ke slovníku rysU
prípade ale nesporným faktem zustává, že informace o vzoru je v techto a mnoha dalších prřípadech redundantní. Potrřebujeme tedy prřidat do formalismu prostrředky, které nám umožní tyto pravidelnosti zachytit.
Zárovenř ale potrřebujeme ponechat i možnost nepravidelností: naprostá veřtšina životných maskulin s nulovou Nsg koncovkou, jejichž slovní základ koncí na r, má v Npl a Vpl pouze -i. Krome toho ale mohou být i například císařové, rychtářové a nekolik dalších (viz IJP). Musíme tedy umet vyjádřit práve takové informace, že pro slovní základy koncící na ř je v Npl a Vpl implicitní koncovka -i, prřicřemž ale pro neřkterá konkrétní slova je prřípustná i koncovka -ové.
Nezdá se, že by synchronne existoval nejaký duvod, proc je koncovka -ové prípustná zrovna u slov císar ci rychtář. Jde o jednotlivé informace, které se musí každý rodilý mluvcří spisovné cřeštiny naucřit. Je tedy zrřejmé, že takové informace budeme chtít ponechat ve slovníku. Naopak informace o implicitním sklonřování v závislosti na hláskové podobeř slovního základu cři jeho morfologicky relevantních sémantických rysech budeme chtít popisovat v souboru vzoru.
4.7.1   Základní formát implicitních pravidel
Zavedeme možnost obohacení slovníku vzoru o falešné vzory podobné vzoru $shoda. Názvy techto vzoru budou také zacínat znakem $ a samotný název bude cást znacky. Jednotlivé rádky takových falešných vzoru budou obsahovat vždy podmínku a seznam vzoru. Napríklad tedy
$k1gM
ř muž,<-i
Prři vyhodnocování dat ve slovníku se pak bude postupovat tak, že pokud bude u slovního základu uvedena znacřka zacřínající shodneř jako jméno tohoto falešného vzoru (bez znaku $ ovšem), zárovenř slovní základ nebude utvárřen prříponou (nebude tedy uvnitrř obsahovat znak =) a zárovenř slovní základ bude odpovídat podmínce, bude uvedený seznam vzoru pripojen k tomuto slovnímu základu, prřípadneř prředsunut prřed explicitneř uvedený seznam vzoru ve slovníku. Pak teprve se zacne seznam vzoru vyhodnocovat, tedy pak teprve se zacřnou tvorřit jednotlivé tvary.
Konkrétne tak nebude nadále nutné mít ve slovníku tchoř:muž,<-i, ale postací mít tchoř k1gM. To totiž bude na základe informací (pravidel) obsažených ve „vzoru" $k1gM interpretováno práve jako tchoř:muž,<-i. A zároven, pokud bude ve slovníku císař:+-ové k1gM, dostaneme presne ten výsledek, který potrebujeme, totiž vcetne tvaru císařové, proto-
58
4. Od slovníku vzořU ke slovníku řysU
že se to bude vyhodnocovat stejneř, jako kdybychom do slovníku napsali císař:muž,<-i,+-ové.25 Takový popis tedy nabízí presně to, co jsme po-trřebovali: umožnřuje popsat implicitní sklonřování za urcřitých podmínek, ale zárovenř dovoluje snadno popsat neřjakým zpui sobem výjimecřná slova. Ve zbytku podkapitoly budeme tento zpui sob popisu už jen v detailech obohacovat cři uprřesnřovat.
4.7.2   Formát podmínky a pridání rysů
Podobneř jako jinde v datech (viz podkapitola 3.7, ovšem viz i poznámka 29 dále v podkapitole 4.7.4) bude podmínkou regulární výraz vyhodnocovaný vui cři konci slovního základu.
Musíme ale ješteř neřjakým zpui sobem zachytit informace toho typu, že Martin je osobní jméno. Využijeme skutecnosti, že brněnský formát znacky je v podstateř neomezeneř rozširřitelný a zavedeme dosud neobsazenou kategorii q. Vlastní jména pak budeme znacřit naprříklad qJ, takže budeme moci do slovníku psát Martin k1gMqJ. To ale stále nestací, protože ruzné druhy vlastních jmen se chovají rui zneř, naprříklad od prříjmení budeme chtít tvorřit prechýlené tvary, specifickým zpusobem se mohou chovat etnonyma atp.
Kdybychom chtěli takové věci rozlišovat, museli bychom těmto ruzným skupinám dávat rui zné prříznaky, trřeba qP cři qN. Jindy ale zase budeme chtít rříct, že všechna mužská osobní jména mají v Npl i Vpl jen -ové, nezávisle na tom, jestli jde treba o krestní jména ci príjmení. Cím podrobnější dělení bychom ale meřli, tím komplikovaneřjší by byly takové obecné podmínky.
Řozšírříme tedy formát znacřky tak, že umožníme jako hodnotu nikoli jeden znak mimo malých písmen, ale libovolný nenulový pocřet takových znakui . To nám umožní prříznaky hierarchizovat a mít tak naprříklad qJ jako vlastní jména obecně, qJO jako osobní jména, qJN jako etnonyma, qJOP jako príjmení atd., pricemž zároven bude možné jednoduše mluvit o některé větvi takového pomyslného stromu príznaku, napríklad qJO, což bude zahrnovat i qJOP.
25. Prřipomínám, že v podkapitole 3.11 jsme < zavedli tak, že pokud je mezi vytvorřenými tvary tentýž tvar se dveřma znacřkami lišícími se jen prřítomností prříznaku wH, je tato duplicita odstraneřna ve prospeřch tvaru se znacřkou bez tohoto prříznaku. Zde tedy bude výsledkem vyhodnocení vzoru <-i pridání příznaku wH znacce tvaru císařové vytvoreného podle vzoru muž, ovšem vyhodnocení následujícího vzoru +-ové tentýž tvar pridá i bez tohoto prříznaku, takže tvar s prříznakem bude nakonec odstraneřn.
Ještě je potreba upřesnit, že kdybychom neměli „vzor" $k1gM, popisovali bychom ve slovníku slovo císař jen jako císař:muž, a nikoli císař:muž,<-i,+-ové. Výsledek bude ovšem stejný a data bude vyhodnocovat program, takže z tohoto pohledu není tento komplikovaneřjší mezikrok na závadu.
59
4. Od slovníku vzorU ke slovníku rysU
Podmínky ve „vzorech" typu $k1gM pak budeme psát tak, že regulární výraz vyjadrřující podmínku na znacřku budeme od regulárního výrazu popisujícího vyhovující konec slovního základu oddeřlovat lomítkem. To uvedeme i v prípadě, že regulární výraz nebude specifikován.
Jméno Martin tedy ve slovníku popíšeme jako Martin klgMqJO a do „vzoru" $klgM pridáme napríklad (opravdu jen príklad):
n/qJO pán,<-ové
Protože obeř podmínky jsou splneřny, vytvorří se stejné tvary, jako kdybychom ve slovníku měli Martin:pán,<-ové. Jediný rozdíl bude v tom, že všechny znacřky budou obsahovat qJO, to se samozrřejmeř nikde neztratí. Není pochopitelneř žádný problém to na výstupu ze znacřky odstranit — nebo naopak v prřípadeř zájmu ponechat.
4.7.3   Omezení vzorů a optimalizace podmínek
Predpokládejme26, že bychom chtěli jako implicitní sklonování pro životná maskulina zakoncřená na meřkkou souhlásku a s nulou v Nsg stanovit vzor muž a dále vyjádřit, že taková slova zakoncená na j mají v Npl a Vpl pouze -ové a slova zakoncená na C, č mají v Npl a Vpl pouze -i. Mohli bychom do „vzoru" $klgM pridat následující:
j muž,<-ové [čř] muž,<-i [ďňšťšž] muž
Tyto rřádky ovšem tak úplneř nevyjadrřují to, co jsem výše napsal. Kdybychom postupneř aplikovali všechna pravidla s vyhovujícípodmínkou (viz následující podkapitolka), mohli bychom napsat i toto:
j <-ové
[čř] <-i
[čřjďňšťšž] muž
To už odpovídá úvodnímu odstavci, ovšem obecneř by takový prřístup vedl k hodně rozsáhlému „vzoru" $klgM. Umožníme tedy omezení, která jsme dosud kladli na koncovky (viz podkapitola 3.7 a podkapitolka 4.4.2), klást i na celé vzory. Vystacíme si tak v $klgM pro daný prípad jen s
[čřjďňšťšž] muž,<-ové/j,<-i/[čř]
26. V tuto chvíli nechci rozebírat, jestli je to takto rozumné, potrřebuji to jen jako prříklad. 60
4. Od slovníku vzoru ke slovníku rysu
Abychom se navíc v datech vyhnuli castému opakování výctu ruzných druhu hlásek, zavedeme si promenné, které budou zastupovat například mekké konsonanty. Promenné budou definovány prímo v datech v dalším speciálním vzoru $proměnné, a to tak, že na jednotlivých rádcích bude vždy název promenné a regulární výraz, který jí má odpovídat. Tedy na-prříklad takto:
$proměnné
V (?i:ou|[.%]?[aáeéěiíoóuúůyý])
C (?i:ch|[bcčdďfghjklmnňpqrřsštťvwxzž])
T (?i:ch|[dghknrt])
O (?i:[bflmpsvz])
M (?i:[čďjňřšťž])
Takové promeřnné pak budeme moci využít jak v pravidlech, tak v jednotlivých omezeních vzoru ci koncovek v rámci celého souboru vzoru. Pro odkaz na konkrétní promeřnnou použijeme její jméno, prřed nímž uvedeme znak $. Napríklad implicitní pravidla z úvodního odstavce pak mužeme ve „vzoru" $k1gM popsat jen jako
$M muž,<-ové/j,<-i/[čř]
Pokud navíc zavedeme, že definice promenných mohou využívat dríve definované promenné, mužeme si udelat promennou treba i pro slabiku27:
S (?:(?!$C+[rl]$C)$C*$V(?!$C+[rl](?:$C|$))$C*|$C+[rl]$C*(?!$V))
Mohlo by se zdát, že rozdíl mezi v této podkapitolce uvedenými variantami formální reprezentace úvodního odstavce je minimální. Svým zpuso-bem ano. Na druhou stranu, pridání omezení vzoru a promenných umož-nřuje nejen kompaktneřjší popis, ale také vyjadrřování v zavedených termínech, jako trřeba meřkký konsonant atp. Kdyby navíc byly takové veřci vždy popisovány výcřtem hlásek, nebylo by na první pohled jasné, jestli jde v konkrétním výcřtu naprříklad o tyto meřkké konsonanty, nebo jestli neřjaká hláska prřebývá cři chybí, takže použitím promeřnných se také zvyšuje cřitelnost a prřehlednost.
V podkapitolce 3.8.1 jsem ukazoval dva zpusoby, jakými lze popsat sku-tecnost, že neexistuje žádné životné maskulinum, jehož slovní základ by
27. Je to bez odsazení, aby se to vešlo na řádek. Za | je slabika bez vokálu, v ceštine muže být (ne)hl, ale nikoli rt jako treba v srbštine. Pochopitelne taková slabika nebude delat správné hranice slabik, nerozliší proudit od proudit a vubec bude její použití omezené. Ale třeba ~$S mohou být jednoslabicná slova, což muže být morfologicky relevantní záležitost, zvlášť co se týce nejakých obecných tendencí, které se v této podkapitole snažíme zachytit.
61
4. Od slovníku vzorU ke slovníku rysU
koncřil na g a které by v Npl a Vpl prřipoušteřlo spisovnou kocovku -i. Jednou možností bylo omezit príslušnou koncovku i/[~g], což mohlo vy-jadrřovat, že tato koncovka je v daném kontextu prosteř nemožná. Druhou možností bylo zarřadit všechna taková slova ke vzoru filozof, resp. poz-dejšímu ekvivalentu pán,<-ové, což mohlo naopak znamenat, že aktuální neexistence slova prřipoušteřjícího i -i je vlastneř jen shoda okolností. Implicitní pravidla nabízejí trřetí možnost, totiž prřidání následujícího pravidla:
$T pán,-ové/g
Volbou takové možnosti lze rříct, že je sice pro tato slova možné ocřekávat pouze koncovku -ové, ale nelze zcela vyloucřit jednotlivé výjimky.28 Prřesneř toto rešení použijeme napríklad pro slova koncící na f, kdy všechna pri-pouštejí jen -ové, jenom pro slovo gróf je podle IJP i SSJC možným tvarem i grófi.
4.7.4   Vyhodnocování implicitních pravidel
Už několikrát jsem na ruzných místech mluvil o slovech typu despota. At' už jsem jejich sklonřování popisoval jakkoli, jedno meřly jejich slovníkové popisy spolecřné: slovnímu základu oproti Nsg chybeřlo koncové a. Jinými slovy, když jsme chteřli takové slovo zarřadit do slovníku, odebrali jsme mu koncové a a ke zbytku neřjak prřidali informaci, že se má sklonřovat podle vzoru despota. Mohli bychom si to ale zjednodušit a jako prříznak toho, že slovo patrří ke vzoru despota, ponechat ve slovníku práveř to a.
Samozrejmě, nejpozději před tvorbou jednotlivých tvaru se toho a nějak zbavit musíme, jinak bychom dostávali nesmyslné tvary. Ale pokud mohou implicitní pravidla měnit seznamy vzoru, mohly by stejně tak měnit i slovní základy. zavedeme tedy, že v podmínce na hláskovou podobu slovního základu bude v implicitních pravidlech možné symbolem \K (viz i poznámka 6) vyznacřit, co se má prři úspeřchu regulárního výrazu ve slovním základu ponechat a co se z něj má odstranit.29 Pokud tak do $k1gM přidáme
28. Ve skutecnosti to, jak jsem dosud popisoval vzory pán a -i, tyto výjimky také nevylu-cuje. Je možné do slovníku zadat treba biolog:pán,+-i a výsledkem bude i tvar biolozi. To je ale zpusobeno jen tím, že vzory pán a -i popisují tutéž koncovku na dvou ruzných místech, takže jim nic nebrání ji popsat nekonzistentně, jednou jako i/[~g] a jednou jen jako i . z toho plyne, že je potrřeba vzor pán odvozovat (mimo jiné) od vzoru -i, aby tato koncovka byla v celém systému jen jednou.
29. Protože zde muže docházet ke změně slovního základu, vyhodnocuji to odlišně než omezení na znacky a na vzory. Navíc jsem měl za to, že bude užitecné zde mít | v puvod-ním významu regulárních výrazu, a nikoli jako logické or mezi dvěma podmínkami. Zatím jsem to ale takto nepotrřeboval, takže to zrřejmeř bylo špatné rozhodnutí. Pokud to nebudu
62
4. Od slovníku vzorU ke slovníku rysU
$T\Ka žena_nS,-ovi,pán_nP,<-ové budeme moči do slovníku psát naprříklad30 předseda klgM
prřičřemž budeme dostávat stejné tvary, jako kdybyčhom napsali
předsed:žena_nS,-ovi,pán_nP,<-ové klgM
Dokonče byčhom mohli čhtít spečifikovat, čím se má nahradit to, čo bylo ze slovního základu (prřesneřji v tomto prřípadeř z rřeteřzče, který jsme zadali do slovníku a z neřhož slovní základ teprve vznikne) odstraneřno. Pokud pred seznam vzoru předsuneme dvojtečkou oddelený retezeč, prípadne takový rřeteřzeč ukončřený pro odlišení dvojtečřkou uvedeme namísto seznamu vzoru, bude tento retezeč pripojen na koneč slovního základu (retezče ve slovníku). Je to ale zatím jen zobečneřní úprav slovního základu, nemám pro to žádné využití.31
Poslední v?č, kterou musíme určit, je zpiäsob vyhodnočování impličitníčh pravidel v kontextu čelého „vzoru" $k1gM. Pokud práve zmínená pravidla zmení předseda klgM na předsed:... klgM, mohla by být na takto upravenou slovníkovou položku aplikována i další pravidla, naprříklad neř-jaké pravidlo vyjadrujíčí, že finální d implikuje pro životná maskulina vzor pán atp. To by samozrejme nebylo žádoučí. 32
potřebovat ani u jinýčh slovníčh druhu, sjednotím výhledoveé jak formát, tak vyhodnočová-ní teřčhto podmínek impličitníčh pravidel a omezujíčíčh podmínek na vzory a značřky.
30. Je to opeřt jen prříklad. Nebude to počhopitelneř fungovat pro všečhna životná maskulina končíčí v Nsg na $Ta: jednak bude potřeba extra začhytit zakončení -ita, -ista a -asta, jednak bude potřeba u nekterýčh slov mít ve slovníku navíč : +—i. To bude nakoneč prípad i samotného slova despota, protože jak pro zakončření ota, tak pro zakončření ta (vyjma prřed čhvílí uvedenýčh) je v součřasnýčh datečh analyzátoru ajka výrazneř víč slov, která -i v Npl a Vpl nepripouštejí, čemuž je počhopitelne vhodné přizpuisobit popis.
31. Naprříklad si lze povšimnout, že kromeř jednoslabičřnýčh slov (prřípadneř jejičh složenin) se u všečh životnýčh maskulin, které v Nsg končří na $Cek, toto e strřídá s nulou. Našel jsem jen dve výjimky, Uzbek a australopitek. Takže by mohlo být výhodné delat nejaké nahrazení $C\Kek za .ek, ale zatím nemám žádný elegantní zpuisob, jak to u zmíniénýčh dvou výjimek zablokovat, takže jsem to ješteř nevyužil. Naprříklad z hlediska prřidávání novýčh slov by to ale mohlo být užitečřné.
32. Pro jistotu upozornřuji, že vzhledem k tomu, jak jsou tato impličitní pravidla navržená, by nebyl (resp. správneř nemeřl být, opomíjím neřkteré tečhničké detaily) problém v tom, že byčhom takto dostávali nekorektní tvary. v tomto hypotetičkém prřípadeř by totiž výsledkem pravidel bylo předsed:pán,žena_nS,-ovi,pán_nP,<-ové k1gM — ovšem vzory následujíčí po vzoru pán definují všečhny tvary, takže by se všečhny tvary podle vzoru pán prepsaly novými. Ale obečne neéčo takového zbytečne zvyšuje nepmhlednost systému a riziko dlouhého dohledávání prřípadné čhyby, takže je rozumné se tomu vyhnout.
63
4. Od slovníku vzorU ke slovníku rysU
Na druhou stranu v jiných prípadech mužeme chtít aplikovat více pravidel. Mužeme tak napríklad chtít prostrednictvím implicitního pravidla /qJO <-ové ríct, že pro osobní jména má být v Npl a Vpl spisovná jen koncovka -ové, a to nezávisle na tom, podle kterého vzoru se budou sklo-novat. V takovém prípade bychom tedy potrebovali, aby se krome tohoto pravidla uplatnilo i pravidlo urcřující (naprříklad podle zakoncření slovního základu) vzor — a navíc je nutné, aby se toto pravidlo uplatnilo až po prve zmíneřném pravidle, aby totiž takto urcřený vzor byl v konecřném seznamu vzoru pred <-ové.
