Pobieranie prezentacji. Proszę czekać

Pobieranie prezentacji. Proszę czekać

ZDYSCYPLINOWANY OPIS JĘZYKÓW NATURALNYCH I KORPUSY TEKSTÓW Proseminarium doktoranckie 2013/2014, semestr letni Prof. dr hab. Marek Świdziński Zakład Językoznawstwa.

Podobne prezentacje


Prezentacja na temat: "ZDYSCYPLINOWANY OPIS JĘZYKÓW NATURALNYCH I KORPUSY TEKSTÓW Proseminarium doktoranckie 2013/2014, semestr letni Prof. dr hab. Marek Świdziński Zakład Językoznawstwa."— Zapis prezentacji:

1 ZDYSCYPLINOWANY OPIS JĘZYKÓW NATURALNYCH I KORPUSY TEKSTÓW Proseminarium doktoranckie 2013/2014, semestr letni Prof. dr hab. Marek Świdziński Zakład Językoznawstwa Komputerowego Instytut Języka Polskiego UW wt , pok. 1 Konsultacje: wt , pok. 1 Strona internetowa:

2 Spotkanie 1 Wstęp.

3 Cel: wprowadzenie w warsztat lingwistyki strukturalnej, formalnej i korpusowej. Zawartość treściowa: pokaz narzędzi przetwarzania korpusu tekstów – przeszukiwania, rozwiązywania homonimii, interpretacji różnych typów; metody interpretacji składniowej: gramatyki formalne i automatyczne analizatory składniowe; produkty: słowniki, bazy danych lingwistycznych, SGJP; analiza tekstu języka obcego; ćwiczenia dystrybucyjne; języki wizualno-przestrzenne. Nasze zajęcia: moje opowiadanie, wykłady gości; referowanie; trening i rozwiązywanie zadań badawczych (w ideale – Waszych...). 3 Cele

4 Collins COBUILD English Language Dictionary, red. J. Sinclair, Collins: London – Glasgow Derwojedowa, M., Rudolf, M., Świdziński, M.: Dehomonimizacja i desynkretyzacja w procesie automatycznego przetwarzania wielkich korpusów tekstów polskich. [W:] Biuletyn Polskiego Towarzystwa Językoznawczego LVIII, Warszawa Korpus_IPI_PAN: Korpus_PWN: Looking Up: An Account of the COBUILD Project in Lexical Computing. Red. J. Sinclair, HarperCollins Publishers Limited: London – Glasgow Narodowy Korpus Języka Polskiego: Przepiórkowski, A.: Korpus IPI PAN. Wersja wstępna. IPI PAN: Warszawa Rudolf, M.: Metody automatycznej analizy korpusu tekstów polskich. Uniwersytet Warszawski – Wydział Polonistyki: Warszawa Literatura

5 Saloni, Z., Woliński, M., Wołosz, R., Gruszczyński, W., Skowrońska, D.: Słownik gramatyczny języka polskiego, wyd. II, Wiedza Powszechna: Warszawa SFPW (1990): I. Kurcz, A. Lewicki, J. Sambor, K. Szafran, J. Woronczak, Słownik frekwencyjny polszczyzny współczesnej. Red. Zygmunt Saloni. Kraków: Polska Akademia Nauk – Instytut Języka Polskiego. Świdziński, M.: Gramatyka formalna języka polskiego. WUW: Warszawa 1992 (dostępna w wersji elektronicznej). Świdziński, M.: Lingwistyka korpusowa w Polsce – źródła, stan, perspektywy. [W:] LingVaria, nr 1. Kraków Świdziński, M., Rudolf, M.: Narzędzia informatyczne obsługi wielkich korpusów tekstów: wyszukiwarka Holmes. [W:] Biuletyn Polskiego Towarzystwa Językoznawczego LXII, Warszawa Woliński, M.: Komputerowa weryfikacja gramatyki Świdzińskiego. Niepublikowana rozprawa doktorska. IPI PAN: Warszawa Literatura

