Pobieranie prezentacji. Proszę czekać

Pobieranie prezentacji. Proszę czekać

WARSZTAT INFORMATYCZNY HUMANISTY: NARZĘDZIA PRACY Z KORPUSEM TEKSTÓW 3003-WIH-OG 2010/2011 Prof. dr hab. Marek Świdziński Zakład Językoznawstwa Komputerowego.

Podobne prezentacje


Prezentacja na temat: "WARSZTAT INFORMATYCZNY HUMANISTY: NARZĘDZIA PRACY Z KORPUSEM TEKSTÓW 3003-WIH-OG 2010/2011 Prof. dr hab. Marek Świdziński Zakład Językoznawstwa Komputerowego."— Zapis prezentacji:

1 WARSZTAT INFORMATYCZNY HUMANISTY: NARZĘDZIA PRACY Z KORPUSEM TEKSTÓW 3003-WIH-OG 2010/2011 Prof. dr hab. Marek Świdziński Zakład Językoznawstwa Komputerowego Instytut Języka Polskiego UW pon , pok. 1 Konsultacje: pon , pok. 1 Strona internetowa:

2 Wprowadzenie do językoznawstwa korpusowego. Korpus jako źródło informacji lingwistycznej. Typy korpusów. Dostępne korpusy polskie. Homonimia jako problem praktyczny. Analizatory morfologiczne. Pojęcie znakowania. Koncepcje zbioru znaczników. Morfeusz. AMOR. Narzędzia obsługi korpusów. Wyszukiwarka Korpusu PWN. Holmes i korpus PWN. Poliqarp i Korpus IPI PAN. Narzędzia interpretacji składniowej. Gramatyka formalna języka polskiego i Świgra. Spejd – narzędzie przetwarzania powierzchniowego. Zadania praktyczne. Warsztat współczesnego leksykografa. 2 Tematy

3 Spotkanie 7 Poliqarp.

4 Znakowanie – tagging Narzędzie do znakowania – tager Znakowanie: przypisywanie jednostkom tekstowym jakichś kodów (tagów): 1. lokalizacja 2. PoS 3. morfologia 4. składnia 5. semantyka 6. pragmatyka Muszą istnieć dobre podstawy gramatyczne!!! Znakowanie 4

5 Adam Przepiórkowski Korpus IPI PAN - wersja wstępna INSTYTUT PODSTAW INFORMATYKI PAN Warszawa 2004 Korpus IPI PAN 5

6 Grant KBN numer 7 T11C Instytut Podstaw Informatyki PAN (IPI PAN) – Książka dostępna jako pdf: corpus/ Korpus IPI PAN 6

7 Korpus IPI PAN – jeden z dwóch publicznie dostępnych korpusów języka polskiego: [Korpus SFPW ( ) – 500 tys. słów] Korpus PWN (wersja sieciowa) – 40 mln segmentów (7,5 mln) Korpus IPI PAN (2004) – 100 mln segmentów, znakowany morfosyntaktycznie, dostępny on-line: Korpus IPI PAN 7

8 1. Konwersja tekstów wejściowych do formatu XML. 2. Podział tekstu na wypowiedzenia. 3. Przejście do postaci binarnej. 4. Segmentacja. 5. Znakowanie. Przetwarzanie korpusu 8

9 Zbiór znaczników: Marcin Woliński, Zygmunt Saloni, Adam Przepiórkowski Marcin Woliński: System znaczników morfosyntaktycznych w korpusie IPI PAN, Polonica XII (2004), Podstawy teoretyczne 9

10 Leksem: zbiór form wyrazowych o tym samym (lub regularnie zróżnicowanym) znaczeniu oraz mających podobną postać morfologiczną. Fleksem (termin Janusza S. Bienia): zbiór form wyrazowych o tym samym (lub regularnie zróżnicowanym) znaczeniu, mających podobną postać morfologiczną oraz mających te same kategorie gramatyczne. Znacznik: ciąg wartości kategorii fleksyjnych przypisanych segmentowi. Podstawy teoretyczne 10

11 Segment: zwykle słowo. Segmenty muszą być ciągłe i rozłączne. Bo ja się naprawdę boję głośno roześmiać. Dawnom nie śpiewała i nie tańczyła. Kiedyś by/m tam zaśpiewał i zatańczył. Podstawy teoretyczne 11