Stanovíme tedy, že jednotlivá pravidla se budou procházet v tom poradí, v jakém jsou zadána ve „vzoru" $k1gM. Pokud bude podmínka pravidla vyhovovat, ale nebude zacřínat pomocným znakem &, pravidlo se uplatní a skoncří se, podmínky následujících pravidel se už kontrolovat nebudou. Pokud bude podmínka zacřínat znakem &, bude se po aplikaci pravidla pokracřovat hledáním dalších použitelných pravidel, dokud se neprojdou všechna, nebo se nenalezne nejaké vyhovující, ale bez &. V predchozím odstavci zmíneřné pravidlo by tedy vypadalo takto:
&/qJO <-ové
4.8 Shrnutí
V této kapitole jsem popis dat ve formátu prředstaveném v kapitole prřed-chozí umožnil dále zjednodušit výrazným snížením potrřeby opakovat tutéž informaci, at' už cást znacky, nebo seznamu vzoru. Navrhl jsem dále prostrředky, které dovolují ztotožnit koncovky, jež mohou být považovány za identické, a to jak v rámci jednoho tradicřního vzoru, tak naprřícř teřmito vzory, dokonce i bez ohledu na mluvnický rod cři slovní druh.
Zejména jsem ale nabídl prostredky, jak popsat implicitní skloííování ur-cřené hláskovou cři strukturní (prřípony) podobou slovního základu a, resp. nebo, jeho morfologicky relevantními sémantickými vlastnostmi. Ve výsledku tedy mohou být pravidelneř (prřípadneř i jen veřtšinoveř, protože hranice pravidelného je obtížneř objektivneř stanovitelná) se chovající slovní základy ve slovníku uvedeny bez explicitního prřirřazení ke vzoru cři seznamu vzorií, kterýžto bude doplnen automaticky. Plný seznam vzoru není navíc potřeba uvádet ani u slovních základu slov nejakým zpiäsobem nepravidelných, stacří jen ve slovníku popsat rozdíl oproti tomu, co je urcřeno implicitními pravidly. Pro zprřehledneřní slovníku a zjednodušení práce s ním dokonce umožnuji v nekterých prípadech uvádet místo slovních základu prímo tvary Nsg vcetne pozitivní koncovky.
64
Kapitola 5
Diskuse vlastností a možností navrhovaného formátu
V predchozích dvou kapitolách jsem navrhl nový zpusob organizace dat morfologického analyzátoru. Tuto kapitolu veřnuji diskusi neřkterých jeho obecných vlastností a možností, zejména prostrřednictvím porovnání s dalšími existujícími prřístupy k popisu morfologických dat.
Nejprve chci ale zduraznit, co jsem už cástecne zminoval na zacátku tretí kapitoly. Tím hlavním prři popisu formátu ani tak nebyla jeho konkrétní podoba, a tím spíše ne jeho konkrétní použití pro popis urcřitých jazykových dat. Za nejduležitejší považuji, že jsem prokázal vubec možnost data takto popisovat. Že totiž dosavadní „opozice" mluvnického a komputacní-ho popisu1 není v žádném prřípadeř nezbytná, ale že naopak je velmi dobrře možné popisovat data lingvisticky interpretovatelným zpusobem.
Proto není soucřástí práce žádná „referencřní prřírucřka" navrhovaného formátu. stejneř tak jsem se nesnažil vždy rozebrat všechny kombinatorické možnosti interakcí jednotlivých prvku formátu, nelze tedy napríklad vy-loucřit, že neřkteré okrajové možnosti kolizí prři tvorbeř znacřky v prředchozí kapitole mohly zustat nevyjasneny. Nechtel jsem zabíháním do technických podrobností rozbíjet výklad, protože to jednoduše nepovažuji za duležité, nehlede k tomu, že popisovaná podoba formátu témer jiste není definitivní. Prikládám nicméne v elektronické podobe (viz príloha B) skript, který data vyhodnocuje, takže detaily aktuální interpretace formátu lze prřípadneř videřt v neřm.
Relativne nejméne podstatné jsou pak konkrétní zpusoby popisu jednotlivých jeviä prostrednictvím navrhovaného formátu. Na mnoha místech jsem se snažil ukázat, že pokud lze urcitý jev interpretovat více ruznými zpusoby, umím tyto jednotlivé možnosti odlišit i prostrednictvím popisu. A duležitá je práve tato schopnost, nikoli to, kterou z techto variant jsem prřípadneř zvolil pro další prříklady. I zde ale prřikládám v prříloze A ucelený soubor vzoru pro životná maskulina.
1. Prřinejmenším ústneř tradovaná v mém okolí. Dále naopak ukážu, že dosavadní prřístup je svým zpusobem docela adekvátní implementací popisu obsaženého v mluvnicích.
65
5. Diskuse vlastností a možností navrhovaného formátu
5.1    Vztah formátů k soucasným mluvnicím ceštiny
Abych mohl ukázat vztah nového formátu k soucasným ceským mluvnicím, pokusím se nejprve rekonstruovat model tvarosloví, který tyto mluvnice nabízejí. Vyjdu z Mluvnice ceštiny2, protože je nejpodrobnější a záro-ven mi není známo, že by s ní PMC nebo CRj byly v tomto v rozporu.3
MC clení slovní tvary na ruzné cásti, kterým ale nepriznává samostatnou existenci. Jednak to o některých říká explicitně: „tvarotvorný základ, poprř. tvarotvorný kmen je však abstraktní pojem, teoretický konstrukt. Re-álneř je tento pojem (sic) prřítomen pouze v konkrétních tvarech slova"4 (MC1, s. 183) — a je stěží predstavitelné, že by treba tvarotvorný základ byl abstraktní, zatímco tvarotvorný formant nikoli. Plyne to ale trřeba i z toho, že tvary jsou vždy cřleneřny, nikdy ne skládány ve smyslu neřjakého reálného procesu.5 Není uvažován žádný inventár kmenu ci podobných cástí slov, slovník nebo neřco takového, alesponř ne v tom smyslu, že by kuprří-kladu bylo nutné rřešit otázky, co a v jaké podobeř do neřj ješteř patrří a co už ne. Není tedy ani co skládat, takže zákoniteř neexistuje naprříklad ani žádná „hloubková" struktura (což ovšem zrřejmeř nutneř plyne už ze znakové povahy morfu: teřžko uvažovat o neřjaké „hloubkové" podobeř oznacřujícího,
2. A to konkrétně z kapitol Il.b Morfonologie a morfémika (MC1, od s. 173 dále) a IV 2 Formální tvarosloví (MCř2, od s. 251 dále).
3. Presněji, pokud se odlišují, odlišují se spíše zmatecně. Tak napríklad podle PMC je pí-sen/písni zániková alternace (s. 260), zatímco hra/her vzniková (s. 256), obecně viz i s. 31, prřicřemž podle MCř 1 jde v obou prřípadech o alternaci vznikovou (s. 186), což vypadá prřece jen o neřco logicřteřji.
A CRj například v obecné cásti o stavbě slovních tvaru ríká, že kmenotvorná přípona „u substantiva většinou chybí, přesněji je nulová (i když i tu ji lze ještě v některých tvarech vyclenit, napr. had-0, had-a, ale had-o-vi, had-e-ch ve srovnání s žen-á-ch, ruž-í-ch atp." (s. 175). Jednak není zřejmé, proc muže být had-0, ale nemuže být had-0-0 (tak MC2 clení naprříkla tvar žen na s. 256), jednak je nejasná motivace k segmentaci had-o-vi, a nikoli had-ov-i (zvlášť pri uvážení nejen posesiv hadova, hadovo a naopak Dsg/Lsg koncovky -i atp., ale také třeba „varianty" -ovský sufixu -ský, kdy je mužský, ale treba putinovský ci klackovský). Zejména pak ale v cásti věnované popisu deklinacních typu není konzistentní ani sama se sebou, když uvádí pro Lpl v tabulkách vždy -ích, pouze pro vzor stavení -í-ch (s. 188), s vysvětlením, že jde o kmenotvornou príponu (s. 189), jako kdyby se to nějak lišilo od např. dríve zmmovaného tvaru ruž-í-ch.
4. Pozoruhodné je, že v predchozí větě MCC1 říká: „podstatou tvoření tvaru je utvárení jednotlivých tvaru od tvarotvorného základu", jinými slovy, tvary se utvářejí od něceho, co je ve skutecnosti prítomno jen v těchto tvarech. Je zrejmé, že něco takového se komputacně modeluje dost obtížneř.
5. Napríklad vymezení morfu v MC1, s. 177: „Cleníme-li postupně slovo ..." nebo celá kapitolka 2.2 Cř leneřní slovního tvaru v MCř 2, s. 254. Ale konzistentneř s tím trřeba i formulace v ESC: kmen je „cást slovního tvaru", tvarotvorný základ je „složka jednoduchého slovního tvaru", stejneř tak i tvarotvorný formant (vše ve stejnojmenných heslech) atp.
66
5. DISKUSE VLASTNOSTÍ A MOŽNOSTÍ NAVRHOVANÉHO FORMÁTU
prinejmenším, pokud by se mela lišit od té „povrchové").6 MC popisuje tvarosloví jako abstraktní jazykový systém, prřicřemž se nijak nestará o to, jak prřesneř tento systém mluvcří jazyka realizují cři používají.
Model nabízený MCř je proto zcela statický, neobsahuje žádné procesy, které by nejak pracovaly se slovními tvary ci jejich cástmi: „ohebné (flektiv-ní) slovo existuje tedy v jazyce jako soubor slovních tvaru" (MC2, s. 253), „slovní tvary v paradigmatu obecne interpretujeme jako proste koexistující, a nikoli jako odvozené jeden od druhého"7 (MC1, s. 183). Ani alternace v tvarosloví, prřestože je u nich urcřován smeřr, nereprezentují žádný deřj, ale pouze stav, urcitý typ rozdílu mezi cástmi dvou rovnocenných tvaru.8 Termíny jako „meřkcření" cři „dloužení" neznamenají proces, ale pomeřr mezi alternantami poté, co byla jedna z nich zvolena za základní.
Z hlediska implementace takového modelu je tedy irelevantní naprostá veřtšina úvah, které jsem provádeřl v prředchozích dvou kapitolách. Vycřle-neřní nepravidelností do slovníku, sestavování slova ze slovního základu a koncovky vybírané podle jeho vlastností i následná realizace hláskových zmeřn na takto získané strukturře jsou z tohoto pohledu nutneř pouze technická rřešení. Zajímavé jsou teprve výsledné soubory hotových slovních tvaru se znackami, které (soubory) mohou být interpretovány jako reprezentace souboru textových slov, jimiž jsou realizována jednotlivá abstraktní systémová slova (MC2, s. 253). A dále muže být zajímavé, nakolik popis umožnřuje reprodukci mluvnicí postulovaného cřleneřní na tvarotvorný základ a tvarotvorný formant, prřípadneř kmen a koncovku (rozdíl mezi teřmito dvema cleneními se projeví například u tvaru hajn=ý-m). Mnou navrhovaný popis umožnuje jak reprezentaci slova jako souboru slovních tvaru, textových slov, tak i obeř zminřovaná cřleneřní (jak dokládá prřed chvílí zmíneřný
6. Jedna zmínka o hloubkové struktuře je v MC1, v poznámce na s. 176. Vzhledem k oje-dineřlosti ovšem teřžko soudit, co prřesneř tím autorři mysleli v kontextu zbytku mluvnice.
7. Možnost odvození od neřjakého spolecřného základu patrneř není ani uvažována.
8. Což muže vysvetlovat nesoulad mezi PMC a MC1 zmínený v poznámce 3 — težko objektivne urcovat smer mezi dvema „proste koexistujícími" tvary, zejména pokud takové urcření slouží jen jako dále k nicřemu nepoužitá škatulka, a nikoli naprříklad k tvrzením typu „je vzniková, a proto/protože je možné X a není možné Y". Tento prístup lze ilustrovat i dalším příkladem: podle vetšinového principu (MC1, s. 184) je u vůl/vola základní alternanta o, u kráva/krav je to á. Ovšem například odvozená slova neobsahují základní alternantu, ale krátkou, tedy volský a kravský a dále třeba (dle SYN2005) kravicka, kravka, kravín, kraví, kravina, kravenec/kravinec, snad spíše krávin a jiste krávovina. Není zřejmé, jestli z urcení základní alternanty plyne nejaká další informace, nebo jestli je to jen škatulkování. I to je duvod, proc se v této práci vyhýbám trřeba práveř termínu „alternace": je v mluvnicích asociován se škatulkami, jejichž smysl mi není jasný, ovšem kdybych mluvil naprříklad o tom, že prostrředky svého formátu popisuji alternace, byla by oprávneřná otázka, jak tedy reprezentuji základní alternanty, prřípadneř, procř jsem na jejich popis rezignoval.
67
5. Diskuse vlastností a možností navrhovaného formátu
tvar), ovšem je potrřeba prřipomenout, že toto není žádné novum, protože totéž umožnoval už popis navržený v (Osolsobě, 1996).9
Aby nedošlo k nedorozumeřní: výše uvedené skutecřnosti v žádném prří-padeř nepovažuji za nedostatek navrhovaného formátu, protože implementovat popis reprezentovaný mluvnicemi nebylo mým cílem. Pouze vyjas-nřuji, že z pohledu teřchto mluvnic neprřináším nic systémoveř nového. Je ale potrřeba zdui raznit, že i v prřípadeř, že by šlo jen o slovní tvary a jejich základní segmentaci, nabízím oproti Kláre Osolsobě popis výrazně kompaktnější, a tedy snáze udržovatelný a méneř náchylný k nekonzistencím.
Pripomenu dále jednu citaci z (Osolsobě, 1996, s. 9-10): „... je nutné pred-pokládat, že rodilý mluvcří má ve své pameřti uloženy informace o systému ceské flexe, z nichž pri realizaci jednotlivých textových slov pri promluvovém aktu vychází. Algoritmus, který je základem programu pro automatickou morfologickou analýzu cřeštiny, se v oblasti morfologie snaží tento systém simulovat. Vytvárří modely ohýbání slov v prřirozeném jazyce. "
Troufám si tvrdit, že i takto definovanému cíli jsem výrazně blíž. Není sice prříliš známo, co prřesneř mají mluvcří v pameřti, lze se ale domnívat, že spíš budou mít se slovními základy spojeny informace, jejichž popis umož-nuji v podkapitole 4.7, než že by si ke každému slovnímu základu museli pamatovat informaci o prříslušnosti k jednomu ze 43 vzorui pro životná maskulina, které ve své práci navrhuje Klára Osolsobě.
Prestože jsem se ale v jednotlivých cástech popisu snažil — a věrím, že úspěšně — o něco, co jsem nazýval lingvistickou interpretovatelností, z pohledu celku není možné navržený popis oznacřit jako formalizaci neřjaké konkrétní lingvistické teorie, neřjakého existujícího popisu cřeštiny. Dui vod jsem zminoval už v podkapitole 3.1: vhodný popis není k dispozici.10
9. Ten navíc dokonce z urcřitého pohledu lépe odpovídá mluvnicím svou vnitrřní strukturou. Jak jsem zmínil už v podkapitolce 3.12.1, prvky popisu téhož druhu na téže úrovni jsou vždy rovnocenné, at' už jde o pořadí intersegmentu ve vzoru, koncovkových množin v intersegmentu, nebo koncovek v koncovkové množině — tuto neusporadanost lze chápat jako paralelu „prostě koexistujících" tvaru. Podobně princip, že každá formální odlišnost mezi soubory tvaru musí být popsána samostatným vzorem, v podstatě (až na alternace kmene) odpovídá již poznámkou 9 v podkapitolce 4.2.1 zmíneřnému chápání paradigmatu jako úplného souboru jeho tvaru (MCC2, s. 258), kdy se tato paradigmata „od sebe navzájem odlišují podobou koncovky alespon v jednom pádovém tvaru" (MC2, s. 282).
10. Zde ješteř prřipomenu v tomto kontextu zajímavou poznámku z (Hlavácřová, 2009, s. 2): „obcas jsme ... použili lingvisty neoblíbené ,technické' rešení". Docela by mě zajímalo, jak vlastneř obecneř vypadá opak, tedy lingvisty oblíbená rřešení. Nejsem si totiž jistý, jestli ve svých preferencích v této oblasti tvorří lingvisté neřjakou jednolitou masu, nebo jestli naopak nemuže nastat situace, že některými „oblíbené" rešení bude pro jiné přijatelné ještě hure než řešení „technické", které lze alespon omluvit tím, že jinak to z technických duvodu nešlo.
68
5. Diskuse vlastností a možností navrhovaného formátu
5.2    Vztah k Internetové jazykové prírucce
Jaroslava Hlavácřová prři zavádeřní kategorie mutace odlišující variantní tvary shodné lemmatem i hodnotami ostatních gramatických kategorií píše: „... stylové prříznaky nejsou prřijímány celou lingvistickou komunitou jed-noznacřneř. ... Morfologický slovník by meřl být na subjektivních názorech jednotlivých badatelu nezávislý. Z toho duvodu bychom se neměli snažit hodnoty morfologických kategorií, tedy ani mutací, nijak hodnotit. ... prři-řazujeme kategoriím Flektivní mutace a Globální mutace nezávislou sadu hodnot, prostou jakéhokoli hodnocení. " (Hlavácřová, 2009, s. 19)
Obecně je takový přístup jistě rozumný, presto v jednom konkrétním prřípadeř musím velice nesouhlasit. Po zprřístupneřní slovníkové cřásti Internetové jazykové prřírucřky11 lze totiž pro všechna v ní obsažená slova považovat rozdíl mezi jejich spisovnými a nespisovnými tvary za výslovneř stanovený, tedy objektivní. Má to navíc i praktický aspekt: prředpokládám, že uživatelé budou (a oprávneřneř) ocřekávat, že morfologické analyzátory jsou s informacemi poskytovanými IJP v souladu. V této podkapitole tedy nebudu rřešit otázku jestli, ale jak.
5.2.1   Obecne o Internetové jazykové prírucce
Internetová jazyková prřírucřka vznikla jako výsledek projektu Jazyková poradna na internetu spolecně rešeného Ústavem pro jazyk ceský AV CR a Fakultou informatiky Mu. Prřírucřka se skládá ze dvou cřástí. Výkladová cřást obsahuje pres 150 jednotlivých obecných výkladu prevážně pravopisných a gramatických jevu, které mohou uživatelum jazyka pusobit potíže. Slovníková cřást popisuje prřes 60 000 hesel, prřicřemž se od ostatních, tišteřných zdroju informací o tvarosloví (SSC, SSjC, Pravidel ceského pravopisu atp.) liší zejména uváděním všech tvaru jednotlivých slov.12 Kromě těchto tvaru obsahuje slovníková cást pro jednotlivá slova i vybrané pravopisné ci tvarotvorné informace, prříklady užití a, což ji také odlišuje, cřasté vazby na relevantní výklady ve výkladové cřásti.