6 [językoznawstwo XXI stulecia] to [...] lingwistyka korpusowa. Rozwija się ona już od jakiegoś czasu; wynikła w sposób naturalny z dość szczęśliwego splotu różnorodnych okoliczności; zdominowała inne nurty i odmiany językoznawstwa nieodwracalnie. Nie można być dziś językoznawcą i nie otrzeć się o nią choćby jako użytkownik narzędzi. A skoro tak, to warto wejść w ten świat z wyboru, zadań bowiem jest moc i będzie ich coraz więcej. W świecie jest na tę najnowszą lingwistykę, nie na dowolną, mnóstwo pieniędzy – i zajmują się nią całe rzesze; to dowodzi, że coś jest na rzeczy, że czemuś to służy... [Świdziński, M.: Lingwistyka korpusowa w Polsce – źródła, stan, perspektywy. [W:] LingVaria, nr 1. Kraków ] 6 Przedmiot

7 Co to jest: przetwarzanie tekstu (NLP), korpus reprezentatywny / zrównoważony / oportunistyczny, Korpus IPIPAN / Korpus PWN / NKJP, homonimia / synkretyzm, homonimia strukturalna, tekst znakowany, tagowanie / POS-tagging / tagset, analizator morfologiczny, lematyzacja / dehomonimizacja / desynkretyzacja, rozwiązywanie homonimii słabe / mocne / jakościowe / ilościowe, wyszukiwarka / search engine / Poliqarp, gramatyka formalna, drzewo składników / drzewo zależności, parser 7 Hasła

8 1. Lingwistyka korpusowa. Korpus jako źródło informacji lingwistycznej. 2. Homonimia jako problem teoretyczny i praktyczny. 3. Słownik gramatyczny języka polskiego. 4. Narzędzia NLP. Automatyczne analizatory morfologiczne: a. wyszukiwarka Korpusu PWN, b. (Sherlock-)Holmes, c. Poliqarp. 5. Collins COBUILD i Looking up. 6. Słownik frekwencyjny polszczyzny współczesnej. 7. Gramatyki formalne. GFJP. Analizatory składniowe: Świgra. Dendrarium. Baza danych wypowiedników polskich. 8 Tematy

9 8. Opis strukturalny tekstu języka obcego. Polski Język Migowy i techniki analizy tekstu wizualno-przestrzennego. 9. Zadania praktyczne: (a) referowanie prac własnych i cudzych, (b) trening kwerend korpusowych, (c) fakty dystrybucyjne i ich zapis gramatyczny i słownikowy, (d) przygotowywanie i ocena prezentacji, (e) analiza krytyczna naukowego tekstu lingwistycznego. 9 Tematy

10 Po ukończeniu przedmiotu student: potrafi traktować tekst języka rodzimego tak, jakby to był tekst języka obcego; zna dwa główne postulaty metodologiczne empirysty: jawność i wyczerpującość; potrafi analizować tekst języka obcego; potrafi interpretować zdyscyplinowane (także formalne) opisy języków naturalnych; potrafi korzystać z narzędzi komputerowych obsługi korpusów tekstowych; potrafi rozwiązywać lingwistyczne zadania badawcze z wykorzystaniem danych korpusowych; potrafi zaprojektować i przedstawić prezentację. 10 Skutki

11 11 Morfeusz

12 12 SGJP

13 13 Wyszukiwarka Korpusu PWN

14 14 Holmes

15 15 Poliqarp

16 fno(mian, nij/poj, 3, Neg, I, pyt, licz, Tak, Sub, Pk) --> s(no#), fpt(mian, R/L, St, Neg1, I1, Pnw1, Kl1, Tak1, po, Pk1), { oblink(I, I1, I2), oblink(I, I2, I3), oblnegf(Neg, Neg1, Neg2) }, flicz(mian, R/L, O, Neg2, I2, Pnw2, nuzg, Tak2, na, Pk2), fno(dop, R/L, O, Neg3, I3, Pnw3, Kl3, Tak3, po, Pk), { rozne(R, mos), rowne(pyt, Pnw1.Pnw2), rowne(Pnw1, npyt.pyt), rowne(Pnw2, npyt.pyt), rowne(Pnw3, npyt.pyt), obltak(Tak, Tak1, Tak2), rozne(Kl3, licz), obltak(Tak, Tak2, Tak3) }. GFJP

