1 / 17

Korpuste kombineerimine

Korpuste kombineerimine. Mark Fishel, Heiki-Jaan Kaalep TÜ. Kava. Korpuste tegemise protsess Märgenduse esitamise viisid Mitme märgenduse ühendamine Ühenduspunktide probleem Paralleelkorpuste ühendamine Programmi idee. Korpuste tegemise protsess: idee. algne tekst märgendus1 korpus1

prisca
Download Presentation

Korpuste kombineerimine

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript

  1. Korpuste kombineerimine Mark Fishel, Heiki-Jaan Kaalep TÜ

  2. Kava • Korpuste tegemise protsess • Märgenduse esitamise viisid • Mitme märgenduse ühendamine • Ühenduspunktide probleem • Paralleelkorpuste ühendamine • Programmi idee

  3. Korpuste tegemise protsess: idee algne tekst märgendus1 korpus1 märgendus2 korpus2 märgendus3 korpus3

  4. Korpuste tegemise protsess: TÜ tegelikkus algne tekst TEI märgendus TEI tekstikorpus + morf. märgendus ; - TEI märgendus morf. korpus + süntaktiline + sõnatähendused + väljendid

  5. Märgenduse esitamise viisid 1. Märgendid teksti sees (TÜ segakorpus, HTML) 2. Tabelina (morf. korpus, CoNLL, Negra, …) 3. Märgendid eraldi; viidad (MTE 1984) • Minu jutt puudutab (1) ja (2) moel esitatud korpusi; (3) on seotud omaette probleemidega

  6. Korpuste tegemise protsess: algtekst TEI P3 ja ütles: "Kurat, ega ma ei sure." <!DOCTYPE TEI.2 SYSTEM 'tei2.dtd'[ <!ENTITY % TEI.general 'INCLUDE'> … <text> <body> … <p> <s> … ja ütles: "Kurat, ega ma ei sure."</s>

  7. Morf. märgendus: näidehttp://www.cl.ut.ee/korpused/morfkorpus/myh01/ilu_0021.kym : : //_Z_ Col // " " //_Z_ Quo // Kurat kurat+0 //_S_ comsgnom // , , //_Z_ Com // ega ega+0 //_J_ crd // ma mina+0 //_P_ sgnom // ei ei+0 //_V_ auxneg // sure sure+0 //_V_ mainindicpres ps neg // . . //_Z_ Fst //

  8. Süntaktiline märgendus: näidehttp://lepo.it.da.ut.ee/~heli_u/SA/stkt0021-Andriela.snx $: $: //_Z_ Col // $" $" //_Z_ Quo // **CLB Kurat kurat+0 // _S_ comsgnom#cap// @SUBJ $, $, //_Z_ Com // ega ega+0 // _J_ crd // **CLB @J ma mina+0 // _P_ pers ps1 sgnom // @SUBJ ei ei+0 //_V_ auxneg // mina+0 // _P_ pers ps1 sgnom // @ADVL ??morf sure sure+0 // _V_ mainindicpres ps neg#FinV#Intr // @+FMV $. $. //_Z_ Fst //

  9. Sõnatähenduste märgendus: näidehttp://www.cl.ut.ee/korpused/semkorpus/ : : //_Z_ Col // " " //_Z_ Quo Kurat kurat+0 //_S_ com sg nom // kurat(2)#@ kurat:1:2 , , //_Z_ Com // ega ega+0 //_J_ crd // ma mina+0 //_P_ pers ps1 sg nom // ei ei+0 //_V_ aux neg // sure sure+0 //_V_ main indic pres ps neg // surema(1)#@ surema:1:1 . . //_Z_ Fst //

  10. Süntaktilise ja semantilise märgenduse ühisosa $: $: //_Z_ Col // $" $" //_Z_ Quo // **CLB Kurat kurat+0 // _S_ comsgnom#cap// @SUBJ kurat(2)#@ kurat:1:2 $, $, //_Z_ Com // ega ega+0 // _J_ crd // **CLB @J ma mina+0 // _P_ pers ps1 sgnom // @SUBJ ei ei+0 //_V_ auxneg //mina+0 // _P_ pers ps1 sgnom // @ADVL ??morf sure sure+0 // _V_ mainindicpres ps neg#FinV#Intr // @+FMV surema(1)#@ surema:1:1 $. $. //_Z_ Fst //

  11. Ühenduspunktide probleem Samast allikast korpused erinevad • lisatud märgenduse poolest • varem olnud märgenduse poolest • NB! algtekstist pärineva osa poolest … ja selle all ei mõelda ainult lihtsaid asju nagu täpitähtede kodeering , tühimärkide olemasolu või suurtähelisus, vaid ka vahelejätte ja ühendamisi ?? Mille kaudu korpusi ühendada??

  12. Lahendus 1 • Ole hoolikam! Ära lase algteksti muuta! • Aga: • kirjavead, nt. http://www.cl.ut.ee/korpused/baaskorpus/1980/ fail stkt0013 <s> Aga olgu, ma ei taha alustad nääklemisega.</s> • segmenteerimine: olgu_,_ ;inglise keeles don_’t • Algtekst (s.t. korpuste lahknemiskoht) muutub ikka!

  13. 2 paralleelkorpuse võrdlemise probleem (lahendatud)

  14. Samakeelsete osade ühendamine mõlemas korpuses

  15. Märgendamine =? tõlkimine • algne tekst = originaal • lisatud märgendus = tõlge • 2 korpust = 2 originaali + 2 tõlget • 2 korpust = 2 algset teksti + 2 märgendust • probleem: kahe korpuse algsed tekstid pole samal moel tükeldatud (segmenteeritud) • lahendus: ligikaudne võrdlemine + tükkide koosvaatamine

  16. Programm kahe korpuse ühendamiseks (pooleli…) • Iga korpus on justkui 2-veeruline tabel: • ühes veerus on korpuste ühine osa, teises veerus on erinev osa • ühendamine käib ühise osa veeru kaudu • Veerg on kasutaja poolt defineeritav • Programm oleks UNIXi käsk (nagu sed, tr, estmorf), analoogiline käsuga join • Programmi nimi on … ?

  17. Kasutusalad • Erinevalt märgendatud korpuste ühendamiseks (väga vaja – kohvijutt LAW II LREC 2008) • Paralleelkorpuste ühendamiseks ja võrdlemiseks universaalne meetod

More Related