Autori obsahu IJP, tedy pracovníci Oddělení jazykové kultury ÚjC, ji sami za kodifikacní nepovažují.13 Zároven ale v odpovědi na „dotaz týd-
11. Je ovšem potrřeba zmínit, že slovníková cřást IJP byla verřejnosti zprřístupneřna bud'to až poté, nebo nanejvýš teřsneř prřed tím, než Jaroslava Hlavácřová dokoncřila svou disertacřní práci. Nicméně ani obecně není kodifikace v ceském jazykovém prostredí nic nového.
12. Presněji, všech podstatných tvaru: pokud mluvcí zásadně nemají problémy s pravidelným tvorením napríklad tvaru adjektiv, bylo by zbytecné je v IJP všechny vypisovat.
13. Zdrojem je osobní komunikace, na samotných stránkách IJP toto není nijak zmíněno.
69
5. Diskuse vlastností a možností navrhovaného formátu
ne" č. 26/200814 uvádejí, že siče striktne vzato lze za kodifikační považovat jen ty prříručřky, které jako takové jejičh autorři sami deklarují, ovšem ve sku-tečřnosti že hraje velkou roli i to, jak je daná prříručřka vnímána verřejností, at' už laičkou, nebo odbornou. Nemám k dispoziči žádný relevantní pru-zkum, ničméneř skutečřnost je taková, že návšteřvnost iJP se pohybuje mezi 15 až 20 tisíči jednotlivýčh prístupu za pračovní den, je pravidelne používána napríklad redakčemi čelostátníčh deníku15 a krome nemalé mediální publičity se jí dostalo i nejvyššího resortního očeneřní Ministerstva školství. Troufám si tedy tvrdit, že prestože IJP presne vzato kodifikační není, její prestiž je natolik vysoká, že ji není možné prři úvaháčh o datečh pro morfo-logičký analyzátor opomenout.
5.2.2   Případová studie životných maskulin koncících na or
Mým puvodním zámerem tedy bylo zároven s prevodem dat do nového formátu opravovat veškeré rozdíly piävodníčh dat analyzároru ajka oproti informačím obsaženým v IJP.16 Jakmile jsem mel data prevedena z piävod-níčh vzoru na tradiční školní vzory doplnené o prípadné odlišnosti (napríklad mistr:pán,-i), hledal jsem možnosti generalizačí ve smyslu podkapitoly 4.7, tedy jestli konkrétní odčhylka od základního vzoru (zde -i) je v dostatečřneř významné korelači s neřjakými vlastnostmi slovníčh zákla-diä, u ničhž je uvedena. Pri vedomí nekonzistenčí v datečh (viz podkapitol-ka 2.3.2) jsem samozrřejmeř nehledal jen stopročentneř platné generalizače, ale prřipoušteřl relativneř velký šum. Když jsem pak neřjakou možnou gene-ralizači našel (naprříklad Nsg zakončřený na konsonant a r implikuje pouze -i v Npl a Vpl), snažil jsem se ji overit i v datečh IJP, a to jednak na konkrét-níčh slovečh ze slovníku analyzátoru ajka, které se generalizači vymykaly, jednak obečneř na relevantníčh slovečh ze slovníku IJP.
Postupneř se ovšem takto ukazovalo, že IJP trpí v prinčipu týmiž neduhy jako data analyzátoru ajka. Pro jednotlivé možné generalizače jsem totiž načházel výjimky, u kterýčh nebyl k výimečnosti žádný zretelný dti-vod, takže se nutneř nabízelo podezrření, že jde prosteř jen o nekonzistenče. Naprříklad generalizači zmíneřné v prředčhozím odstavči odporovala v IJP 4 slova (z 65 možnýčh): arbitr, lotr, ludr a poštmistr.17 Krome slova lotr ale není zřejmé žádné kritérium, které by oduvodnovalo jejičh nepravidelný
14. http://www.ujc.cas.cz/oddeleni/index.php?page=dottyd2008
15. To lze mimo jiné vystopovat ze záznamu o přístupečh.
16. Protože jsem realizoval programovou čřást IJP a dosud ji spravuji, mám výhodu prřímého prístupu k veškerým datum.
17. veškeré údaje o datečh IJP, které zde budu uvádeřt, se vztahují k začřátku brřezna 2010.
70
5. Diskuse vlastností a možností navrhovaného formátu
popis.18 Porovnáváním dat IJP s tvary tvorenými podle systematického popisu představeného v predchozích kapitolách jsem našel přes 600 nekonzistencí. Nekteré jednotlivé z nich jiste budou mít nejaký duvod, a chybami tedy nebudou, ale troufám si tvrdit, že z celkového pocřtu 5445 životných maskulin jsem odhalil chybu prinejmenším v jedné desetine.19
Pro lepší prředstavu o povaze problému nabízím dveř tabulky srovnávající slova zakoncená na or. MC2 i IJP pro ne obecne stanovují koncovku -i.20 V tabulce 5.1 jsou slova, kterým alespon jeden ze zdroju SSJC, ajka, SSC a IJP prisuzuje v Npl a Vpl -i i -ové, pricemž - znamená, že zdrojslovo nepopisuje, a 0 znamená, že se k Npl nevyjadruje (muže nastat jen u slovníku). Další sloupecky jsou po rade pocet výskytu tvaru s -i v korpusu SYN2005 (Ki), pocet výskytu tvary s -ové tamtéž (Ko), pocet dokladu tvaru s -i nalezených vyhledávacem Google (Gi) a konecne pocet takto nalezených tvaru s -ové (Go).21 V tabulce 5.2 jsou potom pro srovnání tytéž údaje pro nekterá ze slov, která mají podle všech ctyr zdroju v Npl a Vpl jen -i.
Srovnání posledních dvou sloupcu obou tabulek ukazuje, že na základe teřchto dat není možné stanovit žádné (rozumné) kritérium, které by umož-novalo říct, že například senior ci primátor mají mít v Npl a Vpl i -ové, zatímco treba junior nebo prokurátor mohou mít pouze -i.
18. Pro slovo lotr jsou koncovky -i i -ové zmíneny v SSC i SSJC a tvar lotrové je skutecne bežný i v úzu. Ostatní tvary ve slovnících oporu nemají, pricemž tvar Npl ludrové nelze doložit ani vyhledávařem Google. Npl arbitrové sice najít lze, ale napríklad tvar kmotrové je relativne castejší (toto se projevuje i v SYN2005). Stejne tak lze najít, byt' řídce poštmistrové, ale opeřt naprříklad mistrové se zdají být relativneř cřasteřjší. Pokud by tedy byla meřrřítkem frekvence v úzu, meřla by IJP prřipoušteřt i tvary kmotrové a mistrové.
19. Vetšina nesrovnalostí je ve tvarech pádu, které by mely být shodné, napríklad Npl a Vpl, protože takové nekonzistence se hledají výrazne snadneéji než slova typu poštmistr. Na druhou stranu to jisteř není konecřný pocřet, je to jen to, na co jsem zatím narazil, nemá totiž smysl srovnávat všechna slova, dokud tyto veřci nebudou opraveny. Pro bližší prředstavu prikládám v elektronické podobe e-maily (viz príloha B), jimiž jsem nesrovnalosti reportoval. Od té doby už byly mnohé opraveny (takže treba zmmovaný poštmistr má v Npl a Vpl už jen -i), ale protože editorři dat mají hesla rozdeřlena podle pocřátecřních, a nikoli koncových písmen a protože opravy stále probíhají, nelze prříliš usuzovat z toho, že z nekonzistencí téhož druhu byly opraveny jen neřkteré (naprř. arbitr stále prřipouští i -ové).
20. MC2, s. 295; IJP, výklad „Skloiňování mužských živ. jmen - 1. p. mn. c.", odstavec 2.1.5 (http://prirucka.ujc.cas.cz/?id=226#nadpis8).
21. Je zrejmé, že stomilionový SYN2005 na taková hledání nestací. V SYN2006pub jsem našel pro tvary s -i celkem jen o sedm dokladu více, což je také málo. Zásadní nevýhoda použití Google ovšem je, že výsledky nejsou spolehliveř reprodukovatelné, vícekrát se mi stalo, že na tentýž dotaz jsem po cřase dostal odlišný výsledek. Prřesto uvedu, jak jsem postupoval: tvary jsem vyhledával v uvozovkách a „jen cesky". Po vyhledání jsem obecne klikal na poslední „o", protože Google nezřídka odhad poctu výskytu nadsazuje. Tvary s -ové jsem se snažil projít a zkontrolovat (krome ovšem profesorové z tabulky 5.2, kde bylo nálezu příliš mnoho, cást z udávaného poctu tedy tvorí tvary slova profesorová).
71
5. Diskuse vlastností a možností navrhovaného formátu
	ssjc	ajka	ssc	ijp	Ki	Ko	Gi	Go
alfabetizátor	-	-	-	i/ové	0	0	0	0
amor	0	i	0	i/ové	0	0	59	40
censor	i/ové	i/ové	-	-	0	0	1080	16
cenzor	i/ové	i/ové	0	i/ové	37	0	38200	18
defensor	i/ové	i/ové	-	-	0	0	34	15
defenzor	i/ové	i/ové	-	-	0	0	24	3
imperátor	i/ové	i/ové	i/ové	i/ové	1	0	2510	4
inaugurátor	i/ové	i/ové	-	i/ové	0	0	0	0
kapeador	-	-	-	i/ové	0	0	0	0
konsenior	i/ové	i/ové	-	-	0	0	8	2
konspirátor	i/ové	i/ové	-	i/ové	3	0	7180	0
mumifikátor	i/ové	i	-	i	2	0	80	0
mystifikátor	i/ové	i	-	i	3	0	1870	0
nestor	i/ové	i/ové	i/ové	i/ové	0	0	4170	19
pastor	i/ové	i/ové	i/ové	i/ové	29	0	10300	45
pišišvor	i/ové	i/ové	-	i/ové	0	2	1330	32
polyhistor	i/ové	i/ové	i/ové	i	0	1	40	26
primátor	i/ové	i/ové	i/ové	i/ové	23	0	37100	53
rechtor	i/ové	i/ové	-	-	0	0	13	0
rektor	i/ové	i/ové	0	i/ové	22	0	38700	17
rétor	i/ové	i/ové	-	i/ové	4	0	1500	33
senior	i/ové	i/ové	i/ové	i/ové	109	0	376000	53
senor	i/ové	i/ové	-	i/ové	1	0	37	26
subrektor	0	i/ové	-	-	0	0	0	0
tambor	i/ové	i/ové	0	i/ové	1	0	1410	0
toreador	ové/i	i/ové	0	i/ové	11	0	1170	4
vivisektor	-	i/ové	-	-	0	0	66	0
Tabulka 5.1: Slova zakonCená na or pripouštející dle nekterého zdroje -ové
72
5. DISKUSE VLASTNOSTÍ A MOŽNOSTÍ NAVRHOVANÉHO FORMÁTU
	Ki	Ko	Gi	Go
exekutor	54	0	52000	14
diktátor	53	0	72500	20
junior	110	0	286000	21
prétor	0	0	67	5
orátor	1	0	44	8
profesor	428	0	132000	2010
redaktor	329	0	180000	67
mentor	3	0	22700	44
synátor	0	0	2880	41
prokurátor	42	0	26300	17
efor	0	0	76	67
senátor	504	0	152000	39
Tabulka 5.2: Slova zakoncená na or pripouštející jen -i
Tyto výjimky samozrřejmeř neprředstavují technický problém ve smyslu možnosti zachytit výjimecřnosti jednotlivých slov ve slovníku. To mnou navrhovaný formát bez potíží umožnuje. Ovšem tyto dve skupiny slov (-Cr a -or) jsou jen dveřma prříklady z mnoha. Kdybych tedy skutecřneř „slepeř" upravil tvary v datech analyzátoru podle tvaru v IJP, vnesl bych do dat velké množství nepravidelností (o pár odstavcu dríve zmínených 10 % v tomto kontextu není málo), které by z dlouhodobého pohledu komplikovaly e ich údržbu. Ale i pokud si techto nekonzistencí všimnu22, nemám casto k dispozici žádný zpusob, jak poznat, jestli jde v konkrétním případe o chybu23, nebo dané informace v IJP skutecřneř popisují neřjakou realitu.
Považoval bych tedy za obecneř užitecřné, kdyby i referencřní zdroj informací o tvarosloví, jako je IJP, vycházel ze systematického popisu orga-
22. A zde je potreba zduraznit, že to je umožneno práve porovnáváním dat se systematickým popisem, kdybych takto chtel s IJP sladit data analyzátoru ajka v puvodní podobe, mohl bych si toho všimnout jen náhodou. Pro neřkterá slova bych sice musel vytvorřit nové vzory, to by ale nebyl žádný duvod k nejaké zvýšené ostražitosti, množina vzoru se muže menit dle potreby (viz treba i konec podkapitolky 2.3.1). A stejne tak bych nemel žádný duvod zkoumat prípadné presuny mezi vzory ci „obsazenost" nove přidaných vzoru atp., protože všechny vzory jsou v principu rovnocenné, není duvod k nejakým apriorním před-pokladum o príslušnosti slova ke vzoru, jejichž nenaplnení by mohlo být hodno pozoru. Takové opravy dat analyzátoru ajka podle dat IJP by tedy mohly probehnout zcela automaticky a nebyl by duvod kontrolovat výsledek po obsahové stránce (nemluvím pochopi-telneř o kontrole, jestli skutecřneř správneř probeřhlo samotné zamýšlené sladeřní dat).
23. Z pohledu dat pro morfologický analyzátor je samozrřejmeř rozdíl jen v hodnocení: chci rozpoznávat jak tvary s -i, tak tvary s -ové, jen u teřch druhých budu mít u slov zakoncřených v Nsg na Cr ci or navíc informaci, že jsou nejakým zpusobem nestandardní.
73
5. DISKUSE VLASTNOSTÍ A MOŽNOSTÍ NAVRHOVANÉHO FORMÁTU
nizovaného zpusobem, jaký navrhuji pro popis dat morfologického analyzátoru. A kdyby kromeř urcření základního, implicitního sklonřování pro ruzné hláskové podoby koncu slovních základu, pnpadne navíc v kombinaci s relevantními sémantickými kategoriemi, byla zárovenř stanovena pokud možno meřrřitelná kritéria, která musejí splnřovat výjimky z takového základního sklonřování. Nebo kdyby alesponř byla každá taková výjimka v popisu hesla (slova) oduvodnena.24
Takový prřístup by meřl neřkolik výhod. Velké množství nekonzistencí, nebo i jen preklepu by pomohl eliminovat samotný systematický popis dat, který by napríklad neumožnil tvar alfabetizátorové, pricemž bez jakýchkoli dokladu by jejdo dat editor jiste nedoplnoval. Pokud by navíc uvedená kritéria výjimecřnosti a obecneř postupy pro tvorbu teřchto dat byly zverřejneřny trřeba v odborném tisku, byla by snáze oveřrřitelná korektnost, správnost dat i v situacích, kdy naprříklad doklady výjimecřného tvaru existují, ale editor muže udelat chybu v jejich vyhledání ci hodnocení. Zároven by toto bylo užitecřné i z dlouhodobého pohledu (protože na rozdíl od nemeřnitelných tištených slovníku musí IJP odrážet vývojjazyka), protože by to poskytovalo objektivní kritéria, kdy nejaký posun úzu reflektovat v datech IJP.
Svým zpusobem by se jednalo o formalizaci príslušných clánku o tvarosloví ve výkladové cřásti. K takové formalizaci ale stejneř musí drřív nebo pozdeřji dojít, protože výhledoveř by meřl pocřítacř umeřt nejen zprostrředková-vat informace z výkladové cřásti IJP uživateli, jako je tomu už ted', ale meřl by se podle teřchto informací a pravidel umeřt prři zpracování textu i sám rřídit. A kromeř toho, že by taková formalizace mohla být zajímavá i zcela obecneř, z lingvistického pohledu, lze prředpokládat její užitecřnost i konkrétneř prřímo pro uživatele IJP. Umožnila by totiž mít ve výkladech pro každé jednotlivé „pravidlo" (ne ted' v doslovném smyslu, snad spíš pravidelnost) vazbu na slova, která se podle neřj chovají, a zejména pak i na slova, která je porušují, což by byla komplexneřjší informace než stávající vybrané prříklady.
24. Z osobního kontaktu vím, že editorři dat mají rozsáhlý soubor zásad, jak zpracovávat hesla. Prřestože neznám detaily, prředpokládám, že je ve výsledku podobný systematickému popisu, o kterém mluvím. Zásadní rozdíl je ovšem v tom, že tyto zásady musejí aplikovat lidé, jednotliví editorři, kdyby ale ta jejich cřást, která popisuje tvarosloví, byla formalizována, mohl by je vyhodnocovat pocřítacř. Je zrřejmé, že konzistentneř zpracovat prřes 60 000 hesel, navíc v mnoha lidech a podle neřjakého rozsáhlejšího „manuálu", je úkol vpravdeř nadlidský. Tato podkapitolka tedy rozhodne není myšlena jako kritika autoru IJP (nemluve o tom, že bych tím do jisté míry kritizoval i sám sebe). Naopak jsem prřesveřdcřen, že taková nekonzistence je nutným a nevyhnutelným dusledkem „mnohosti": stejne tak byla nekonzistentní data analyzátoru ajka (viz podkapitolka 2.3.2) a stejne tak lze snadno nacházet nekonzistence i treba v SSJC, a to nejen formální, ale práve i obsahové. Mám ale za to, že tato mnohost by mohla být spoutána a ujarřmena vhodnou formalizací.
74
5. Diskuse vlastností a možností navrhovaného formátu
5.3    Srovnání s aktuální podobou pražského formátů
Nejnovějším rozsáhlým príspěvkem k pocítacovému zpracování morfologie cřeštiny je už vícekrát odkazovaná disertacřní práce Jaroslavy Hlavácřové (2009). Zmeřny touto prací navrhované budu považovat za aktuální stav pražského systému, byt' fakticky zrejmě ještě není vše plně realizováno.25
Nejprve chci znovu na jednom místě připomenout tri už dríve zminova-né principy, které mnou navrhovaný formát sdílí s jejím systémem vzorui . Jde konkrétneř o parametrizovatelnost tradicřních vzorui (více viz konec podkapitoly 3.10), vyclenění neměnných, „globálních" kategorií mimo vzor (viz podkapitola 4.3) a v souvislosti s tím i možnost parametrizovat vzor hodnotou takové globální kategorie (viz podkapitolka 4.4.1).