17 17 Świgra

18 18 Dendrarium

19 19 Drzewka…

20 20 Drzewka…

21 1.Lingwistyka I połowy XX wieku – strukturalizm (F. de Saussure, J.N. Baudouin de Courtenay, M. Kruszewski, O. Jespersen, N. Trubeckoj, L. Hjelmslev, L. Tesniére, J. Kuryłowicz, L. Bloomfield, Z. S. Harris): opis struktury, nie genezy. Język naturalny: dwuklasowy system semiotyczny służący danej populacji do komunikacji uniwersalnej. 2.Lingwistyka formalna: opisy typu matematycznego – twierdzenia, dowody, rachunki. Opis na papierze!!! Wynik: definicja drzew struktury. Język naturalny: zbiór wszystkich wyrażeń poprawnych i tylko takich. Generatywizm: N. Chomsky, Syntactic Structures (1957). Inne formalizmy: GPSG, HPSG, DCG, wiele innych. 21 Szkic historii lingwistyki

22 3.Lingwistyka informatyczna: zadania inżynierskie – budowa korpusu, automatyczna analiza tekstu, przetwarzanie tekstów, przeszukiwanie itp. Opis jest urządzeniem – na przykład programem komputerowym. Wynik: określony podzbiór korpusu, lista składników spełniających zadane warunki, rzeczywiste drzewa struktury dla danego wyrażenia (parsing trees). Pojęcie implementacji opisu (formalnego). Lingwistyka korpusowa. 22 Szkic historii lingwistyki

23 korpus m IV, D. -u, Ms. ~sie; lm M. -y 1. «ciało człowieka lub zwierzęcia prócz kończyn i głowy; tułów» 2. => garmond 3. archit. «główna część budowli; w architekturze pałacowej: część centralna budynku o charakterze reprezentacyjnym; w architekturze sakralnej: część nawowa kościoła» 4. techn. «główna, tworząca całość, część jakiegoś urządzenia, maszyny, przyrządu itp.; kadłub» Korpus obrabiarki, okrętu. 5. wojsk. «duża jednostka taktyczna składająca się z kilku dywizji lub brygad; wchodzi w skład armii lub może działać samodzielnie» Korpus zmechanizowany. Korpus piechoty, kawalerii. FR. Korpus oficerów, korpus oficerski «ogół oficerów wchodzących w skład dowództwa wojskowego» FR.Korpus kadetów «szkoła wojskowa, początkowo szkoła oficerska, później średnia szkoła ogólnokształcąca, przygotowująca kandydatów do szkół oficerskich; w Polsce istniała do roku 1956» 23 Korpusy

24 FR. polit. Korpus dyplomatyczny «ogół przedstawicieli państw obcych akredytowanych przy rządzie danego kraju; personel dyplomatyczny oraz wszyscy członkowie obcych misji dyplomatycznych korzystających z przywilejów i immunitetów» FR. Korpus konsularny «ogół konsulów w określonym państwie lub miejscowości; szefowie placówek konsularnych oraz członkowie personelu konsularnego korzystający z przywilejów i immunitetów» (wg KSJP) 24 Korpusy

25 korpus [...] 6 Korpus tekstów to zbiór książek, czasopism, artykułów itp. przeznaczony do jakichś prac lub badań. Termin specjalistyczny. …komputerowy korpus języka polskiego. (wg ISJP) 25 Korpusy

26 Korpus to dowolny zbiór tekstów. Korpus to dowolny zbiór tekstów, w którym czegoś szukamy. Korpus to dowolny zbiór tekstów będący podstawą badań (np. naukowych). Korpus narodowy??? 26 Korpusy

27 Klasyfikacje: Rozmiar: wielki – średni – mały Waga: zasadniczy – pomocniczy Cel: podstawowy – przykładowy (sample) Zakres: ogólny – szczegółowy Status: naukowy (kulturowy) – komercyjny Korpusy 27

28 LOB CorpusLancaster – Oslo/Bergen Geoffrey Leech, Stig Johansson BNC Oxford, Lancaster, Longman PELCRAPolish and English Language Corpora for Research and Applications COBUILD Korpus PWN IPI PAN Korpusy 28

29 Inne języki Český Narodní Korpus Korpus niemiecki Berlińskiej Akademii Nauk (DWDS) Korpusy IDS (Institut für Deutsche Sprache) Национальый Корпус Русского Языка korpusy francuskie korpusy hiszpańskie korpusy portugalskie Korpusy 29

30 LOB The Lancaster/Oslo-Bergen Corpus Approximately 1,000,000 words of British written English dating from The corpus is made up of 15 different genre categories. Available as orthographic text, and tagged with the CLAWS1 part-of-speech tagging system. The Leeds- Lancaster Treebank and Lancaster Parsed Corpus are analyzed subsamples of the LOB corpus. For further information see the corpus manual (1978) and the tagged corpus manual (1986). (There is a local on-line copy of the tagged corpus manual at Lancaster.)corpus manual (1978)tagged corpus manual (1986)local on-line copy 30 Korpusy

