Počítačové zpracování přirozeného jazyka

tiny se jako vhodnější jeví morfologické analyzátory (viz dále). Zmínili jsme
se už o gramatickém značkování (tagging) – přiřazení (symbolů) značek slovních
druhů každému výskytu slova v korpusu. Výsledkem je tedy anotovaný
korpus, tj. ne již čistý (surový) korpus, ale jeho verze opatřená gramatickými
informacemi jistého druhu.
Takto anotovaný korpus se stává odrazovým můstkem pro další výzkum:
pomocí konkordančního programu v něm můžeme vyhledávat gramatické
abstrakce, jako např. výskyty pasíva (seznamy tvarů jako dělán, prodán, vyroben),
vidu (aspektu) (seznam všech dokonavých sloves s předponou vy-),
různé posloupnosti slovních druhů aj. Anotovaný korpus poskytuje též výchozí
statistická data pro pravděpodobnostní zpracování jazyka. Ke značkovaným
korpusům patří Brown Corpus, Lancaster- Oslo-Bergen Corpus
(LOB) a Spoken English Corpus, který obsahuje fonetické a fonémické značkování.
Z českých korpusů můžeme uvést již zmíněný DESAM, dále DESAM2
a s jistými výhradami i SYN2000 (ČNK, Čermák et al, 2000).
V poslední řadě době se začíná věnovat též sémantickému značkování korpusů,
a to zejména v souvislosti s nově se rozvíjejícím směrem výzkumu, který
se označuje jako zjednoznačňování významů slov (word sense desambiguation,
wsd) (Agirra, 2001). Svou povahou patří tato problematika primárně do oblasti
lexikální sémantiky (viz níže odd. ...),
3.7 Značkování pro češtinu – ajka
Problematika značkování je v češtině v některých ohledech poněkud jiná než
např. v angličtině a podobných jazycích, kde tagger může být jeden program
(např. CLAWS), který jak značkuje, tak i desambiguuje. V češtině díky složitější
flexi je potřeba značkování rozložit do dvou fází:
• zpracování morfologickým analyzátorem – morfologická analýza
• desambiguace – manuální, program CED (Veber, 2000)
– na bázi částečné syntaktické analýzy (partial parsing) – program DIS
(Žáčková, 2001)
– kombinované přístupy pravidlové s učením (Brill, )
– pravidlové s kontextovými omezeními (Karlsson, Voutilainen, Petkevič,
Oliva, 2001)
– statistické techniky a stochastické desambiguátory (Hajič, 2000)
– techniky strojového učení (Popelinský, Nepil, Žáčková, 2000).
30