Ve všech trech prípadech jsem presvědcen, že moje rešení je výrazně obecneřjší, a tím zárovenř i systémoveř „cřistší". Program vyhodnocující data o nich totiž nepotrřebuje žádnou speciální informaci, jako to nutneř je v systému Jaroslavy Hlavácřové, v mnou navrhovaném popisu je vše prří-mo v datech. Také v mém formátu nejde jen o technická zjednodušení, ale vždy mám k zavedení teřchto jednotlivých prvkui nezávislou motivaci: jednak stanovení základního sklonřování a odlišnosti od neřj v prvním prřípadeř, jednak ztotožneřní shodných koncovek v druhých dvou prřípadech. I prřesto, že moje rřešení vzniklo zcela nezávisle, faktem zui stává, že prvenství v aplikaci teřchto myšlenek patrří jí — prřitom je potrřeba zdui raznit, že zejména ta první umožnřuje zjednodušit systém vzorui naprosto zásadním zpui sobem.
V práci Jaroslavy Hlavácové je pochopitelně mnohem více nových myšlenek než jen popsané tri. Některé z nich rozeberu v dalších cástech této podkapitoly, dveř další zmíním hned ted'.
Autorka v práci věnuje nemalou pozornost „složeninám", címž ozna-cuje slova typu zac, ríkals atp. Ve svém návrhu taková slova žádným zpuso-bem nerřeším a ani v budoucnu to nemám v úmyslu. Mám za to, že prřestože jde formálneř o souvislé rřeteřzce a prřestože tato slova mohou být homonym-ní s ne-složeninami, meřla by být zpracovávána na jiné úrovni, trřebaže jisteř za asistence morfologické analýzy.
Opacným prípadem jsou úpravy systému znacek, tedy změny popisovaných gramatických kategorií cři jejich hodnot, naprříklad zavedení kategorie duál ci nová hodnota kategorie stupen pro slova typu sebekrásnější. Do systému znacřek jsem zatím nezasahoval, ale na rozdíl od složenin pocřítám v tomto smeřru s postupným sbližováním pražského a brneřnského systému.
25. Analyzátor Morfo (http://ufal.mff.cuni.cz/morfo/) v poslední verzi ze 6.5.2010 vrací znacřky ve starém formátu (Hajicř, 2004), tedy naprříklad bez mutací.
75
5. Diskuse vlastností a možností navrhovaného formátu
5.3.1 Slovotvorba
V puvodním brněnském systému (Osolsobě, 1996) byly vybrané derivacní vztahy (napríklad posesiva) soucástí flektivních vzoru. Principiálně stejné řešení je zvoleno i v novém pražském systému vzoru (Hlavácová, 2009).
Je nasnadeř, že by bylo škoda využívat prřípon zavedených v podkapitole 4.6 jen jako signalizace urcřitého zpui sobu sklonřování, obecneř je potrřeba jimi slova skutecřneř tvorřit. I v mnou navrhovaném formátu je pravidelná slovotvorba v podstateř soucřástí vzorui . Vhodné prostrředky mám prřiprave-né ve skriptu, který vyhodnocuje data, trřebaže je zatím nevyužívám v popisu jazykových dat, protože detailneř mám v tuto chvíli zpracovaná jen životná maskulina.
Konkrétní slovotvorný vztah lze v navrhovaném formátu popsat zarřa-zením prřípony do seznamu vzorui . Prři vyhodnocování seznamu vzorui se prřípona vyhodnotí tak, že se prřipojí ke slovnímu základu a toto spojení bude vzato jako nový slovní základ pro tvorbu tvarui podle seznamu vzorui uvedeného v definici (popisu) prípony v souboru vzoru, pricemž se nebude brát v úvahu znacřka slovního základu.26 Takto vytvárřené tvary budou oddeřlené od tvarui pui vodního slovního základu, takže nedojde ke kolizi (naprříklad prřepsání) ani prři prřípadných stejných znacřkách.
Kdybychom tedy naprříklad meřli vzory pán a muž odvozené od neřjaké-ho spolecřného vzoru, rřekneřme k1gM (jméno, nikoli znacřka), který bychom zárovenř uvádeřli i v seznamech vzorui realizujících sklonřování podle tradicř-ních vzoru predseda (viz podkapitolka 4.7.4) a soudce, stacilo by do seznamu vzoru tohoto vzoru k1gM pridat =%ov. Za predpokladu správného popisu posesivního sufixu =%ov v souboru vzoru27 bychom touto jedinou změnou popsali posesiva od všech slov ve slovníku, která jsou mluvnicemi rřazena k tradicřním cřtyrřem vzorui m životných maskulin, prřicřemž bychom zárovenř mohli mít vždy k dispozici i vazbu mezi jménem a prříslušným posesivem.
Pochopitelneř i prřípona mui že mít ve svém seznamu vzorui prříponu, takže je možné tímto zpusobem odvozovat celé trsy slov vcetně všech tvaru.28
26. To mimo jiné znamená, že hajn=ý klgM není totéž co hajn:=ý klgM, protože v prvním prípadě je znacka přisuzována celému hajn=ý, zatímco v druhém platí jen pro hajn a pripojením prípony platit přestane, takže se vytvorí tvary (neexistujícího) adjektiva *hajňý.
27. A ovšem za prředpokladu, že pravidla pro hláskové zmeřny fungují nejen prřes -, ale i pres =, což se takto samozrejmě vyhodnocuje, jen zatím nebyl duvod to zminíovat.
28. Prístup vedoucí k takové hierarchii odvozených slov nabízí i popis derivacních vztahu v (Osolsobě a kol., 2002) a (Pala a kol., 2003). Stromy vztahu v cláncích ale ukazují, že sufixy jsou brány cřisteř formálneř, bez snahy respektovat mluvnicemi prředpokládané hranice. Za pozornost v této souvislosti stojí i derivacřní vzory skupin (trříd) deverbativních adjektiv popsané v (Spoustová, 2007).
76
5. Diskuse vlastností a možností navrhovaného formátu
U nekterých prípon muže být potreba umet vyjádrit, že prípona neruší znacku slovního základu. Napríklad deminutivní sufix = .ek zachovává rod i životnost, takže pokud by sufix rušil znacku vždy, museli bychom mít tentýž sufix pro každou kombinaci rodu a životnosti zvlášť. Zavádím proto speciální znacřku (cřást znacřky) qT, kterou lze vyjádrřit, že znacřka slovního základu má být pri derivaci danou príponou zachována.29
Navržené (a implementované, byt' zatím nevyužité) prostredky mohou být bez dalšího použity k popisu pravidelných derivací. Skutecnost bude casto komplikovanejší. Lze napríklad ocekávat potrebu vyjádrit, že razné prřípony slouží pro vyjádrření téhož derivacřního vztahu, kdy bude navíc žádoucí mít derivací vzniklou vazbu mezi slovy reprezentovanou neřjakou vhodnou nálepkou. Bude pak vhodné chovat se k takové nálepce podob-neř jako ke znacřce, tedy urcřit neřjakou základní podobu a umožnit popsat výjimky, nepravidelnosti. Tak napríklad pro názvy vlastností bude základní odvozovací príponou =ost, ale u nekterých slovních základu bude pro tento derivacní vztah uvedena prípona =ota ci =oba, prípadne zcela nepravidelný tvar jako třeba dél.eka.30 I v tomto prípade budou symboly + a < užitecné pro vyznacení, že pravidelný tvar je prijatelný (napr. hluchost) nebo jen substandardní (napr. dobrost).
Uspokojivý popis zatím nemám pro homonymní prípony, napríklad =í ve staven=í a hověz=í k1gN, resp. jarn=í. Technicky by samozrejme nebyl problém je naprříklad cříslovat a tato cřísla pak ve vhodnou chvíli odstra-nřovat, ale to by jednak nevypadalo moc hezky a jednak by si editor dat musel pamatovat ta cřísla, takže ješteř hledám neřjaké elegantneřjší rřešení (na-prříklad vhodné rozdeřlení dat na více cřástí).
5.3.2 Lemmatizace
Hned pátá veta práce Jaroslavy Hlavácové ríká, že „jednou ze základních vlastností každého slova je jeho základní tvar, neboli lemma, a slovní druh" (cit. d., s. 1). Kapitola o lemmatizaci pak zacříná tvrzením, že „základní jednotkou morfologického slovníku je lemma, které zastupuje celé paradigma slovních tvara" (cit. d., s. 7).
V mnou navrhovaném formátu lemma naopak žádnou úlohu nehraje, protože nepredpokládám, že by odpovídalo nejaké „realite".31 Chápu
29. Jde o jednu z mála situací, kde vyhodnocující program musí veřdeřt, co znacřka znamená.
30. Koncové a pochopitelne není soucástí slovního základu, ale jak přípony, tak nepravidelné tvary by mely znacku k1gF, takže odstraniéní a by mohlo zarídit vhodné implicitní pravidlo ze „vzoru" $k1gF, viz rešení slov typu predseda v podkapitolce 4.7.4.
31. Kdybychom naprříklad skutecřneř chteřli popis vnímat jako snahu o aproximaci systému
77
5. Diskuse vlastností a možností navrhovaného formátu
lemma jen jako v podstateř arbitrárneř zvolený reprezentativní tvar slova, resp. urcitého souboru slovních tvaru. Lemmata tedy nejsou žádným zpu-sobem soucřástí popisu dat, ale vybírám je vždy až teprve z hotové množiny slovních tvaru urcitého slova. K tomuto prístupu mě vede i skutecnost, že uživatelé nejsou jednotní v názoru, jak by meřla lemmatizace fungovat. Napríklad pro indexaci dat za úcelem vyhledávání (treba Seznam.cz) nebo pro syntaktickou analýzu jsou požadována ruzná lemmata pro jednotlivé stupně adjektiv a příslovcí, prípadně navíc i ruzná lemmata pro pozitivní a negativní tvary.
Konkrétneř postupuji tak, že vytvárřené slovní tvary pro jednotlivé deri-vacní prípony (viz predchozí podkapitolka) a pro puvodní slovní základ uchovávám navzájem odděleně. Jakmile jsou všechny tvary hotové, pro každou z teřchto „hromádek" vyberu podle urcřitého porřadí znacřek32 první vyhovující tvar.33 Protože druhý stupen je typicky realizován príponou, dostal bych takto pro tvary obou stupnu ruzná lemmata. Pokud chci zároven umeřt vyjádrřit, že lemma je na hodnoteř kategorie stupenř nezávislé, potrřebuji další pomocnou znacku. Tedy znackou qL u urcité prípony dávám skriptu zpracovávajícímu data na veřdomí, že tvary odvozené touto prříponou nemá dávat na novou „hromádku". Takže pokud chci změnit lemmatizaci stup-novaných tvaru, stací mi pridat nebo ubrat tuto znacku.34
Držím se tedy tradice brněnského systému, kdy lemma je jeden z tvaru. To dovoluje mít stejné lemma pro ruzná slova (treba životný a neživotný jeřáb), kdyby to nebylo žádoucí, mohl bych v takových prípadech mít lemma napríklad ve znacce slovního tvaru nebo za ní. Vícenásobná lemmata (cit. d., s. 7) pro pravopisné varianty by bylo možné v mém formátu realizovat tak, že bych z nich udeřlal variantní slovní základy
diskuse klgF +diskuze klgF
a jako lemma pak bral oba (obecneř všechny) Nsg tvary (jako je to ostatneř implementované ted', viz poznámka 33).
reálneř existujícího v hlavách mluvcřích, viz citace (osolsobeř, 1996) ke konci podkapitoly 5.1, meřlo by v neřm být prřítomno jen (práveř) to, co prředpokládáme i v teřch hlavách.
32. Nsg bez wH, Nsg s wH (nespisovné slovní základy), Npl bez wH (pluralia tantum), ...
33. Nebo (aktuálneř) tvary v prřípadeř dublety. Nebyl by samozrřejmeř problém urcřit pravidla, kterým tvarum má být dávána prednost, kdyby mělo být lemma v rámci tvaru jednoho slova vybráno jednoznacně. V prípadě životných maskulin toto nenastává, detailněji to budu rřešit, až budu zpracovávat data, která to budou vyžadovat (naprříklad slovesa).
34. Protože prředpony nej- a ne- je zrřejmeř nejsnazší zpracovávat prřímo ve vyhodnocujícím skriptu, musel bych ještě vhodně upravit příslušnou cást kódu.
78
5. DISKUSE VLASTNOSTÍ A MOŽNOSTÍ NAVRHOVANÉHO FORMÁTU
Tedy souhrnem: pro mnou navrhovaný formát nehrají lemmata žádnou roli. Naopak jsem ale prřesveřdcřen, že formát umožnřuje naplnit veškeré rozumne ocekávatelné predstavy uživatelu o konkrétní podobe lemmatizace.
5.3.3   Zlaté pravidlo morfologie
Jedním z hlavních témat diskutované práce, ne-li tématem vubec ústred-ním, je „Zlaté pravidlo morfologie", které rříká, že „každý slovní tvar by mel být v systému popsán jednoznacne".35 Jako motivace pro zavedení takového pravidla jsou uvádeřny automatické aplikace využívající generování slovních tvaru. Príkladem „je třeba strojový preklad do ceštiny, který v ur-cřité fázi musí vybírat v cílovém jazyce správný slovní tvar. Jestliže lemma i morfologická znacřka jsou pro dva tvary stejné, zodpoveřdný výbeřr je prakticky nemožný" (cit. d., s. 6).
Aby bylo pravidlo naplneřno, je potrřeba tvary shodné lemmatem i znacř-kou rozlišit neřjakou další hodnotou, v práci nazvanou mutace (cit. d., s. 15 a dále). Jsou rozlišeny mutace globální, které se projevují ve všech tvarech paradigmatu, a to navíc stejným zpusobem (cit. d., s. 35 a dále), a mutace flektivní, které se týkají jen nekterých tvaru (cit. d., s. 47 a dále).
Ve svém popisu dat mutace nerozlišuji, protože tento prřístup nemá v br-neřnském systému tradici a ani uživatelé zatím nic takového nepožadují.36
35. Prřebírám formulaci ze Shrnutí (cit. d., s. iv), protože dále je ZPM vyjádrřeno jen schematicky „lemma + morfologická znacka + mutace = jednoznacný slovní tvar" (cit. d., s. 6).
36. Duvodem proti přejetí navrhovaného popisu mutací je ale i pochybnost, nakolik odpovídá potrřebám, jimiž bylo zavedení Zlatého pravidla morfologie, a tedy i kategorie mutace motivováno. Jak i sama autorka podotýká (cit. d., s. 18), pravidlo jako takové je totiž naplne-no například i jakýmkoli ocíslováním variantních tvaru. Takové hodnoty by ovšem uvažovaným automatickým aplikacím ten bez rozlišování mutací nemožný „zodpoveřdný výbeřr" jiste nijak neusnadnily. Je tedy zrejmé, že je nezbytné rozlišovat mezi možnými zpusoby naplneřní Zlatého pravidla morfologie, protože ne každý nutneř odpovídá reálným potrře-bám. Toto ovšem v práci není nijak rešeno, duraz je kladen pouze na dodržení pravidla za všech situací (neřkdy i výslovneř: „Na konkrétní hodnoteř nezáleží, podstatné je mutace pouze odlišit", cit. d., s. 108), jako kdyby to bylo postacující samo o sobe. Je jiste správné, jsou-li hodnoty mutací nezávislé na „subjektivních názorech jednotlivých badatelu" (cit. d., s. 19), je ale otázka, jestli je rozumná i nezávislost na objektivních požadavcích aplikací. Výsledkem takto vyhraneřneř formalistického prřístupu je totiž popis, jehož praktické využití není príliš jasné. V tabulce 3.1 (cit.d., s. 19) je jako príklad uvedena dvojice hodnot t a m, které mají kódovat variantu s tvrdou, resp. mekkou hláskou. Príkladem jsou tvary student a mazám pro hodnotu t a študent a mažu pro m. Je pro me obtížne predstavitelná aplikace, která by vyžadovala práve takové delení, tedy použití bud'to prvních dvou tvaru (napríklad by generovala jen tvary s mutací t), nebo naopak druhých dvou (odpovídajících mutaci m). Naopak ocřekávám, že typickým požadavkem trřeba prři zminřovaném strojovém prřekladu bude generování stylove neutrálních, nepříznakových tvaru, tedy student a mažu, to ovšem navržené hodnoty mutace neumožnují. Presne stejný problém je s hodnotami d a k kódujícími
79
5. Diskuse vlastností a možností navrhovaného formátu
Protože ale pro pražský systém jde zrřetelneř o veřc zásadního významu, rozeberu zde, jakým zpusobem lze mutace popsat v navrhovaném formátu. Je ovšem nutno prřipomenout, že pro naplneřní Zlatého pravidla morfologie by v brneřnském systému nestacřilo samotné doplneřní mutací, ale musela by také být zjednoznacřneřna lemmata, protože ta aktuálneř jednoznacřná nejsou (viz prředchozí podkapitolka).
Globální mutace by bylo možné prostě37 vyznacit do slovníku doplněním vhodných príznaku do znacek jednotlivých variantních slovních základu, takže treba pred chvílí zmíněné diskuse a diskuze by se lišily právě takovým prříznakem, který by byl zachován ve všech vytvorřených tvarech.38
Flektivní mutace by bylo potreba uvádět v souboru vzoru u jednotlivých koncovek, pricemž po vytvorení všech slovních tvaru urcitého slova39 by se odpovídající prříznaky ponechaly jen u dublet a odstranily ze znacřek ostatních tvaru. Takže treba kvuli existenci slov jako grizzly, které v plurálu umožnřují jak koncovky vzoru pán, tak koncovky vzoru adj (viz podkapi-tolka 4.6.1), by bylo potreba stanovit hodnotu ci obecně hodnoty flektivní mutace u príslušných koncovek obou těchto vzoru, prestože by pak pro většinu slov byly po vytvorení všech tvaru tyto hodnoty zase odstraněny, protože by nic nerozlišovaly.
varianty s dlouhou, resp. krátkou samohláskou (v téže tabulce): hodnota d spojuje tvary musím a zavríno, hodnota k tvary musim a zavreno.
Nicméně i kdyby takový formální popis mutací byl pro nějaký úcel přecejen žádoucí, bylo by možná vhodneřjší nemít hodnoty explicitneř v datech, a tedy nezvyšovat tak zbytecřneř redundanci popisu, ale pocřítat je (na požádání) až teprve prři samotné analýze cři generování. Třetí příklad mutace ve výše zmíněné tabulce, který kóduje delší ci kratší variantu podle pocřtu písmen, k takovému rřešení prřímo vybízí, bylo by to ale možné udeřlat i obecneř.
37. Ve smyslu technicky jednoduše, bylo by to pochopitelně velké množství práce.
38. Bylo by ještě potreba, aby se příznaky tohoto druhu zachovávaly i pri derivacích příponami, kdy je znacka obecně zahazována (viz podkapitolka 5.3.1), aby príznak zustal třeba i odvozeným slovním základum diskus=n=í a diskuz=n=í. Ve skutecnosti mám toto dokonce už i implementováno a zachovává se takto prříznak wH, protože naprříklad teřžko ocřekávat spisovnou odvozeninu od nespisovného slovního základu.
