Aspekte der morphologischen Analyse des Deutschen - Universität ...

Kapitel 4: Ein Modell eines morphologischen Analysesystems
Der Grund hierfür ist natürlich, daß das Fugenelement s zufällig ein Präfix des eigentlich als
unbekannt anzusetzenden Wortteils stein ist. Darüber hinaus kann der Fall eintreten, daß
Kandidaten für U-Kanten, die nicht den weiter unten dargelegten heuristischen Tests Genüge
tun, erst gar nicht in den Chart eingefügt werden, mit dem Ergebnis, daß die gesamte
Analyse durch den Chartparser scheitert.
Es ist demnach wünschenswert, zwischen Affixen und Stämmen eine Gewichtung vorzunehmen.
Hierzu ist eine Änderung an Definition 4.1 d) vorzunehmen:
(3)
si keinen Teilstring z ∈ Lex enthält, so daß die z zugeordnete Beschreibung Desc von
simple_stem subsumiert wird.
Algorithmus 4.3 ist dann entsprechend so anzupassen, daß er auf der Suche nach Anschlußpunkten
alle Kategorien bis auf solche vom Typ simple_stem „überspringt“.
Weiterhin kann man Heuristiken einsetzen, um die Anzahl der eingefügten U-Kanten zu
minimieren; schließlich bedeutet jede solche Kante für den Parser einen erhöhten Analyseaufwand.
Alle in Zeile 9 des Algorithmus postulierten Segmente werden daher einer zweistufigen
heuristischen Filterung unterworfen, die unplausible Kandidaten zurückweist:
1. Enthält das Lexikon Elemente der geschlossenen Klassen (also Flexive, Affixe etc.) vollständig,
so kann ein unbekannter Wortteil einer der drei Hauptklassen zugeordnet werden,
die an der Wortbildung partizipieren – Nomen, Verben und Adjektive. Führt man
zudem eine Mindestlänge für unbekannte Teile ein - unter der Voraussetzung, daß Listeme
mit kleinerer Länge sämtlich im Lexikon verzeichnet sind, kann man das Postulieren
„zu kurzer“ Segmente vom Typ unbekannt verhindern.
2. Die Graphemstruktur unbekannter Wortteile muß natürlich den Regularitäten des Silben-
und Wortaufbaus im Deutschen unterliegen, die am besten wiederum in Form eines oder
mehrerer endlicher Automaten (oder Two-Level-Transducer) repräsentiert werden, womit
dann vorgeschlagene Segmente mit unzulässigen Konsonantenabfolgen usw. unterdrückt
werden können. Dieses Vorgehen kann natürlich nicht exakt sein, da der unbekannte
Wortteil selbst wiederum komplex sein kann, ohne daß seine Teile im Lexikon
stehen. An den Morphgrenzen zwischen diesen Teilen sind jedoch Laut- und indirekt
damit Graphemkombinationen erlaubt, die innerhalb eines Simplexwortes nicht möglich
wären. Dem könnte damit begegnet werden, daß man einen Automaten einsetzt, der den
Silbenaufbau deutscher Wörter korrekt abbildet und der ε-Übergänge oder Übergänge,
die mit Fugensymbolen etikettiert sind von seinen Endzuständen in den Startzustand besitzt.
Ein solche Automat akzeptiert somit Folgen von Simplexwörtern, deren Teile untereinander
möglicherweise durch Fugensymbole getrennt sind. Die einfachste Möglichkeit
besteht jedoch darin, eine vollständige Liste der Silben im Deutschen heranzuziehen und
damit zu überprüfen, ob das vorgeschlagene Segment aus einer Folge dieser Silben besteht.
Hierbei wird jedoch außer Acht gelassen, daß nicht alle Silben an allen Positionen
im Wort auftreten können. Eine weitere Variante, die bei der Implementierung des hier
vorgestellten Systems ebenfalls weiter verfolgt wurde, ist die, aus einem in maschinenlesbarer
Form vorliegenden Lexikon – beispielsweise der CELEX-Datenbank (Baayen et
al. (1993)) alle monomorphematischen Stämme und Wurzeln zu extrahieren und in Form
eines Tries zum Überprüfen von als unbekannt postulierten Wortsegmenten zu verwenden.
Dies engt die Hypothesen auf tatsächlich vorkommende Stämme ein, ohne daß für
jeden dieser Stämme ein voll ausdifferenzierter Lexikoneintrag vorliegen müßte. Wählt
man diesen Weg, so gibt es allerdings noch eine effizientere Alternative. Man könnte alle
Simplexwörter, für die kein Lexikoneintrag existiert, ebenso gleich in den segmentieren-
108