st. 10.50-12.25 G13



ÒTokenizace, automatická anotace, d[ei]sambiguace
ÒAnotace velkých synchronních korpusů ČNK
ÒAnotace mluvených korpusů
ÒAnotace KSK
ÒPražský a brněnský systém anotací
ÒSpecifika anotací SYN2005
ÒCo se skrývá za označením slovní druh X.*
Ò

ÒTokenizace – rozdělení textu na jednotky, s nimiž se dále pracuje při strojovém zpracování PJ.
ÒAutomatická anotace – automatická morfologická analýza – slovník (word/lemma/tag) – je obecně
víceznačná.
Ò

Ògrafické slovo
Òslova se spojovníkem
Òspřežky
Òzkratky

ÒZdraví je velký dar.
Ò
Ò
Ò

Òzdraví/zdraví/NNNS1.*
Òzdraví/zdraví/NNNS2.*
Òzdraví/zdraví/NNNS3.*
Òzdraví/zdraví/NNNS4.*
Òzdraví/zdraví/NNNS5.*
Òzdraví/zdraví/NNNS6.*
Òzdraví/zdraví/NNNP1.*
Òzdraví/zdraví/NNNP2.*
Òzdraví/zdraví/NNNP3.*
Òzdraví/zdraví/NNNP4.*
Òzdraví/zdraví/NNNP5.*

Òzdraví/zdravý/AAMP1.*
Òzdraví/zdravý/AAMP5.*
Òzdraví/zdravit/VB-S---3P.*
Òzdraví/zdravit/VB-P---3P.*
Òzdraví/zdravět/VB-S---3P.*
Ò
Ò
Ò

Òje/být/VB-S---3P.*
Òje/on/PPXP4—3.*
Òje/on/PPNS4—3.*

Òvelký/velký/AAIS1.*
Òvelký/velký/AAIS4.*
Òvelký/velký/AAIS5.*
Òvelký/velký/AAMS1.*
Òvelký/velký/AAMS5.*
Ò
Ò
Ò

Òdar/dar/NNIS1.*
Òdar/dar/NNIS4.*
Òdar/dar/NNIS5.*
Ò

ÒZjednoznačnění – volba kontextově správné varianty.
Òstochastické metody
Òpravidlové metody
Òhybridní metody

Òzdraví/zdraví/NNNS1.*
Òje/být/VB-S---3P.*
Òvelký/velký/AAIS1.*
Òdar/dar/NNIS1.*

ÒTzv. pražský systém založený na morfologické analýze (slovníku) J. Hajiče
ÒStochastické metody disambiguace
ÒPravidlové metody disambiguace
ÒGuessery/hadače

ÒKaždá značka je řetězcem 16 znaků (16. pozice chybí pouze v korpusech SYN2000 a ORWELL).
ÒZnačka je konstruována tak, aby každá pozice odpovídala jedné morfologické kategorii podle
víceméně tradičního lingvistického pojetí.
ÒKaždé hodnotě v dané kategorii odpovídá jeden znak, převážně písmeno velké abecedy (např. 'P' pro
plurál, neboli množné číslo), výjimečně i jiný znak (např. 'f' pro infinitiv, nebo ',' pro
podřadicí spojky).
ÒHodnota, která nedává smysl (např. pád u sloves), je reprezentována znakem '-' (pomlčka).
Ò

ÒRuční
ÒNení široce přístupná


ÒUpravená verze morfologického slovníku (Osolsobě 1996) a morfologického analyzátoru ajka (Sedláček
2004).
ÒRuční disambiguace.

ÒProjekt nové národní morfologie



ÒTestování guesserů



ÒSlova, kterým nelze na základě morfologického slovníku přiřadit žádnou interpretaci.
ÒMéně obvyklá slova.
ÒMéně obvyklé tvary.
ÒPřeklepy.
Ò
Ò

ÒJelínek, T.: Nové značkování v Českém národním korpusu. Naše řeč 91, 2008, s. 13–20.
ÒJelínek, T., Petkevič, V.:  Systém jazykového značkování korpusů současné psané češtiny. In
Petkevič, V. – Rosen, A. (eds.) 3. Gramatika a značkování korpusů, Praha : Nakladatelství Lidové
noviny/Ústav Českého národního korpusu, 2011, s. 154–170.

ÒOsolsobě, K.: Popis gramatických významů (hodnot) jednoduchých slovesných tvarů  v anotacích
českých (slovenských) korpusů. SPFFBU A 55, Brno : FF MU, 2007, s. 201–218.
ÒPetkevič, V.: Reliable Morphological Desambiguation of Czech: Rule-Based Approach is Necessary.
In: Šimková, M. (ed.), Insight into the Slovak and Czech Corpus Linguistics, Bratislava : Veda,
2006, s. 26–44.
Ò

ÒPetkevič, V.: Využití vidu ke zkvalitnění automatického značkování češtiny. In Bičan, A. – Klaška,
J. – Macurová, P. – Zmrzlíková, J. (eds.), Karlík a továrna na lingvistiku. Prof. Petru Karlíkovi
k životnímu jubileu, Host : Brno, 2010,s. 368–387.
Ò