12 Segmenty krótsze niż słowo: długośmy napisałaby/m chodźże doń polsko/-/niemiecki itp./. Podstawy teoretyczne 12

13 Saloni, Świdziński: przypadek poprzyimkowość pozycja deprecjatywność liczba rodzaj osoba czas tryb stopień Kategorie gramatyczne 13

14 IPI PAN Kategorie gramatyczne 14

15 Kategorie gramatyczne 15

16 Kategorie gramatyczne 16

17 Kategorie gramatyczne 17

18 Klasyfikacja gramatyczna leksemów polskich Zygmunta Saloniego (1974) Mamy leksem LX. Pytamy kolejno: (1) czy jest odmienny; (2) czy odmienia się przez przypadek; (3) czy odmienia się przez osobę; (4) czy odmienia się przez rodzaj; (5) czy odmienia się przez liczbę; (6) czy jest samodzielny składniowo; (7) czy pełni funkcję łączącą; (8) czy ma rząd. PoS 18

19 19 PoS 19

20 RZECZowniki PRZYMiotniki LICZebniki CZASowniki CZAS NIEWL czasowniki niewłaściwe PART-PRZYS partykuło-przysłówki SPOJ spójniki PRZYIMki WYKrzykniki PoS 20

21 Klasy gramatyczne (fleksyjne) 21

22 Klasy gramatyczne (fleksyjne) 22

23 Klasy gramatyczne (fleksyjne) 23

24 Formy podstawowe 24

25 Formy podstawowe 25

26 Formy podstawowe 26

27 Poliqarp: POLyinterpretation Indexing Query and Retrieval Processor Autorzy: Zygmunt Krynicki i Daniel Janus Teoretycznie niezależny od języka / korpusu / zbioru znaczników! 3 wersje: (a) graficzna (Windows – wersje po 2000, GNU/Linux, (b) tekstowa (GNU/Linux), (c) internetowa. Poliqarp 27

28 Podstawa: Marcin Woliński, Morfeusz SIAT (Software Interface Analysis Tool) Dane programu: Jan Tokarski, Schematyczny indeks a tergo polskich form wyrazowych (red. Zygmunt Saloni) Zygmunt Saloni, Czasownik polski, Wiedza Powszechna: Warszawa Słownik Języka Polskiego PAN, red. Witold Doroszewski, Warszawa Poliqarp 28

29 Zapytania o segmenty: małej mam pieniądze marek/i Kasztowość Wyrażenia regularne, dom|domy chłop[iy] chłop.?.*pisać Poliqarp 29

30 Zapytania o formy podstawowe: [base=panować] [base=dobry|mały] [base=.*pisa.*] [orth=semaforu|semafora] Poliqarp 30

31 Zapytania wyższego rzędu: [orth=tonie & base=tonąć] [orth=mam & base!=mieć] [base=się] [base=spóźniać] [base=bać] [ ] się [base=bać] [pos!=aglt] [orth=się] [orth=się] [ ] {2, 4} [base=spóźniać] "," [ ] [pos=conj] Poliqarp 31

32 Kwerendy: Przyimki złożone. JECHAĆ, POJECHAĆ, WYJECHAĆ, ODJECHAĆ PRZEJECHAĆ – wprowadzane przyimki. Spójniki z aglutynantem. Aglutynant doczepiony wewnątrz zdania. Czasowniki wymagające zdania JAKOBY. Poliqarp 32

33 Zapytania o znaczniki morfosyntaktyczne: [pos=siebie] [orth=mam & base!=mieć] [orth=mam & !base=mieć] [base=się] [base=spóźniać] [orth=się] [ ] {2, 4} [base=spóźniać] Poliqarp 33

34 Poliqarp 34

35 Poliqarp 35

36 Poliqarp 36


Pobierz ppt "WARSZTAT INFORMATYCZNY HUMANISTY: NARZĘDZIA PRACY Z KORPUSEM TEKSTÓW 3003-WIH-OG 2010/2011 Prof. dr hab. Marek Świdziński Zakład Językoznawstwa Komputerowego."

Podobne prezentacje


Reklamy Google