39. V prředchozích dvou kapitolách jsem za tvary jednoho slova oznacřoval tvary získané z jednoho slovního základu, tedy jednoho řádku ve slovníku, pnpadně od podkapitoly 3.12 z více variantních slovních základu, a tedy více řádku ve slovníku, jejichž sounáležitost byla vyjádrena odsazením. Přidáním slovotvorby (viz podkapitolka 5.3.1) se tato množina slovních tvaru vytvořených z jednoho tři více sdružených rádku naopak muže rozdělit na několik, odpovídajících ruzným „slovum", kdy navíc toto dělení muže být řízeno příznakem qL (viz podkapitolka 5.3.2). Muže se tedy zdát, že výrazy jako „tvary urcitého slova" používám v práci lehce nekonzistentně. Úmyslně nic takového ale nedefinuji jako termín, protože to odpovídá tomu, jak tyto veřci popisuji ve svém formátu: co má být považováno za řekněme soubor textových slov, slovních tvaru jednoho systémového slova (viz MC2, s. 253), je v mém formátu urcřeno daty, není to nic apriorního, co by bylo možné popsat neřjakými nezávislými termíny.
80
5. Diskuse vlastností a možností navrhovaného formátu
Stejným zpiäsobem by byly vyznačeny mutače i u prípadnýčh variant-níčh podob přípon v souboru vzoru, pričemž na konkrétní prípone by záleželo, jestli pujde o mutači globální nebo flektivní. Napríklad podoba =ej by se tak od spisovné podoby prípony =ý odlišovala flektivní mutačí.
5.4    Srovnání s dalšími existujícími prístupy
Kromeř pražského a brneřnského systému existu í čři existovaly i další, prin-čipiálneř zčela odlišné prřístupy k počřítačřové morfologičké analýze čřeštiny. Tri z ničh stručne zmíním v této podkapitole.
Nejstarší je disertační práče Jana Hajiče (1994) , která k popisu morfologie používá unifikační gramatiky. Protože zvolený formalismus neumož-nřuje popis morfonologičkýčh alternačí40, je nutné tyto začhytit prostrřednič-tvím jednotlivýčh množin zakončení (jakoby vzoru), čímž dočhází ke značné redundanči (čit. d., s. 70, príloha A). Tato redundanče se pak zákonite prřenáší i do systému pravidel, která popisují vazby jednotlivýčh zakončření na hodnoty gramatičkýčh kategorií. Takže třeba pro zakončení covi (Dsg a Lsg slov tradične razenýčh ke vzoru muž a v Nsg zakončenýčh na c) je v systému následujíčí pravidlo (čit. d., s. 43):
<_><c><o><v><i>$ := [key=<_>ec, x=(mz5|mz5i|mz5x), cat=[pos=n], morf=[infl=[pf=[gender=a, num=sg, case=(dat|loc)]]]];
systém jako čelek je tedy pomeřrneř komplikovaný (viz i prřílohy čitované práče obečne; za povšimnutí v tomto kontextu stojí i expličitní zmínka tří množin zakončření v uvedeném pravidle) a jeho údržba a rozvoj se ukázaly být prříliš náročřnými, takže byl posléze opušteřn ve prospeřčh součřasného pražského systému (Hajičř, 2004, s. 117-118).
O nečo mladší je popis české morfologie a částečne i slovotvorby pro-strředky tzv. dvouúrovnřové morfologie vypračovaný Hanou skoumalovou (1997a; 1997b). výhodou tohoto formalismu je možnost popsat morfonolo-gičké alternače, čož umožnřuje čelý potrřebný systém výrazneř zjednodušit. Bohužel samotný formalismus je nepnliš transparentní a obtížne čitelný. systém pračuje na trřečh úrovníčh, mezi nimiž jsou dva konečřneř stavové prřevodníky. První úrovní je reprezentače gramatičké formy jakožto slovníkové položky a konkrétníčh hodnot gramatičkýčh kategorií, druhou úrovní je zretezení odpovídajíčíčh morfému a pomočnýčh symbolu a konečne tretí
40. Presneji, nemohu toto tvrdit o unifikačníčh gramatikáčh obečne, nejsem s nimi natolik obeznámen, ničméneř pokud to umožnřují, v práči to není využito.
81
5. Diskuse vlastností a možností navrhovaného formátu
úrovní je slovní tvar odpovídající použitým hodnotám gramatických kategorií. Jednotlivé úrovneř si navíc musejí vzájemneř prřesneř odpovídat, což vede k místy ponekud protintuitivnímu modelu, mimo jiné i díky inflaci nulových symbolu potrebných pro správné zarovnání, jak ukazuje příklad prevzatý ze (Skoumalová, 1997b) (oddelovacem je mezera):
mokrý +Adj +Comp 000 +Neut +Pl +Acc mokrý ~1P1     ě     j š í ~2P1     í 0 mokřO     0       e     j š í     0       0 0
Nechci zde zacházet do detailu, podrobnosti lze najít v odkazovaných clán-cích, podstatné je, že ze všech mne známých popisu ceštiny je tento zrejme nejblíž mnou navrhovanému formalismu, trebaže to na první pohled nemusí být príliš zretelné. Nejsem si ale vedom žádné výhody, kterou by tento prístup oproti mému prinášel. Naopak výhodami mého formátu jsou podle mého soudu jak lepší cřitelnost dat a obecneř jednodušší práce se systémem, tak i napríklad snazší interpretace vytvárených struktur. Nelze pochopitel-neř vyloucřit, že toto mé hodnocení je do urcřité míry subjektivní, nicméneř za zmínku z tohoto pohledu stojí, že prřestože formalismus umožnřuje mnohem kompaktnejší popis než systémy stovek redundantních vzoru, nebyla mu pro ceštinu dána prednost.41 Z toho lze usuzovat, že vysoká nárocnost práce v tomto formalismu je pociťována i obecne.
Nejnovejší alternativní popis morfologie (primárne slovenské, ale data jsou v soucřasnosti prřipravována i pro cřeštinu) navrhuje diplomová práce Marka Gráce (2006). Umožnuje definovat nejruznejší hláskové zmeny (vcet-neř naprříklad slovenského rytmického krácení) a pro jednotlivé koncovky pak popsat, které z techto zmen vyvolávají. Zároven umožnuje definovat ruzné trídy hlásek a pomocí nich a dalších pravidel obecne popisovat, jaká slova mohou náležet k jednotlivým vzorum — jedním z cílu celého systému totiž bylo a je usnadneřní a cřástecřná automatizace doplnřování slovníku morfologického analyzátoru. Systém i data jsou dosud ve vývoji a nedošlo zatím ani k nejaké souhrnné publikaci dosud dosažených výsledku, takže nemohu poskytnout nejaké podrobnejší srovnání. Stejne jako v predchozím odstavci si nejsem vedom žádné vlastnosti, kterou by muj systém neumož-nřoval nebo jejíž realizace by v neřm byla obtížneř proveditelná (pochopitelneř, naprříklad pravidla pro rytmické krácení bych musel doplnit). Nevýhodou prístupu je v mých ocích použití formátu XML, protože zvyšuje náklady na údržbu a rozvoj.
41. Výsledek práce Hany Skoumalové není volne dostupný, jednalo se o projekt pro firmu Xerox, muselo by to tedy být vypracováno znovu.
82
5. Diskuse vlastností a možností navrhovaného formátu
5.5    Predpokládaný další rozvoj navrhovaného formátu
I pres bohatost vyjadrovacích prostredku navrženého formátu nepredpo-kládám, že by v práci prezentovaná podoba byla definitivní verzí. Je možné, že pri zpracování dalších slovních druhu, zejména sloves, vyvstanou neřjaké nové potrřeby, byt' pro tvarosloví to ve veřtší mírře už neocřekávám.
Jiste bude naopak nutné detailneji rozpracovat popis slovotvorby. Deri-vacním vztahiäm venují velkou pozornost Klára Osolsobe (například (Osol-sobe, 2008,2009)) a Dana Hlavácková (Pala a Hlavácková, 2007) a pod jejich vedením i pregraduální studenti (napríklad (Rišianová, 2008), (Kolárová, 2009), mnoho dat ale bylo studenty zpracováno i mimo rámec záveřrecřných prací). Vesmes je využíváno webové rozhraní Deriv42 (Hlavácková a kol., 2009a,b), které umožnřuje podle zadaných podmínek vyhledávat v datech morfologického analyzátoru ajka kandidáty na slovotvorné vztahy a nálezy dále rucřneř zpracovávat (trřídit, opatrřovat poznámkami a podobneř).
Prřipravených dat je tedy k dispozici pomeřrneř velké množství, otázkou bude, jak je vhodneř zachytit. Bylo by samozrřejmeř možné mít prostý seznam vztahu mezi slovy, ale stejne jako u tvarotvorby je i u slovotvorby žádoucí hledat a popisovat pravidelnost, jakkoli je to podstatneř nárocřneřj-ší úkol. Cástecne jsem o tom mluvil na konci podkapitolky 5.3.1, mnohé slovotvorné vztahy jsou ale ješteř méneř pravidelné — bude potrřeba vhodneř popsat jak skutecřnost, že se prřípona prřipojuje jen k neřkterým slovním zá-kladum (od každého životného maskulina lze vytvorit posesivum, ne ale deminutivum: je treba soudcův, ale zdrobnelina by se tvorila obtížne), tak i situaci, že tentýž vztah je vyjadrován více raznými príponami (cinitelská jména lze tvořit príponami -tel, -C, -c(e) a dalšími). Bude také nutné najít vhodnou hranici, co všechno má být prředmeřtem zájmu: pokud by kuprří-kladu nejaká aplikace potrebovala informaci, že kdo uCí, je ucitel, a kdo topí, je topiC, bude zrejme žádoucí také vedet, že kdo vraždí, je vrah43 — bude pak ale rozumné odmítnout informaci, že kdo krade, je zlodej, jen proto, že nejde o slovotvorbu? Podobne bude otázka, jak detailne rozlišovat rozdíly
42. http://deb.fi.muni.cz/deriv, prístupové údaje poskytnu na požádání. Rozhraní umožnuje pomocí regulárních výrazu a predpripravených operací (meékcení, krácení, ...) definovat pravidla popisující formální zmeny slovních tvam odpovídající urcitému slovotvornému vztahu a následneř takové „hypotézy" oveřrřovat na datech morfologického analyzátoru ajka (vyhledává se mezi 65 miliony trojic tvar, lemma a znacka). Autory dřívtéjší podoby rozhraní byli Radek Sedlácřek a Jan Pomikálek, protože se ale ukázalo, že potrřebné podstatné rozšírření funkcřnosti a zrychlení vyhledávání by bylo prříliš nárocřné, vytvorřil jsem nakonec akutální podobu rozhraní zcela nezávisle na puvodním kódu.
43. Mimo jiné bude potřeba nejak řešit i případy, kdy je odvozenin více: v úzu i SSjC existuje i vraždíc, je dále napríklad opravár, opravovatel, oprávce, opravce atp.
83
5. Diskuse vlastností a možností navrhovaného formátu
v sémantice derivacních vztahu: napríklad slova mincovna a strojovna jsou v MC1 (s. 284) uvedena vedle sebe, ale pritom se vztah mincovny k mincím liší od vztahu strojovny ke strojům.
Po zpracování všech dat bude vhodné usporřádat jednotlivé druhy hláskových zmen (viz podkapitolka 3.12.3) a pokusit se o nejaký systematický popis. Dále se ukazuje, že bude potreba rozmyslet nejaký jiný zpusob práce s príznakem wH. Aktuálne je wH soucást znacky, takže substandardní koncovky jsou ve vzoru zapisovány tak, jak ukazuje trřeba prříklad vzoru -e na konci podkapitoly 3.11. Protože jsou ale tvary organizovány práve podle teřchto znacřek, vede to k tomu, že v prřípadeř slovníkového zápisu základ:vzor1,vzor2_nP a za predpokladu, že vzorl obsahuje v plurálu koncovku znacky s príznakem wH, pro kteroužto znacku vzor2 žádnou koncovku nespecifikuje, by nebylo tvar s koncovkou prvního vzoru cím prepsat, takže by zustal mezi výslednými tvary. To je ovšem ponekud pro-tiintuitivní chování. Zdá se, že rozumneřjší by bylo mít wH jako prříznak pa-trřící ke koncovce, a mít tak v seznamech koncovek pro jednotlivé znacřky spisovné i substandardní koncovky.
Pokracováním myšlenky príznaku koncovek muže být otázka, jestli se koncovky od prřípon liší neřjak principiálneř, nebo jestli jejich odlišnost ne-muže být chápána i jako jen vyplývající z toho, že stojí na konci slova, resp. struktury. V druhém prřípadeř by stálo za úvahu pokusit se systém dále zjednodušit tím, že by s nimi skutecřneř bylo nakládáno jako s prříponami, takže se ke všem segmentum v datech pristupovalo shodným zpusobem.
*
Prředmeřtem zájmu bude i možnost využití implicitních pravidel (viz podkapitola 4.7) pro usnadnení ci automatizaci pridávání nových slov do slovníku — lze ocřekávat, že nová slova budou vesmeřs pravidelná a bude pro pridání stacit specifikovat slovní druh a prípadne rod, bez dosud nezbytného zarřazování ke vzoru, ale bude nutné to proveřrřit experimentálneř.
Data chci využít i pro konstrukci guesseru nabízejícího možná lemmata a znacřky pro slovní tvary, které morfologický analyzátor nezná. Dosavadní guesser pro brnenský systém (Šmerk, 2008a) predpokládá, že u neznámých (tedy vesmeřs nových) slov lze ocřekávat pravidelné chování, kdy se pravidelné od nepravidelného rozlišuje podle cřetností v datech morfologické analýzy. S apriorní znalostí pravidelného lze ocřekávat jak zprřesneřní výsled-kiä, tak i zjednodušení tvorby dat potrebných pro guesser.
Takto vylepšený guesser spolu s informacemi o slovech, které plynou z derivacních vztahu („valence" deverbativ a podobne), nakonec prispejí i k dalšímu zlepšování morfologické desambiguace (Šmerk, 2008b).
84
Kapitola 6
Nový morfologický analyzátor
V úvodu práce jsem mezi problémy stávajícího prřístupu k pocřítacřové morfologické analýze cřeštiny zminřoval kromeř redundance dat i rui zné druhy informací (derivacřní vztahy, produktivita cři relevantní sémantické údaje), které bylo obtížné, pokud ne prřímo nemožné do systému morfologické analýzy doplnit. V další kapitole, kde jsem konkrétneř rozebíral nedostatky stávajících formátui dat morfologického analyzátoru, jsem už ale mluvil pouze o vysoké redundanci používaného popisu. Dui vodem byla skutecřnost, že problém v ostatních prřípadech nespocříval v datech, nebo prřinejmenším nikoli primárneř v nich, ale v analyzátoru.
V této kapitole strucřneř zmíním neřkteré vlastnosti a jeden, zato ovšem bohužel zásadní nedostatek brneřnského analyzátoru. ukážu zpui sob, jak analyzátor nahradit jednoduchým, ale zárovenř i výrazneř rychlejším vyhledáváním naprříklad ve vhodneř reprezentovaném seznamu trojic tvar, lemma a znacřka. Dále ukážu možnosti tvorby dat pro nový analyzátor, srovnám jeho výkonnost s analyzátory ajka a Morfo a nakonec rozeberu některé výhodné vlastnosti nového analyzátoru.
6.1    Původní morfologický analyzátor ajka
Morfologická analýza je v brneřnském systému realizována analyzátorem ajka, jehož autorem je Radek Sedlácek. Detailnější informace o analyzátoru lze získat z jeho diplomové a disertacní práce (Sedlácek, 1999, 2005), zde budu zminřovat jen veřci, které považuji podstatné pro další výklad.
Analyzátor ajka pracuje s daty, jejichž zdroj je ve formátu popsaném a vysveřtleném v podkapitole 2.2. Taková data jsou prřevedena do binární podoby, ve které hraje dui ležitou roli slovník kmenui , což jsou pocřátecř-ní cřásti lemmat ze slovníku, které z lemmat zbudou po odtržení prvního intersegmentu a první koncovky definovaných vzorem, k němuž je lemma zarazeno (kmen tedy muže být i prázdný). Soucástí binární podoby dat jsou samozrřejmeř i informace o vzorech a koncovkových množinách.
85
6. Nový morfologický analyzátor
Pri analýze se postupuje tak, že se postupně ve slovníku kmenu vyhledávají levé podrřeteřzce vstupního slova, od prázdného rřeteřzce až prřípadneř po celé slovo.1 Pokud je kandidát na kmen ve slovníku nalezen, testuje se, jestli pokracování slova odpovídá některému z intersegmentu vzoru, k němuž kmen náleží. Pro všechny vyhovující intersegmenty se stejným zpu-sobem proveřrří i všechny koncovky v koncovkových množinách teřchto in-tersegmentu. Pro každou takto nalezenou kombinaci kmen + intersegment + koncovka, která po zretězení pokrývá celé vstupní slovo, je jako platná analýza vrácena znacřka odpovídající koncovce a lemma odpovídající kmenu (tedy tvar, který je získán prřipojením prvního intersegmentu a první koncovky jeho první koncovkové množiny podle vzoru, k neřmuž kmen náleží).
Toto je ovšem jen základní kostra algoritmu. Ve skutecnosti se například musejí pri takovémto rozkladu slova uvažovat i prefixy ne- a nej- ci postfixy jako treba -s. Dále je potreba si uvědomit, že tatáž data slouží jak pro analýzu, tak i pro generování, a že navíc praktické potrřeby vyžadovaly pokud možno co nejvyšší rychlost. Toto všechno a mnohé další muselo být vzato v úvahu prři konstrukci analyzátoru: musel být navržen co nejefektivneřji, ale zárovenř musely být použité struktury víceúcřelové.
Analyzátor navržený Radkem Sedláckem všechny na něj kladené požadavky splnil. Cenou byl ovšem pomeřrneř komplikovaný kód, jehož složitost se ještě dále zvyšovala v pruběhu casu, kdy bylo tu a tam potreba něco zmeřnit cři doplnit, ale samozrřejmeř nebyl vždy prostor na promyšlené a kon-cepcní rešení respektující celkový návrh. Ve výsledku byl analyzátor ajka výborneř použitelný v praxi, ale bylo cřím dál obtížneřjší provádeřt v kódu neřjaké opravy cři zmeřny, protože jednotlivé cřásti kódu, jednotlivé použité struktury byly navzájem pomeřrneř hodneř provázané, takže bylo obtížné neř-kde neřco zmeřnit tak, aby tím cřloveřk zárovenř „nerozbil" neřco jiného.
