pdf ke stažení - Ústav českého jazyka a teorie komunikace

ženy: tvar=ženy. lemma=žena, slovní_druh=substantivum, pád=nominativ,jmenný rod=femininum, číslo=plurálsnědí: tvar=snédí, lemma=sníst, slovnUlruh=slovuo, osoba=3, čas=prézens,způsob=indilcativ,číslo=pluráltři: tvar=tři, lemma=tři, slovní_druh=éíslovka, pád=akuzativ, číslo=plurálslanečky : tvar-slanečky, lemma=slaneček, slovní druh=substantivum,pád=akuzativ, jmenný rod=maskuUnum jivotné, číslo=plurálBez ohledu na kontext jeslovní tvar ty také osobní zájmeno - lemma tyslovní tvar ženy je také gen. sg., ak. pl., vok. pl.slovní tvar snědí je také nom. a vok. pl. adjektiva snědýslovní tvar tři je také nom. a vok. číslovky tři a též imperativ slovesa třít.Je ovšem jasné, že obrovské objemy dat, jaké zahrnují současné jazykovékorpusy, ručně disambiguovat nelze nebo je to možné jen s nasazením velkéhopočtu pracovníků zvaných anotátoři, kteří obvykle nejsou k dispozicí (ručnědisambiguován byl napf. brněnský korpus DlSAM, který ovšem obsahuje pouzecca I mil. slovních tvarů). Chceme-Ii tedy mít náležítě morfologickyjednoznačně označkované milióny slov, abychom mohli na rozsáhlém textovémmateriálu studovat napf. syntaktickou stavbu české věty, musíme ke značkovánípoužít jiných metod než klopotné ruční práce. Je tedy tfeba texty značkovatautomaticky - softwarovými nástroji.Co nejpřesnější a nejméně chybová automatická disambiguace textůpřirozeného jazyka je obecně jednim z hlavních úkolů dnešní matematickélingvistiky, a to pro každý jazyk. Jeho obtížnost je ovšem do značné míry dánatím, nakolik je daný jazyk sám svým systémem víceznačný a nakolik má býtznačkování podrobné. Čeština je jazyk s obrovskou mírou víceznačnosti jakmorfologické, tak slovnědruhové; existuje v ní přes 1000 tříd víceznačnosti.Tyto třídy jsou buď systémové - takovou třídu tvoří napf. genitív a akuzativživotných maskulin, jinou zase nominativ, akuzativ a vokativ singulárusubstantiv středního rodu skloňovaných podle vzoru město, další třídou jeinstrumentál singuláru maskulina/neutra adjektiva dativ plurálu adjektiv -, nebonesystémové: tyto třídy obsahují náhodné homonymní tvary- např . výše uvedenéloučím. Morfologicky disambiguovat český text programovými nástroji jetak úkol mimořádně složitý. Je to úkol nesrovnatelně složitější než automatickálemmatizace a automatická morfologická analýza, neboť výběr správné značky15