Počítačové zpracování přirozeného jazyka

3.9 Syntaktické značkování
Značkování na úrovni vyšší než slovnědruhové, tj. na rovině syntaktické, lze
najít např. v London-Lund Corpusu (Svartvik, 1990). Vznikly již syntakticky
analyzované subkorpusy známé jako stromové banky (treebanks), byly však
vytvořeny jen z podčástí korpusů. I tak jde o texty v rozsahu několika miliónů
slov a o práci, která např. v UCREL zabrala kolem 5 let. Nedávný výzkum na
LOB Corpusu však vedl k technice zjednodušené syntaktické analýzy známé
jako skeletonová analýza, kterou lidští operátoři mohou provádět poměrně
rychle (Leech and Garside, 1991). Pražský závislostní korpus byl celý vytvořen
manuálně. Stručně o něm níže – viz CD publikované v r. 2001.
Stromové banky (treebanks)
Jsou to textové soubory tvořené větami, u nichž je vyznačena syntaktická
struktura, např. ve tvaru syntaktického (složkového) stromu (ohodnoceného
uzávorkování).
(1) Věděl jsem, že přijde a že mi dá pusu.
(1a) (Věděl jsem, (že (přijde)) a (že (mi (dá pusu)))).
Způsob analýzy je dán nějakou předem danou gramatikou, nějakým schématem
analýzy, které je návodem, jak analyzovat věty. Musí jít o schéma, které
se postupně a inkrementálně doplňuje o případy, které se předtím nevyskytly.
Proces je kontinuálně inkrementální a sotva kdy budeme moci tvrdit, že jsme
dospěli k úplné gramatice daného jazyka.
Je-li však stromová banka vytvořena, lze z ní automaticky odvodit např.
frázovou (nekontextovou) gramatiku, v níž minimální podstromy interpretujeme
jako nekontextová pravidla. Taková gramatika je zárodkem probabilistické
frázové gramatiky, protože jednotlivá pravidla se ve výchozím korpusu
vyskytují s určitými četnostmi, které lze považovat za první aproximaci pravděpodobností,
s nimiž se taková pravidla mohou vyskytovat v budoucím textu
podobného typu.
Pražský závislostní stromový korpus Pro češtinu je nyní k dispozici pražský
závislostní stromový korpus (Prague Dependency Tree Bank), vybudovaný
skupinou prof. Hajičové na MFF UK a čítající cca 100 000 vět (viz PDTB
CD ROM, 2001).
3.10 Situace v češtině
Závěrem uveďme základní informace o tom, jak vypadá situace pro češtinu.
Na podzim roku 1994 byl na FF UK založen Ústav českého národního kor-
32