Takže informace, o kterých jsem mluvil na zacátku kapitoly, by možná nebylo úplneř jednoduché prřidat do dat analyzátoru ajka, ale zásadní problém by nastal ve chvíli, kdy by bylo potrřeba upravit analyzátor, aby s takovými informacemi uměl rozumně nakládat. Dokonce si troufám ríct, že tato vnitrřní složitost byla prřícřinou neřkolikaleté stagnace analyzátoru — jakékoli zásadneřjší zmeřny byly jednoduše prříliš nárocřné.
1. Slovník kmenu si lze predstavit jako prefixový strom s hranami ohodnocenými písmeny, kdy v uzlech jsou seznamy vzoru, k nimž jsou ve zdrojovém slovníku zařazena lemmata, jejichž kmen odpovídá zrřeteřzení ohodnocení hran na cesteř mezi korřenem a uzlem (více lemmat muže mít stejný kmen). Strom je procházen od korene podle jednotlivých písmen vstupního slova, prřicřemž pochopitelneř pro neřkterá vstupní slova nemusí v takovém stromu existovat celá odpovídající cesta. Prohledávání slovníku kmenu je tedy poměrně efektivní.
86
6. Nový morfologický analyzátor
6.2    Reprezentace dat deterministickými konecnými automaty
Pro implementači nového analyzátoru jsem zvolil prřístup popsaný v disertační práči Jana Dačiuka (1998).2 Morfologičká analýza je realizována prostým vyhledáváním v seznamu trojič tvar, lemma a značka. Mít všečh-ny potrebné trojiče v pameti napríklad jako retezče tvar:lemma:značka by samozrřejmeř nebylo vzhledem k velikosti takovýčh dat prříliš praktičké (pro konkrétní čřísla viz dále tabulka 6.2). Jejičh seznam lze ale intepreto-vat jako konečřný formální jazyk reprezentovatelný determinističkým ačyk-ličkým konečne stavovým automatem (dále DAFSA). Vzhledem k vysoké redundanči jazykovýčh dat v této podobe miäže mít minimální automat po-pisujíčí takový jazyk (po drobné úpraveř dat, jak ukážu hned v zápeřtí) prři-jatelnou velikost srovnatelnou s daty stávajíčíčh analyzátoru.
Práče Jana Dačiuka nabízí algoritmy pro inkrementální konstrukči mini-málníčh DAFSA, kdy behem pridávání jednotlivýčh slov formálního jazyka je u tvorřeného automatu začhováván invariant minimality, takže pameřt'o-vá náročřnost tvorby odpovídá nanejvýš velikosti tvorřeného automatu (plus počhopitelneř neřjaké konstantní nároky programu tvorříčího automat).
Aby byl minimální automat skutečne rozumne malý, je obečne potreba, aby pro čo nejvetší počet retezčiä (slov formálního jazyka) platilo, že se shodují čo nejvetším pravým podretezčem s čo nejvíče jinými retezči.3 Kdy-byčhom data skutečne reprezentovali retezči tvar:lemma:značka, byl by výsledný automat zbytečřneř velký. uvažme následujíčí prříklad:
2. za nasmeřrování vdeřčřím Pavlu Ryčhlému.
3. Prřesneřji, použití automatu jako reprezentače dat bude tím výhodneřjší, čřím čřasteřji se bude v datečh opakovat situače, že v ničh budou retezče a\bc\,... aibcn i a2bc\,... a2bc„ (kde b je znak a cti a Ci retezče), aniž by pritom v datečh byl retezeč a\bx či a2bx pro nejaký rete-zeč x mzný od c\ ... c„. V takovýčh případečh budou totiž česty v automatu odpovídajíčí řetezčum a\bc\,. .. a\bcn, resp. a2bc\,... a2bcrí sdílet stavy odpovídajíčí sdíleným podřetiéz-čum a\, resp. a2 (protože automat je determinističký) a zároven budou česty odpovídajíčí všem temto retezčum sdílet část automatu odpovídajíčí sdíleným podřetezčum c\,... c„ (protože automat je minimální). Rozdíl mezi neformálním popisem v textu a formálním popisem zde v poznámče se ale projeví jen u jazyku, které neodpovídají realite pnrozeného jazyka. Príkladem muiže být treba formální jazyk {dibj | i, j e 1..n, i = j}, kde by za předpokladu vzájemné mznosti cii a stejne tak i vzájemné mznosti bi nemely žádné dva mzné „kmeny" a stejnou množinu „končovek" b.
Formulače typu čím tím ... se muže zdát ponekud vágní, ničméne odpovídá realite. Minimální DAFsA počhopitelneř existuje pro každý konečřný jazyk, není žádná podoba dat, která by jeho vytvorření mohla zabránit. Jde jen o to, že pokud budeme sčhopni reprezentovat tatáž data ruuznými zpuisoby (retrezči, formálními jazyky), budeme čhtít preferovat takový zpusob, při jehož použití bude výsledný minimální automat čo nejmenší. Výše uvedené formulače lze prři takovém rozhodování použít pro predikči, která podoba dat bude z tohoto pohledu vhodneřjší.
87
6. Nový morfologický analyzátor
ježek:ježek:k1gMnSc1 ježka:ježek:k1gMnSc2 ježka:ježek:k1gMnSc4 krtek:krtek:k1gMnSc1 krtka:krtek:k1gMnSc2 krtka:krtek:k1gMnSc4
Pokud dále v datech tohoto druhu uvážíme pravé podrřeteřzce jednotlivých řetezcu (trojic) zahrnující celé lemma, je zrejmé, že se mohou mezi jednotlivými retezci opakovat pouze u vnitroparadigmatické homomorfie (MC2, s. 283, tentýž tvar i lemma pro ruzné znacky). Porovnejme to s následujícím zápisem týchž dat:
ježek:A:k1gMnSc1
ježka:Cek:k1gMnSc2
ježka:Cek:k1gMnSc4
krtek:A:k1gMnSc1
krtka:Cek:k1gMnSc2
krtka:Cek:k1gMnSc4
zde je lemma popsáno prostrřednictvím potrřebné úpravy slovního tvaru, kdy abecední porřadí velkého písmena udává, kolik písmen je nutné odstranit z konce tvaru (A = 0, B = 1,...), a zbylý retezec říká, co se má poté naopak pripojit. Tedy kupříkladu pro tvar ježka se odstraní poslední dve písmena, pridá se ek a výsledkem je lemma ježek. Je zretelné, že pri takovémto zápisu bude shoda mezi rřeteřzci výrazneř veřtší. Tak naprříklad všechny rřeteřzce popisující Gsg životných maskulin zakoncených v Nsg na ek, kdy e alternuje s nulou, se budou shodovat nejen v pravém podrřeteřzci zahrnujícím lemma, tedy Cek:k1gMnSc2, ale dokonce i v podretezci zahrnujícím i cást jednotlivých tvaru, totiž ka:Cek:k1gMnSc2. Odpovídající retezce v pred-chozí podobe dat by se pritom shodovaly jen v ek:k1gMnSc2, tedy shodná cřást by nezahrnovala ani celé lemma.4
Data, z nichž bude tvorřen minimální DAFSA, budeme mít práveř v tomto formátu. Po vytvorření minimálního automatu bude analýza znamenat pouhý pruchod tímto automatem. Pro príklad predpokládejme, že máme analyzovat tvar ježka. Ke tvaru prřidáme oddeřlovacř a zacřneme automat procházet cestou odpovídající takto vzniklému rřeteřzci (tedy ježka: ). Protože je automat deterministický, existuje nanejvýš jedna taková cesta (nemusela by prřípadneř existovat žádná, kdyby daný tvar nebyl v datech, pak
4. Podrřeteřzec popisující lemma ovšem nemá žádný speciální význam, jen se na neřj lze díky vymezení znaky : snadno odkázat.
88
6. NOVÝ MORFOLOGICKÝ ANALYZÁTOR
by analýza skoncřila bez výsledku). Z uzlu, do neřhož se takto dostaneme, projdeme všechny možné cesty do koncového stavu, prřicřemž si budeme pamatovat ohodnocení hran. Každá z teřchto cest (zrřeteřzení ohodnocení hran tvorřících cestu) reprezentuje jednu analýzu vstupního tvaru. Pro rře-tezec ježka bychom tedy dostali Cek:k1gMnSc2 a Cek:k1gMnSc4. Jediné, co zbývá udelat, je z tvaru a informace Cek získat lemma ježek, jak bylo popsáno v prředchozím odstavci.5
6.3    Tvorba dat
Automat popsaný v prředchozí podkapitole bude možné použít jen pro vlastní morfologickou analýzu, tedy urcřování lemmat a znacřek pro slovní tvary. Pro další cřinnosti ocřekávatelné od morfologického analyzátoru budeme potrřebovat odlišné automaty, jejichž tvorba ale bude velmi jednoduchá. Naprříklad data pro pouhou lemmatizaci by šlo získat triviálním orřezáním dat pro analýzu poskytující lemmata i znacřky:
ježek:A ježka:Cek krtek:A krtka:Cek
Podobneř jednoduše by bylo možné vytvorřit data pro generování všech tvaru zadaného lemmatu zároven s jejich znackami:
ježek:A:k1gMnSc1
ježek:Cka:k1gMnSc2
ježek:Cka:k1gMnSc4
krtek:A:k1gMnSc1
krtek:Cka:k1gMnSc2
krtek:Cka:k1gMnSc4
5. Pro názornost ješteř jednou, strucřneř a jinými slovy popíšu, co vlastneř deřláme. Popis dat prostrřednictvím trojic slovo, lemma a znacřka je prostoroveř výrazneř nárocřneřjší než popis týchž dat napríklad prostrednictvím lemmat zarazených ke vzorum (viz kapitola 2). Ale i kdybychom prostoru (pameřti) nelitovali, museli bychom rřešit otázku, jak v takových rozsáhlých datech efektivneř vyhledávat. Reprezentace seznamu takových trojic minimálním DAFSA rřeší oba tyto problémy. Jednak umožnřuje významnou „kompresi" dat na úrovenř ostatních popisu (konkrétní císla viz dále tabulka 6.1), zároven ale umožiňuje i jednoduché vyhledávání potrebné informace. Dusledkem je naprosto triviální, a tedy rychlý a zároven snadno udržovatelný analyzátor, který vstupní tvar nijak neanalyzuje ve smyslu provádeřní neřjakých operací, pouze ve svých datech (v automatu) vyhledá požadovanou odpoveřd'.
89
6. Nový morfologický analyzátor
A kdybychom v takových datech prohodili druhé dva údaje:
ježek:k1gMnSc1:A
ježek:k1gMnSc2:Cka
ježek:k1gMnSc4:Cka
mohli bychom tentýž automat používat jak pro generování tvarui se znacřka-mi pro zadané lemma (vstup by byl naprříklad ježek), tak i pro generování tvaru podle zadaného lemmatu a znacky (vstup treba krtek:k1gMnSc2).
Výše uvedené podoby dat mui žeme snadno získávat z dat popsaných ve formátu navrženém v prředchozích kapitolách práce. Mui žeme z nich ale generovat i data pro poneřkud odlišné druhy analýz. Naprříklad pokud si prři tvorbeř tvarui zapamatujeme i struktury, z nichž jsou slovní tvary získávány (pro připomenutí viz podkapitola 3.3), mužeme je využít například k tvorbeř dat pro automat, který by analyzoval slovní tvary na slovní základ a koncovku:
ježek:C.ek-0 ježka:C.ek-a
Prřípadneř by bylo také možné obecneř reprodukovat segmentaci vyznacřenou znaky = a -, tedy naprříklad:
mužův:C=%ov-0 mužova:D=%ov-a
Je potrřeba poznamenat, že uschovat k takovému použití si lze kterýkoli krok mezi strukturou a slovním tvarem. Kdyby tedy naprříklad neřkdo stál o takovouto segmentaci, nicméneř nechteřl v ní mít „hloubkové" podoby .e ci %o, mohl by si strukturu schovat až po jejich vyhodnocení a mít v datech:
ježek:Cek-0 ježka:Ck-a mužův:C=ův-0 mužova:D=ov-a
tedy dostávat analýzy ježek-0, ježk-a, muž=ův-0 nebo muž=ov-a místo jež.ek-0, jež.ek-a, muž=%ov-0, resp. muž=%ov-a.6
Obdobně by šlo zkonstruovat data i pro automat, který by poskytoval informace o derivacřních vztazích mezi slovy.
6. Je zrřejmé, že stejneř tak by bylo možné schovávat si segmentaci až teřsneř prřed odstraneř-ním znaku = a -, aby odpovídala clenění v mluvnicích, tedy napr. sluz-ích ci rac-i místo sluh-ích, resp. rak-i. Některá pravidla pro tvorbu tvaru ze struktur by pak bylo nutné
90
6. Nový morfologický analyzátor
6.4    Nový morfologický analyzátor
S využitím knihoven Jana Daciuka pro práci s minimálními DAFSA7 jsem vytvoril morfologický analyzátor majka.8 Kromě výše popsaného jednoduchého vyhledávání procházením automatu, k neřmuž využívám práveř knihovny Jana Daciuka, jsem ješteř prřidal mechanismus analýzy (prřípadneř generování, podle dat) složených slov a cříslovek, kdy je v automatu neř-kolik speciálních podstromu („podautomatu") s tvary, které mohou tvořit složeniny s ruznými slovními druhy, a program s využitím urcitých jednoduchých pravidel analyzuje vstupní slova i proti nim.
Tabulka 6.1 obsahuje základní srovnání puvodního analyzátoru ajka a nového analyzátoru majka. Srovnání bylo provedeno na prvním miliónu slov z korpusu SYN2000, pricemž byl pocítán celkový cas vypsaný unixo-výmpríkazem time (položka „real").9 Prestože se zatím snažím, aby nový analyzátor poskytoval presně stejné informace jako puvodní ajka10, v některých detailech se výstupy liší, naprříklad práveř u složených slov, ovšem neprředpokládám, že by to mohlo mít vliv na prezentovaná cřísla.
V tabulce jsou pouze operace, které prřímo podporuje analyzátor ajka. Nový analyzátor pochopitelneř není omezen jen na neř, ale jiné by nebylo s cřím srovnávat. První rřádek je vlastní morfologická analýza, tedy vrácení lemmat a znacřek k zadanému slovnímu tvaru. Druhý rřádek je lemmatizace, tretí je vygenerování všech slovních tvaru k zadanému slovnímu tvaru (ne nutneř jen lemmatu) a konecřneř cřtvrtý rřádek je doplnřování diakritiky.11
formulovat podle toho, jaký výsledek by byl žádoucí. Treba k=stv v lišák=stv=í-0 by se mohlo měnit bud'to na c-tv (Šiška, 2005, s. 12), -c-tv, nebo -ctv (obojí MC1, s. 297). Prřípadneř by bylo potrřeba deřlat neřjaké úpravy jen pro úcřely segmentace, naprříklad pro vydělení morfu sovj ve tvaru sově (Šiška, 2005) — tento zdroj je zároven další ukázkou vítězství mnohosti nad konzistencí (viz poznámka 24 v podkapitolce 5.2.2): zná alomorf rac(i), ale nezná sluz(i), zná sovj(e), ale nezná d'evj(e), zná ruc(e), ale nezná desc(e) atp. I takováto data, pokud by tedy meřla být k neřcřemu užitecřná, by bylo lépe generovat strojoveř za pomoci prostředku navrhovaných v této práci, aby k popisovaným nekonzistencím nedocházelo.
7. www.eti.pg.gda.pl/~jandac/fsa.html
8. Puvodně jsem jej pojmenoval ajka2, ale to bylo zamítnuto jako nevhodné, když nejde o další verzi, ale zcela odlišné a nesouvisející rešení. Uznávám nicméně, že názvem majka, morfologický analyzátor jazyka, jsem žádnou nevšední kreativitu neprojevil.
9. Výstup jsem presměrovával do /dev/null (tedy zahazoval), aby cas nebyl ovlivněn prípadnými pomalými zápisy výsledných dat na disk. Všechny casy jsou pruměrem ze trí běhu, před kterými predcházel ještě jeden neměrený breh, aby mezi prvním a druhým během nebyl rozdíl v tom, že napoprvé vstupní soubor nebyl v neřjaké cache pameřti.
10. Data pro analyzátor majka jsou puvodní data analyzátoru ajka, pouze rozgenerovaná do formy popisované v prředcházejících dvou podkapitolách.
11. Výrazné zrychlení v doplnřování diakritiky není až tak zásluha nového analyzátoru, ale dusledek skutecnosti, že v analyzátoru ajka toto bylo realizováno znacně neefektivně.
91
6. NOVÝ MORFOLOGICKÝ ANALYZÁTOR
	velikost dat v MB ajka majka		cas v sekundách ajka       majka poměr		
analýza		4.4	18.22	2.88	6.3x
lemmatizace	3.1	4.0	16.76	1.57	10.7x
tvary		6.1	55.33	8.42	6.6x
					
diakritika		3.3	8698.80	1.61	5403x
Tabulka 6.1: Srovnání analyzátoru ajka a majka.
Srovnání ukazuje, že data jsou zhruba stejně velká. Nový analyzátor sice potrřebuje pro každou operaci samostatná data, na druhou stranu v praxi je veřtšinou potrřeba v jednu chvíli jen jedna urcřitá cřinnost, takže zpravidla nebude nutné mít ta data v pameřti všechna zaráz. Na pevném disku samozrřejmeř budou dohromady zabírat veřtší prostor, ovšem prři velikosti dnešních pevných disku jde o zcela zanedbatelné objemy dat.12
Nový analyzátor jsem stejným zpusobem srovnal i s morfologickou analýzou poskytovanou aktuální verzí pražského analyzátoru Morfo13 (Hlavá-cová a Kolovratník, 2008), oproti němuž je analyzátor majka rychlejší 4.6x, prřicřemž prříslušná data analyzátoru Morfo mají velikost 10.9 MB.
Tabulka 6.2 podává prředstavu o „kompresi" dat umožneřné minimálními DAFSA. Jde o slovníky pro operace porovnávané v tabulce 6.1, jen jinak usporádané. Na prvním rádku je slovník samotných slovních tvaru pro do-plnřování diakritiky. Na druhém rřádku je slovník dvojic tvar:lemma pro lemmatizaci, na tretím je slovník s retězci ve tvaru tvar:lemma:značka pro vlastní morfologickou analýzu a konecřneř na cřtvrtém rřádku je slovník všech dvojic tvari :tvar2, které patrí ke spolecnému lemmatu.
První sloupec udává pocet rádku slovníku, druhý jeho velikost v bytech, tretí velikost souboru s výsledným minimálním DAFSA a ctvrtý sloupec rí-ká, kolik bytu je ve výsledku v pruměru potreba k reprezentaci jednoho rřádku vstupu. Hodnoty ve cřtvrtém sloupci ale uvádím jen pro prředstavu, je zrřejmé, že vyjadrřují pouze míru redundance dat slovníku a nebyl by technický problém toto cříslo umeřlým zveřtšováním slovníku snižovat dle libosti.
Mohlo by se zdát, že tvorba automatu vyžaduje netriviální diskový prostor, ale není tomu tak: data lze programu vytvárejícímu minimální DAFSA prředávat rovnou ze skriptu, který je generuje, není nutné je ukládat na disk.