31 BNC (British National Corpus) 31 Korpusy

32 PELCRA 32 Korpusy

33 –33 London and Glasgow 1987 Korpusy

34 –34 Korpusy

35 –35 Korpusy

36 Korpus PWN Wydawnictwo Naukowe PWN przygotowało i udostępniło sieciową wersję Korpusu Języka Polskiego PWN wielkości 40 milionów słów. Korpus składa się z fragmentów 386 różnych książek, 977 numerów 185 różnych gazet i czasopism, 84 nagranych rozmów, 207 stron internetowych oraz kilkuset ulotek reklamowych. Pełna wersja sieciowa korpusu jest dostępna odpłatnie (40 mln), a bezpłatnie wersja demonstracyjna wielkości ponad 7,5 miliona słów. 36 Korpusy

37 37 Korpusy

38 IPI PAN 2. wydanie Korpusu IPI PAN (marzec 2006) 2.all.250.bin.tar.bz2 pełny Korpus IPI PAN, czyli ponad 250 mln. segmentów. 2.all.250.bin.tar.bz2 2.sample.30.bin.tar.bz2 próbka Korpusu IPI PAN dostępna na stronie ponad 30 mln. segmentów. Niniejsza wersja sample jest korpusem różnorodnym o następującym składzie: 2.sample.30.bin.tar.bz2http://korpus.pl/ proza współczesna: ponad 10% proza dawna: prawie 10% teksty książkowe niebeletrystyczne (głównie naukowe): 10% prasa: 50% stenogramy sejmowe i senackie (w tym z komisji śledczej): 15% ustawy: 5% 38 Korpusy

39 39 Korpusy

40 NKJP […]Swoje korpusy narodowe mają już Brytyjczycy, Niemcy, Czesi i Rosjanie. Także Polakom potrzebny jest wielki, zrównoważony gatunkowo i tematycznie, korpus językowy – internetowy skarbiec polszczyzny.BrytyjczycyNiemcyCzesi Rosjanie Narodowy Korpus Języka Polskiego jest wspólną inicjatywą Instytutu Podstaw Informatyki PAN (koordynator), Instytutu Języka Polskiego PAN, Wydawnictwa Naukowego PWN oraz Zakładu Językoznawstwa Komputerowego i Korpusowego Uniwersytetu Łódzkiego, zrealizowaną jako projekt badawczy rozwojowy Ministerstwa Nauki i Szkolnictwa Wyższego.Instytutu Podstaw Informatyki PANInstytutu Języka Polskiego PANWydawnictwa Naukowego PWNUniwersytetu ŁódzkiegoMinisterstwa Nauki i Szkolnictwa Wyższego Te cztery instytucje wspólnie zbudowały korpus referencyjny polszczyzny wielkości ponad półtora miliarda słów. Wyszukiwarki korpusowe (menu po prawej stronie) pozwalają przeszukiwać zasoby NKJP zaawansowanymi narzędziami uwzględniającymi odmianę polskich wyrazów, a nawet analizującymi budowę polskich zdań. […] 40 Korpusy

41 41 Korpusy

42 Korpus PWN: przeglądarkahttp://korpus.pwn.pl/ Korpus PWN: (Sherlock) Holmes Morfeusz Korpus IPIPAN: Poliqarphttp://korpus.pl/ Świgrahttp://nlp.ipipan.waw.pl/~wolinski/swigra/ Komputerowy słownik języka polskiego Słownik gramatyczny języka polskiego 42 Narzędzia i produkty

43 Lingwistyka XXI wieku – korpusowa. Korpus – zbiór tekstów wymagających narzędzi obsługi. Polszczyzna – dobrze opisana gramatycznie. Istnieją narzędzia do pracy z korpusem tekstów polskich. Istnieją narzędzia analizy morfologicznej i składniowej. Współczesny leksykograf musi być lingwistą korpusowym. 43 Podsumowanie


Pobierz ppt "ZDYSCYPLINOWANY OPIS JĘZYKÓW NATURALNYCH I KORPUSY TEKSTÓW Proseminarium doktoranckie 2013/2014, semestr letni Prof. dr hab. Marek Świdziński Zakład Językoznawstwa."

Podobne prezentacje


Reklamy Google