pdf ke stažení - Ústav českého jazyka a teorie komunikace

celistvá podoba se nazývá dokument. na přirozené úseky. jako je slovo, věta .odstavec, kapitola, část atd. Předev§ím členění textu do slov (slovem tu rozumímei interpunkční znaménka, v tomto smyslu se také užívá pojmu pozicev korpusu) a vět je dáno jazykovými konvencemi a systémem jazyka. Na prvnipohled se zdá, že sotvaco může být jednodušší než rozčleněni textu na větya slova. Máme-Ii napf. na jednotlivá slova segmentovat větu(I) Jeden z klíčových poslanců parlamentu. Jan Zahradil, se domnívá, žeEvropská unie je pouze zbytnělou byrokratickou institucí.nebude to ani nám, ani počítači činit velké problémy, neboť jednotlivá slova tujsou jasně ohraničena a vymezena. Co si však počít s takovými slovy jako oč,má-Ii, abychom, tys? Slovo oč je stažená dvojice slovo co, spojení má-Ii jetvořeno dvěma zcela odlišnými částmi : má a -Ii, abychom je spojka vyjadřujíciI. osobu čísla množného, ač spojky systémově osobu nevyjadřuji, a tys je staženádvojice slov ty ajsi. Jakým způsobem segmentovat takováto slova? Má smysl"pitvat" např , víceslovné názvy měst typu Ceské Budějovice, kde obě dílčí slova,tj. České a Budějovice tvoří dohromady jediný celek? Není lepší takovýto názevnaopak chápat jako jeden nedělitelný celek a tak s ním pracovat? V češtině"bohužel" jednotlivé komponenty místních jmen nespojujeme spojovníkem.jak to činí alespoň v některých případech pravopis francouzský (srov. např.Aix-en-Provence) - bylo by to pro automatické zpracování jednodušší. A zasenaopak: patrně není vhodné dělit např. slovo československo-sověts/cý na dvěčásti československo a sově/s/cý . Obecně je pro další zpracováni textu asivhodnější pokládat ustálená spojení za jeden celek (nikoli však výše uvedenéspojení typu má-Ii, které je naopaltonáležité rozdělit na dvě části) . Vidíme tedy,že už na úrovni segmentace textu do slov mohou nastat problémy souvisejícípochopitelně s tim, jak chceme vstupní text dále zpracovávat.Složitější problémy nastávají u segmentace textu do vět. Převážnou většinuvět lze segmentovat velmi snadno, jsou však věty, s nimiž jsou potíže. Uvažmenapř. větu(2) Ke katastrofě židovského národa došlo roku 70 po Kr. Titus, syn císařeVespasiana, tehdy dobyl Jeruzalém.Člověk takový úsek "ručně" segmentuje snadno: okamžitě vidí, že jej tvořídvě věty, z nichž prvni končí zkratkou Kr. včetně. Automatická počítačovásegmentace je však v takovýchto případech velmi nesnadná. Jelikož druhá větazačíná vlastnimjménem Ti/us, které začíná velkým písmenem, nemusí obecněřetězec Kr. znamenat konec věty, srov. např. větuII