Zde zminované výsledky byly publikovány v (Šmerk, 2007,2009). Analyzátor majka je využíván nejveřtším cřeským internetovým vyhledávacřem
12. Což tedy do jisté míry platí i o operační paměti, alespoň pro normální počítače.
13. http://ufal.mff.cuni.cz/morfo/, verze z 6.5.2010.
92
6. Nový morfologický analyzátor
slovník	řádků	vel. zdroje	vel. slovníků	bytů /řádek
w	13,609,590	186,154,068	3,263,374	0.240
w — l	14,101,767	239,578,702	4,042,839	0.287
w — l+t	80,303,929	2,477,786,062	4,353,616	0.054
w — w	957,464,060	19,993,465,213	6,105,429	0.006
Tabulka 6.2: Statistické informace o slovnících analyzátorů majka.
Seznam.cz14 a vývojovým týmem Infořmacního systémů Masarykovy Univerzity15, který nejen zajišťuje potřeby dřůhé nejvetší univerzity v České republice, ale také vyvíjí a přovozůje Národní registr záverecných prací spojený s úložištem pro vyhledávání plagiátů a obdobný projekt pro odhalování plagiátů v seminárních pracích16.
6.5    Výhody nového analyzátoru
Naprosto zásadní výhodoů nového analyzátorů, zvlášt' ve srovnání s analyzátorem ajka (viz podkapitola 6.1), je jeho jednodůchost. Průchod aů-tomatem je zcela nezávislý na jeho obsahů (tedy s výjimkoů analýzy složených slov). Jak jsem ůkázal v podkapitole 6.3, fůnkcionalitů analyzátorů lze rozšiřovat poůze vhodní? navrženými daty. Pokůd chci derivacní vztahy, ůdelám slovník (aůtomat) popisůjící derivacní vztahy. Pokůd chci segmentaci, ůdelám slovník pro segmentaci. V kódů analyzátorů přitom není třeba menit ani písmenko, průchod jednotlivými aůtomaty je stále stejný. To je naprosto nesrovnatelné s analyzátorem ajka kde přidání nejaké nové vlastnosti typicky znamená velké množství práce a obtížného ladení.17
14. Ve skůtecnosti bylo poůžívání analyzátorů ajka přo indexaci dat vyhledávače Se-znam.cz jedním z hlavním impůlsů k tvorbe nového analyzátorů: analyzátor ajka byl přo jejich potřeby příliš pomalý.
15. http://is.muni.cz
16. http://theses.cz a http://odevzdej.cz
17. Přo ilůstřaci zmíním řešení jednodůchého požadavků ze střany Seznam.cz, aby analyzátor vřacel přo posloůpnosti císlic znacků k4 a jako lemma samotné vstůpní císlo. Přicemž nešlo o úpřavů analyzátorů jakožto přogřamů, kdy by bylo triviálne možné přodůkovat při takovém vstůpů požadovaný výstůp, ale o úpravy knihovny funkcí, kteřoů vyůžíval jak analyzátor ajka, tak indexacní stroje vyhledávace Seznam.cz. Bylo tedy nůtnénasimůlovat analýzů, jejíž výsledky pak vyůžívaly ostatní knihovní fůnkce. Můsely být naplneeny pří-slůšné pamet'ové střůktůřy, mimo jiné i položka císlo vzořů. Přitom ale císla vzořů nebyla ve zdrojových datech, ale generovala se až při tvorbe jejich binární podoby, takže přo řůzné veřze dat mohlo totéž císlo odpovídat zcela jiným vzořům. Vzoř ovšem ovlnmoval například tvořbů lemmatů, takže bůd'to bylo nůtné nejak v konkrétních datech zjišťovat císlo
93
6. Nový morfologický analyzátor
Pro práci s konkrétním slovníkem, s konkrétním typem dat stacří neřko-lika rádky kódu definovat, jak mají být výsledky analýzy interpretovány a vypisovány uživateli.18 Tyto jednotlivé cásti kódu jsou navíc vzájemně zcela nezávislé, což znamená, že pokud bude v jedné chyba, ovlivní to jen práci s konkrétním typem slovníku. To je opeřt velký rozdíl oproti analyzátoru ajka, kde se mohlo naopak snadno stát, že zmeřna kódu bude mít nezamýšlené vedlejší efekty.
Praxe ukázala, že jednoduchost je z dlouhodobého pohledu zcela klí-cřová vlastnost. Cřím jsou veřci jednodušší, tím menší jsou náklady na jejich údržbu a další rozvoj. Zejména pri omezených zdrojích to muže být pod-statneřjší problém, než by se mohlo zdát na první pohled: analyzátor ajka byl samozrřejmeř udržován plneř funkcřní, ale vinou své vnitrřní složitosti se v poslední dobeř nerozvíjel tak, jak se rozvíjet mohl a jak by bylo žádoucí.
Pozitivem plynoucím z jednoduchosti je ovšem i rychlost, kdy je nový analyzátor neřkolikrát rychlejší než dosavadní dostupná rřešení.
Výhodou prezentovaného prřístupu je také naprosté oddeřlení (struktury) dat a samotného analyzátoru. Zdrojová data lze mít popsána libovolným formalismem a nijak nezáleží na tom, jak efektivneř jsem schopen s ním pracovat, analyzátoru se to nijak nedotýká.19 Toho ostatneř plneř využívám: skript, který vyhodnocuje v první cřásti práce navržený formát (tedy generuje z neřj seznamy trojic slovo, lemma a znacřka ve formátu vhodném pro tvorbu minimálního DAFSA), je napsán naprosto neefektivně. Tytéž věci se vyhodnocují porřád dokola, prřípadneř jiné zcela zbytecřneř, prřestože by první bylo možné prředpocřítat a druhé vynechat. Tím bych ale zkomplikoval kód, což by byla zbytecřneř vysoká cena — i tento kód je potrřeba udržovat co nejjednodušší, zejména když na dobeř generování dat prříliš nezáleží.
vhodného vzoru, nebo naopak modifikovat kód generující lemma. V novém analyzátoru stacří k rřešení téhož zadání práveř jen zmíneřný triviální prřístup: pro cříslice je vrácena požadovaná odpoveřd', ostatní vstupy jsou vyhledány v datech, tedy automatu. Nejsou žádné pameřt'ové struktury, které by bylo potrřeba konzistentneř naplnřovat, není ani zapotrřebí souhra více knihovních funkcí atd.
18. Zejména se aktuálně jedná o přidávání ci odebírání prefixu nej- a ne-, pokud nejsou prřímo v datech.
19. Je ale potrřeba rříct, že toto bylo v podstateř možné už i doted', jen to nebylo využito. Naprříklad mi v principu nic nebrání generovat z dat ve formátu navrženém v prředchozích kapitolách této práce data ve formátu analyzátoru ajka. To je možná vhodné vyjasnit: z dat v navrhovaném formátu samozrřejmeř generuji data v podobeř popsané v podkapitolách 6.2 a 6.3, tedy v podobě vhodné pro tvorbu minimálních DAFSA. Nicméně mezi touto prací navrhovaným novým formátem a zde popisovaným novým analyzátorem není žádná nutná souvislost. Mohl bych z nového formátu generovat data pro analyzátor ajka a stejneř tak lze (a aktuálně to i dělám) generovat z dat analyzátoru ajka data pro tvorbu automatu analyzátoru majka.
94
Kapitola 7 Závěr
Prředkládaná práce se veřnuje pocřítacřové morfologické analýze cřeštiny.
*
Nejprve jsem popsal stávající prřístup k organizaci dat morfologického analyzátoru a ukázal jeho vysokou redundanci. Vysvetlil jsem, proc jsem pre-svedcen, že jejím nutným dusledkem jsou bud'to velké náklady na údržbu dat, nebo postupný rust míry jejich nekonzistence.
Následneř jsem navrhl formalismus pro popis dat morfologického analyzátoru, který umožnuje tuto redundanci významným zpusobem zredukovat. Zárovenř jsem nový formát navrhoval tak, aby byl lingvisticky prři-jatelný. Lze tak napríklad slova radit k tradicním vzorum, hranice mezi koncovkou a slovním základem (kmenem) muže odpovídat mluvnickým popisum, formát umožnuje zachytit pravidelné hláskové zmeny, resp. alternace, dovoluje získat ke slovním tvarum jejich cástecnou morfematickou analýzu cři elegantneř vyjádrřit pravidelné slovotvorné vztahy a mnoho dalšího. Navrhovaný formát navíc poskytuje prostrředky jak pro odlišení pravidelného a nepravidelného, tak díky implicitním pravidlum i pro odlišení jevu základních, prevažujících oproti jevum menšinovým ci výjimecným.
Na rozdíl od existujících popisu dat, kde bylo možné tutéž skutecnost rovnocenne vyjádrit ruznými zpusoby, v novém formátu je zpravidla možné formálneř odlišné popisy téže skutecřnosti i odlišneř interpretovat.
Podstatnou vlastností navrhovaného formátu také je, že jednotlivé možnosti, které pro popis dat nabízí, jsou vesmeřs vzájemneř nezávislé. Zejména tedy lze kteroukoli z nich nepoužívat, kdyby naprříklad neřkomu prřipadala špatne motivovaná nebo treba príliš komplikující výsledný popis. V príkla-dech jsem nekdy schválne zacházel do extrému, abych co nejlépe ukázal všechny možnosti nového formátu, je ale dobrře možné k popisu dat využívat jen neřjakou jejich podmnožinu.
Za hlavní prřínos této cřásti práce považuji skutecřnost, kterou se mi po-darřilo ukázat, že totiž pro popis morfologických dat není nutné používat neřjaká „technická" rřešení, ale že lze data popisovat lingvisticky interpre-tovatelným zpusobem. Že tedy není nutný žádný zásadní rozdíl mezi po-
95
7. ZÁVER
pisem potrřebným pro morfologický analyzátor a popisem lingvistickým, mluvnickým. A že je navíc dokonce žádoucí prřiblížit pocřítacřový popis lingvistickému, protože to umožní výrazneř snížit dosavadní redundanci dat.
*
V poslední cřásti práce jsem ukázal pro cřeštinu zcela novou konstrukci morfologického analyzátoru, kdy analýza spocívá jen v pruchodu deterministickým konecným automatem reprezentujícím data jako seznam retezcu.
Prřestože je prříslušná kapitola nepomeřrneř kratší než zbytek práce veř-novaný novému formátu pro popis dat — fungování analyzátoru je natolik triviální, že jednoduše nevyžaduje detailneřjší rozbor — považuji tuto cřást prřinejmenším z praktického pohledu za nejveřtší prřínos své práce. Jednak jsou v tomto prřípadeř dosažené výsledky exaktneř zmeřrřitelné, kdy nový analyzátor majka je neřkolikrát rychlejší než konkurencřní rřešení (prřicřemž se ovšem nejedná o neřjaký okrajový problém, jehož efektivnímu rřešení by trřeba jen dosud nebylo veřnováno patrřicřné úsilí, ale jde o jeden ze základních nástrojii pro zpracování prirozeného jazyka), jednak je použitelnost a spolehlivost analyzátoru oveřrřena praxí v podobeř produkcřního nasazení ve velkých systémech, jako je naprříklad internetový vyhledávacř Seznam.cz nebo systémy pro detekci plagiátu.
Významným praktickým prřínosem je vzhledem k prředchozímu stavu nesrovnatelné usnadneřní prřidávání nových vlastností, což ted' znamená jen vygenerování vhodných dat bez nutnosti zasahovat do analyzátoru jako takového. Pokud je naprříklad potrřeba, aby analyzátor poskytoval informace o derivacřních vztazích, segmentaci slova, nebo je trřeba žádoucí i jen omezit poskytované znacřky pouze na urcřité vybrané kategorie, stacří vytvorřit vhodná data, analyzátor muže být ponechán beze zmeny, nanejvýš postací jen malé úpravy pro správnou interpretaci výsledku.
Z hlediska dlouhodobé údržby a rozvoje je dále podstatné, že nový analyzátor pracuje na zcela jednoduchém principu, jehož implementace vyžaduje jen relativne krátký kód, zejména jsou ale krátké, a navíc i vzájemne nezávislé obslužné kódy pro jednotlivé druhy slovníku, u kterých jediných lze ocřekávat potrřebu doplneřní cři úprav.
Soudím ale, že prřínos lze videřt i na teoretické rovineř: prokazuji totiž, že pro realizaci pocřítacřové morfologické analýzy (cřeštiny, ale tvrzení lze zobecnit na všechny jazyky tvorící tvary slov modifikacemi jejich konce) nejsou potrřeba žádné speciální algoritmy cři datové struktury prřítomné ve stávajících analyzátorech, ale že k celé problematice lze prřistupovat velmi jednoduchým zpusobem. To ovšem, nutno podotnout, není myšlenka zcela nová, ale jde z cásti o využití prístupu existujících už více než deset let, jimž se nicméneř zatím nedostávalo takové pozornosti, kterou by zasluhovaly.
96
Literatura
Český národní korpus - SYN2000, SYN2005. Ústav Českého národního korpusu, Filozofická fakulta Univerzity Karlovy, 2000,2005. URL http: //www.korpus.cz.
Internetová jazyková príručka. Ústav pro jazyk Český, Akademie ved (České republiky, 2008-2010. URL http://prirucka.ujc.cas.cz.
Pavel Čaha. The nanosyntax of case. Disertační práce, center for Advanced Study in Theoretical Linguistics (ČASTL), University of Tromso, Tromso, 2009. URL http://hdl.handle.net/10037/2203.
Marie (Čechová, Miloš Dokulil, Zdenek Hlavsa, Josef Hrbácek a Zdenka Hrušková. (Čeština — ččeC a jazyk. ISV nakladatelství, Praha, 2. vydání,
2000.
Jan Daciuk. Incremental Construction of Finite-State Automata and Transducers, and their Use in the Natural Language Processing. Disertac-ní práce, Technical University of Gdansk, Gdansk, 1998. URL http: //www.pg.gda.pl/~jandac/thesis.ps.gz.
Josef Filipec a kol. (editori). Slovník spisovné češtiny pro školu a večej-nost. Academia, Praha, 2. vydání, 1994. URL http://deb.fi.muni. cz/debdict/index-cs.php. Elektronická verze firmy LEDA.
Marek Grác. Tvorba morfologické databáze z neoznackovaného korpusu. Diplomová práce, Fakulta informatiky Masarykovy univerzity, Brno, 2006. URL http://is.muni.cz/th/50728/fi_m/.
Jan Hajic. Unification Morphology Grammar. Disertacní práce, Institut formální a aplikované lingvistiky, Matematicko-fyzikální fakulta Univerzity Karlovy, Praha, 1994. URL http://ufal.mff.cuni.cz/pdt/
Morphology_and_Tagging/Morphology/Doc/References.
Jan Hajic. Disambiguation of Rich Inflection (Computational Morphology of Czech). Karolinum, Praha, 2004.
97
Literatura
Bohuslav Havránek a kol. (editoři). Slovník spisovného jazyka českého. Academia, Praha, 1960-1971. URL http://deb.fi.muni.cz/ debdict/index-cs.php.
Zdenka Hladká a kol. Čeština v současné soukromé korespondenci. Dopisy, e-maily, SMS. Masarykova univerzita, Brno, 2005. URL http://www. korpus.cz/dopisy.php.
Dana HlaváCková a Radek SedláCek. Morfologické znaCkování korpusu soukromé korespondence. In Marcel Olšiak (editor), Varia XIV. Zborník materiálov zo XIV. kolokvia mladých jazykovedcov, Slovenská jazykovedná spolocnost' pri Slovenskejakadémii vied, Bratislava, 2006.
Dana Hlavácková, Klára Osolsobe, Karel Pala a Pavel Šmerk. Relations between Formal and Derivational Morphology in Czech. In Mojmír Doce-kal a Markéta Ziková (editori), Czech in Formal Grammar, Lincom, München, 2009a.
Dana Hlavácková, Klára Osolsobe, Karel Pala a Pavel Šmerk. Exploring Derivational Relations in Czech with the Deriv Tool. In Jana Levická a Radovan Garabík (editoři), NLP, Corpus Linguistics, Corpus Based Grammar Research, Jazykovedný ústav Ľudovíta Štúra, Slovenská akadémia vied, Bratislava, 2009b. URL http://korpus.juls.savba.sk/~slovko/ 2009/Proceedings_Slovko_2009.pdf.
Jaroslava Hlavácová. Formalizace systému české morfologie s ohledem na automatické zpracování ceských textu. Disertacní práce, Filozofická fakulta Univerzity Karlovy, Praha, 2009. URL http://ufal.mff.cuni. cz:8080/bib/?section=publications.
Jaroslava Hlavácřová a David Kolovratník. Morfologie cřeštiny znovu a lépe. In Peter Vojtáš (editor), Informacné technológie — aplikácie a teória, ITAT 2008, Univerzita Pavla Jozefa Šafárika, Košice, 2008. URL http://ufal.mff.cuni.cz:8080/bib/?section=publications.
Petr Karlík, Marek Nekula a Zdenka Rusínová (editori). PCcírucnímluvnice češtiny. Nakladatelství Lidové noviny, Praha, 2. vydání, 1997.
Petr Karlík, Marek Nekula a Jana Pleskalová (editori). Encyklopedický slovník ceštiny. Nakladatelství Lidové noviny, Praha, 2002.
Zuzana Kolárová. Možnosti a meze automatické derivace (pocítacové zpracování deverbativ na -ce a na -ec). Diplomová práce, Filozofická fakul-
98
Literatura
ta Masarykovy univerzity, Brno, 2QQ9. URL http://is.muni.cz/th/
104381/ff_m/.
Klára Osolsobeř. Algoritmický popis cčeské formální morfologie a strojový slovník ceštiny. Disertacní práce, Filozofická fakulta Masarykovy univerzity, Brno, 1996.
Klára Osolsobeř. Formální pravidla derivace deverbativ na -cř. Linguistica
Brunensia, 56, 2QQ8. ISSN 18Q3-741Q.
Klára Osolsobeř. Deriváty na -cří: gramatika, slovník a korpus. Linguistica
Brunensia, 57, 2QQ9. ISSN 18Q3-741Q.
Klára Osolsobeř, Karel Pala, Radek Sedlácřek a Marek Veber. A Procedure for Word Derivational Processes Concerning Lexicon Extension in Highly Inflected Languages. In Manuel González Rodríguez a Carmen Paz Suarez Araujo (editorři), Proceedings of the Third International Conference on Language Resources and Evaluation, LREC, ELRA, Las Palmas, 2QQ2. URL http://nlp.fi.muni.cz/publications/ lrec2002_osolsobe_pala_rsedlac_veber/paper.pdf.
Karel Pala a Dana Hlavácřková. Computer Processing of Derivational Relations in Czech. In Jana Levická a Radovan Garabík (editorři), Computer Treatment of Slavic and East European Languages, Jazykovedný ústav Ľudovíta Štúra, Slovenská akadémia vied, Bratislava, 2QQ7. URL http://korpus.juls.savba.sk/~slovko/2007/Slovko _2007_proceedings.pdf.
Karel Pala, Radek Sedlácek a Marek Veber. Relations between Inflectional and Derivation Patterns. In Tomaž Erjavec a Duško Vitas (edito-rři), Proceedings of the Workshop on Morphological Processing of Slavic Languages, ACL, Budapest, 2QQ3. URL http://www.aclweb.org/
anthology/W/W03-2901.
Jan Petr a kol. (editorři). Mluvnice cčeštinyl. Academia, Praha, 1986a.
Jan Petr a kol. (editori). Mluvnice češtiny 2. Academia, Praha, 1986b.
Hana Rišianová. Pocítacové zpracování vybraných slovotvorných typu. Ba-kalárská oborová práce, Filozofická fakulta Masarykovy univerzity, Brno,
2QQ8.
99
Literatura
Radek Sedláček. Morfologický analyzátor češtiny. Diplomová práce, Fakulta informatiky Masarykovy univerzity, Brno, 1999. URL http: //nlp.fi.muni.cz/projekty/ajka/ajka.pdf.
Radek Sedláček. Morphemic Analyser for Czech. Disertační práce, Fakulta informatiky Masarykovy univerzity, Brno, 2005.
Radek Sedláček. ajka tagset. Fakulta informatiky Masarykovy univerzity, Brno, 2006. URL http://nlp.fi.muni.cz/projekty/ajka/tags.
pdf.
Hana Skoumalová.  A Czech Morphological Lexicon.  In John Coleman (editor), Proceedings of the Third Meeting of the ACL Special Interest Group in Computational Phonology, ACL, Madrid, 1997a. URL http: //xxx.lanl.gov/abs/cmp-lg/9707020.
Hana Skoumalová. Czech lexicon by two-level morphology. In Ruta Mar-cinkeviciene a Norbert Volz (editori), Proceedings of the Second European Seminar of TELRI — Language Applications for a Multilingual Europe, IDS/VDU, Mannheim/Kaunas, 1997b.
Drahomíra Spoustová. Kombinované statisticko-pravidlové metody znac-kování češtiny. Disertacní práce, Institut formální a aplikované lingvistiky, Matematicko-fyzikální fakulta Univerzity Karlovy, Praha, 2007. URL http://atrey.karlin.mff.cuni.cz/~johanka/epos.pdf.
Marek Veber. Nástroje pro textové korpusy a morfologické databáze. Disertacní práce, Fakulta informatiky Masarykovy univerzity, Brno, 2005.
Zbynek Šiška. Bázový morfematický slovník češtiny. Univerzita Palackého v Olomouci, Olomouc, 2. vydání, 2005. Podle elektronické podoby na www. morfemy.cz.
Pavel Šmerk. Morphemic Analysis: A Dictionary Lookup Instead of Real Analysis. In Petr Sojka a Aleš Horák (editori), Proceedings of Recent Advances in Slavonic Natural Language Processing, RASLAN 2007, Masarykova univerzita, Brno, 2007. URL http://nlp.fi.muni.cz/ raslan/2007/papers/8.pdf.
Pavel Šmerk. Towards Czech Morphological Guesser. In Petr Sojka a Aleš Horák (editori), Proceedings of Recent Advances in Slavonic Natural Language Processing, RASLAN 2008, Masarykova univerzita, Brno, 2008a. URL http://nlp.fi.muni.cz/raslan/2008/papers/ 10.pdf.
100
Literatura
Pavel Šmerk. K morfologické desambiguaci češtiny. Rigorózní práce, Fakulta informatiky Masarykovy univerzity, Brno, 2008b. URL http: //is.muni.cz/th/3880/fi_r.
Pavel Šmerk. Fast Morphological Analysis of Czech. In Petr Sojka a Aleš Horák (editori), Proceedings of Recent Advances in Slavonic Natural Language Processing, RASLAN 2009, Masarykova univerzita, Brno, 2009. URL http://nlp.fi.muni.cz/raslan/2009/papers/13. pdf.
Markéta Ziková. (Systematický) synkretismus vs. (náhodná) homonymie: plurál českých jmen, 2006. URL http://www.phil.muni.cz/cest/ lide/zikova/Olomouc_06_hdt.pdf. Handout k přednášce na VII. mezinárodním setkání mladých lingvistů, Olomouc.
Markéta Ziková. Alternace vokálu s nulou v současné češtine — laterální autosegmentální analýza. DisertaCní práce, Filozofická fakulta Masarykovy univerzity, Brno, 2008. URL http://www.phil.muni.cz/cest/ lide/zikova/Disertace_definitivni_verze.pdf.
Markéta Ziková a Pavel Caha. Princip synkretismu aneb Augiášův chlév ceské deklinace. Linguistica ONLINE, rot 1, c. 1-2, 2006. ISSN 18015336. URL http://www.phil.muni.cz/linguistica/art/zikcah/ zic-001.pdf.
Markéta Ziková a Pavel Caha. the Czech Declension and Syncretism Principle. In Peter Kosta a Lilia Schurcks (editori), Linguistics Investigations into Formal Description of Slavic Languages, Peter Lang, Frankfurt am Main, 2007. URL http://www.phil.muni.cz/cest/lide/zikova/ FDSL6_05_hdt.pdf. Odkaz vede na handout k přednášce autorů na FDSL 6.
Abych prípadným zájemcům ušetril námahu, uvádím, je-li to možné, odkazy, kde lze získat mnou použité zdroje, nebo alespoň další související informace. Odkazy byly funkční k datu vyhotovení práce.
101
Príloha A
Príklad souboru vzoru pro životná maskulina
Príliš dlouhé řádky zalamuju znakem \. Na rozdíl od príkladu v textu práce se zatím tato data snažím udržovat co nejpodobnejší puvodním datum analyzátoru ajka. Témer zde tedy nepoužívám znak <, naopak ale mám ve vzorech znacky s príznakem wH, které jsem v práci pro strucnost neuvádel.
A.1   Část specifická pro životná maskulina
$shoda
cl c5
k1gMnS\Kc3 c6
k1gMnS\Kc2 c4 $k1gM
$Cc\Ke soudce
[~=][eyií] muž_nP,+adj
&/qJO -ové
&*ita|*ista|*asta|+krat -i,+-é
\Ka žena_nS,+-ovi,pán_nP,muž_nP/$M|c, \
žena_nPc4,-ové,+předseda-wH
\Ko město_nS,+-ovi,pán_nP,muž_nP/$M|i,-ové
\K-as pán,muž_nP/i,-ové,-as
\K-es pán,muž_nP/i,-ové,-es
\K-os pán,muž_nP/i,-ové,-os
\K-us pán,muž_nP/i,-ové,-us
&l -ové,+-i/qA
&+fob|+nom -ové
&+kaz +muž
[sxz]/qJO muž,<pán_nPc[67],+pán_nPc4
$T|$O|[wqu] pán,-i/(?!j)$Cr|ér|ýr|átor|or| \
[aáueěí]r|ák|ík|ant|ent,-ové/f|"$S&qJN
$M|c muž,-i/[řč]|.ec,-ové/j
103
A. PŘÍKLAD SOUBORU VZORŮ PRO ŽIVOTNÁ MASKULINA
klgM:-ovi,-ové,+-i klgM
nScl 0
nSc7 em
nPc2 ů
nPc6wH ách
nPc3 ům
nPc3wH um
nPc7wH ama
pán:k1gM
nSc2 a
+nSc3 u
nSc5 e, u/ch|[ghk],  'e/[~aeiouyáéěíóúůýj]r, \ e/[~aeiouyáéěíóúůýj]r&qJOP
nPc4 y
nPc6 ech, ích/ch|[ghkeo], ech/e
nPc7 y
muž:k1gM
nSc2	e
nSc2wH	a
+nSc3	i
nSc5	i, 'e/.ec
nSc5wH	u/!.ec
nPc4	e
nPc6	ích
nPc7	i
+nPc7wH	ema
předseda-wH
nSc4wH y/!$MC
nSc7wH em
nPc4wH ě/$MC
soudce:muž
nScl e
nSc5 e
nSc5wH 'e
-ovi
nSc3 ovi
104
A. PŘÍKLAD SOUBORU VZORŮ PRO ŽIVOTNÁ MASKULINA
-ové
-i
-é
nPcl
nPcl
nPcl
-us
nScl
-es
nScl
-os
nScl
-as
nScl
ové
i/[~eégiíuy] é
us
es os as
=ač:-i klgM =an:-é klgM =tel:muž,-é
A.2   Část sdílená s jinými rody či slovními druhy
$proměnné V C T O
M
MC
S
(?i:ou|[.%]?[aáeéěiíoóuúůyý])
(?i:ch|[bcčdďfghjklmnňpqrřsštťvwxzž])
(?i:ch|[dghknrt])
(?i:[bflmpsvz])
(?i:[čďjňřšťž])
(?i:[čďjňřšťžc])
(?:(?!$C+[rl]$C)$C*$V(?!$C+[rl](?:$C| \ $))$C*|$C+[rl]$C*(?!$V))
žena klgF
nScl	a
nSc2	y, i/$MC
nSc3	ě/!gM
nSc4	u
nSc5	o
nSc7	ou
nSc7wH	ó
105
A. PŘÍKLAD SOUBORU VZORŮ PRO ŽIVOTNÁ MASKULINA
nPcl nPc4
y, i/$MC y, i/$MC
město klgN
nScl nSc2 nSc3 nSc6 nSc7
a u
u, ě/!gM em
o
adj
gMnScl 0
gMnSc2 ho
gMnSc3 mu
gMnSc6 m
gMnSc7 m
gMnPcl 0
gMnPc2 ch
gMnPc3 m
gMnPc4 0
gMnPc6 ch
gMnPc7 mi
gMnPc7wH ma
neskl
nScl nSc2 nSc3 nSc7 nPcl nPc2 nPc3 nPc4 nPc6 nPc7
0 0 0 0 0 0 0 0 0 0
=ý:adj k2
=é:adj_gMnSc[236]|gMnPc4
='í:adj_gMnPcl =í:adj k2
106
A. Príklad souboru vzoru pro životná maskulina
A.3   Několik poznámek ke vzorťim
Následující poznámky jsou jen nesouvisející komentárře k jednotlivostem v uvedených vzorech. Prřestože formát samozrřejmeř komentárře umožnřuje, zbytecne by zneprehlednily výpis vzoru, takže je takto vyclenuji.
• V [~=][eyií] (ve „vzoru" $k1gM) je podmínka [~=] pro odlišení slov muftí od průvodč=í.
• Znakem + znacřím hranice slov ve složených slovech, mám tedy napríklad ve slovníku dřevo+kaz. Znakem * znacím zakoncení, u kterých zatím nevím, jak se k nim chovat, jestli jde o prřípony, nebo neřco jiného. Mám tak ve slovníku napríklad gymn*asta, ale ochlasta.
• Implicitní pravidla \Ka a \Ko popisují sklonování slov typu predseda a gigolo, pricemž v plurálu se podle vzoru muž sklonují například paňáca ci rikša, resp. gaučo ci Antonio.
• U piavodem reckých a latinských slov zakoncených v Npl na -us, -os, -as a -es mám ve slovníku Npl podobu s vyznacřeným zakoncřením, napríklad cerber-us (abych to odlišil od slov jako Bělorus). Implicitní pravidla zajistí odtržení tohoto zakoncření a posléze pro Npl i naopak pripojení odpovídající koncovky. Držím se tak popisu MC2 (s. 337), která to oznacřuje za „cizí pádovou koncovku" (naproti tomu (Šiška, 2005, s. 11) to oznacuje za „periferní deklinacní složku" a Npl segmentuje cerber(us)-O). Místo vyznacení koncovky ve slovníku by bylo možné mít neřjaký prříznak ve znacřce, který by zajistil odtržení zakoncření [aeou]s, aniž by bylo explicitneř vyznacřeno.
• Zakoncení, která jsou na konci „vzoru" $k1gM podmínkou pro vzor -i vesmes respektují informace v IJP.1
• Poslední tri rádky „vzoru" $k1gM popisují implicitní sklonování životných maskulin, tedy tendenci, kterou jsem pozoroval v datech a kterou prředpokládám u nových slov. u osobních jmen zakoncře-ných na s, z ci x se zdá v plurálu v úzu prevažovat tvrdé skloňování (mluvnice ani IJP se k plurálu nevyjadrují), u obecných jmen zakon-cřených na l, s, z a x se zdá prřevládat sklonřování podle vzoru pán. Výimky, jako napríklad slovo král, mám uvedeny přímo ve slovníku v podobe král:muž — v podstate skutecne jakožto výjimky.
• Ve vzoru pán poslední koncovka nSc5 popisuje skutecnost, že od príjmení zakoncených v Npl na konsonant a r lze tvorit Vsg tvary
1. Clánek „Skloňování mužských živ. jmen — 1. p. mn. c.", http://prirucka.ujc. cas.cz/?id=226.
107
A. PŘÍKLAD SOUBORU VZORŮ PRO ŽIVOTNÁ MASKULINA
zakončené -re i -re (například Richtre i Richtre).2 •      Ve vzoru žena bude zřejme lépe místo y, i/$MC psát jen -y (jako /i/ nevyvolávajíčí hláskové zmeřny, resp. alternače) a prřidat pravidlo, které zmeřní -y na -i po pravopisneř meřkkýčh konsonantečh.
Z ptivodníčh 20054 lemmat životnýčh maskulin uvedené vzory v tuto čhvíli popisují 19975. Zbytek jsou razné okrajové výjimky, které jsem dosud ne-zpračoval. v tabulče A.1 jsou počřty slov, která mají stejnou značřku, seznam vzorä a nepravidelné tvary, pokud se jičh takto shodovalo alespon deset. Jsou-li uvedeny nepravidelné tvary, jde o minivzory (je pak tedy ve slovníku napríklad půlpán:pán$). Konkrétní príklady jsou vybírány náhodne. v prostrředním sloupči je pročentuální podíl mezi všemi životnými masku-liny. Cř ísla v tabulče dokládají, že v novém formátu stačří ve slovníku u víče než devadesáti pročent životnýčh maskulin uvést pouze čřást značřky, prří-padneř dokonče jen vyznačřit prříponu.
13871	69.17	gaučo klgM
2207	11.01	Ionesc[ko klgMqJOP
1654	8.25	Severo+evrop=an
683	3.41	Mario klgMqJO
440	2.19	kok.eš:-ové klgM
321	1.60	sob.ěk:-i klgM
146	0.73	uniat:-é klgM
90	0.45	invalida:-é,+-i klgM
90	0.45	košer:+-ové klgM
58	0.29	dutoroh=ý klgMnP
52	0.26	tatí:neskl klgM
41	0.20	pterosaur-us:+-i klgM
35	0.17	v%ol klgMqA
22	0.11	příchoz:muž,-ové
17	0.08	Ferrari:neskl klgMqJOP
16	0.08	pán klgM
		pane nSc5
12	0.06	Řek klgMqJN
10	0.05	Ciceron klgMqJO
		Cicero nScl
Tabulka A.1: Nejčřasteřjší popisy slov ve slovníku.
2. iJP, čřlánek „osobní jména mužská zakončřená ve výslovnosti na souhlásku", čřást 1.1.č, http://prirucka.ujc.cas.cz/?id=320#nadpis2.
108
Příloha B
Obsah elektronické přílohy
K práci prikládám nekolik souboru v elektronické podobe. U tištené verze práce budou na priloženém CD, u elektronické podoby práce v Národním registru vysokoškolských kvalifikacních prací (http://theses.cz) by meřly být zkomprimovány do jednoho archívu priloha.zip a dostupné stejným zpusobem jako práce samotná (za to ovšem nemohu žádným zpusobem rucit). Pokud byl soubor zmínen v textu práce, odkazuji zde na prříslušnou cřást práce.
• readme.txt — obdoba této prílohy. Sem kopíruji tyto informace proto, aby si cřtenárř mohl o obsahu udeřlat prředstavu drřív, než (prří-padne beztoho, aniž) by vložil CD do mechaniky nebo zacal hledat a stahovat soubor priloha.zip
• vzory.txt — definice všech vzoru životných maskulin z dat analyzátoru ajka (podkapitola 3.2)
• jinak.vzory.txt a jinak.slova.txt — odlišnosti nového popisu oproti puvodním datum, zejména tedy ruzné nekonzistence v pu-vodních datech (podkapitola 3.2)
• par.txt — soubor vzoru (príloha A a kapitola 5)
• skript.pl — skript vyhodnocující data v novém formátu (kapitola 5)
• mail.txt — maily s nekonzistencemi v IJP (podkapitolka 5.2.2)
• prace.pdf — PDF soubor s textem práce a aktivními odkazy, v adresári prace je TpXový zdroj
109
Príloha C
Regulární výrazy použité v práci
V práci předpokládám, že je ctenář obeznámen s fůngováním řegůlářních výřazů, pro jistotů zde ale ůvádím přehled a střůcný popis konstřůkcí, které jsem nekde v práci poůžil. Kompletní dokůmentaci řegůlářních výřazů lze najít například na http://perldoc.perl.org/perlre.html.
[ghk]       odpovídá kteřémůkoli z vymenovaných znaků [~ghk]     odpovídá kteřémůkoli krome vyjmenovaných znaků odpovídá zacátků řetezce
odpovídá konci řetezce (zároven poůžito pro vyznacení přomenných k nahrazení, viz podkapitolka 4.7.3 — protože jméno promenné následuje po $, nemůže dojít k zámene s $ znamenajícím konec řetezce) vyznacení, ohřanicení cásti řegůlářního výřazů RE, např. (?:abc), možné vyůžití viz další konstřůkce. Varianta (?i:abc) znamená, že v závorkami ohřanicené cásti se nebeře ohled na velikost písmen
na daném míste v řetezci se může, ale nemůsí vyskytovat x, což může být znak, výcet znaků ci cást řegůlářního výřazů ohřanicřená závořkami jako x?, navíc se x může libovolnekřát opakovat jako x*, ale x se můsí vyskytovat alespon jednoů odpovídá bůd'to řegůlářnímů výřazů RE1, nebo řegůlář-nímů výřazů RE2. V řámci vetšího řegůlářního výřazů nůtné ohřanicit závorkami, tedy psát (?:RE1|RE2) to, co v řřeteřzci následůje, nesmí odpovídat řegůlářnímů výřazů RE (na rozdíl od [~a], což odpovídá cemůkoli krome znaků a, výraz (?!a) neodpovídá žádnémů znaků, jen se vyjadřřůje ke kontextů) při nahrazování bůde nahrazena poůze cást za \K
Znaky + a * (a znak . standardne odpovídající libovolnémů znaků) je ak-tůálneř možné poůžít poůze v přomeřnných.
$
(?:RE)
x?
x* x+
RE1|RE2
(?!RE)
\K
110