Nová příručka o tvoření slov:
Slovník afixů užívaných v češtině
(automatická morfologická analýza: prostředek a past při práci s korpusovými daty)
Klára Osolsobě
FF MU
osolsobe@phil.muni.cz
18.9.2018
1

Šimandl , J. (ed.). Slovník afixů užívaných v češtině, Praha : Karolinum. 2016.
18.9.2018
2

http://www.ujc.cas.cz/eletronicke-slovniky-a-zdroje/Slovnik-afixu-html
18.9.2018
3

Co v něm lze najít?
´Česká utvořená slovní zásoba
´
´Slovní zásoba se zřetelnou morfologickou stavbou
18.9.2018
4

Sufix -ouš
18.9.2018
5

Stavební prvek -hypno
18.9.2018
6

Frekvenční zpráva
´Korpus SYN2010
´Korpus SYN (v3)
´Automatická morfologická analýza jako: prostředek a past při práci s korpusovými daty
18.9.2018
7

Obsah
´Tokenizace
´Nejednoznačná automatická analýza (lemma+tag): slovník
´Desambiguace
´Závěr
18.9.2018
8

Hesla
´na- -o (http://www.slovnikafixu.cz/heslar/na-%20-o)  VV
´za- se (http://www.slovnikafixu.cz/heslar/za-%20se)  KO
´-oš (http://www.slovnikafixu.cz/heslar/-o%C5%A1)  KO
´-cí (http://www.slovnikafixu.cz/heslar/-c%C3%AD) KO, JŠ
´-í (http://www.slovnikafixu.cz/heslar/-%C3%AD)  KO
´sou- -í (http://www.slovnikafixu.cz/heslar/sou-%20-%C3%AD) KO
18.9.2018
9

Tokenizace
´První krok automatické morfologické analýzy = rozdělení textu na jednotky, s nimiž pracují další
kroky. Token odpovídá přibližně tomu, co klasická lingvistika nazývá grafické / textové slovo.
´V rámci NLP se problémy takto pojaté tokenizace řeší v rámci zpracování tzv. MWE (Multiword
Expression).
18.9.2018
10

18.9.2018
11
´Příslušná adverbia obvykle charakterizuje dvojí způsob psaní, srov.: načerno / na černo, nahrubo /
na hrubo, naměkko / na měkko. První způsob zápisu je nutno považovat za základní. Do statistické
části hesla jsou zahrnuty pouze varianty psané dohromady. ´Výsledky frekvenční zprávy ukazují pouze
frekvenci jedné z variant grafického úzu (navíc jde pouze o varianty zachycené ve slovníku
automatického analyzátoru, viz níže).
´
´

18.9.2018
12


Nejednoznačná automatická morfologická analýza (lemma+tag na základě porovnání se slovníkem)
´Výsledky lemmatizace jsou závislé na rozsahu a obsahu použitého
slovníku                                                                     (HAJIČ, J., HLAVÁČOVÁ,
J. (2013). MorfFlex CZ, LINDAT/CLARIN digital library at Institute of Formal and Applied
Linguistics, Charles University in Prague, http://hdl.handle.net/11858/00-097C-0000-0015-A780-9.)
´Přestože je slovník rozsáhlý a stále se doplňuje, je počet hapaxových výrazů v textech stabilní
veličina. Údaje o produktivitě mohou být selektivní (závislé na slovníku).
18.9.2018
13
.

´Zopakujeme-li u hesla na- -o dotaz s vynecháním morfologické značky (D.*), nalezneme další
relevantní doklady. ´Slova s malou frekvencí odpovídají modelu tvoření.
´Obraz produktivity lze tudíž napadnout.
´
18.9.2018
14

Neúplný slovník: -oš
Mil-oš, Jug-oš × Káj-oš, Tal-oš
18.9.2018
15
´Slovník automatického analyzátoru budovaný primárně pro analýzu psaného spisovného jazyka
zachycuje expresivní slovní zásobu včetně proprií velmi selektivně. ´Dotaz [lemma=".*oš" &
tag="NN[MI].*"] dává 125 lemmat, z toho 69 relevantních. Dotaz
[lemma="(.*oš)|(.*oš[eiů])|(.*oších)|(.*ošům) & tag="X.*"] dává 282 tvarů, z toho 36 relevantních
lemmat.
´
´

Desambiguace
´Výsledky desambiguace (výběru interpretace ze všech nabízených automatickou morfologickou
analýzou) jsou závislé na použité metodě desambiguace. ´Problém homonymie (transpozice, polyfunkční
afixy, náhodné shody při formálním zadání dotazu) je řešen selektivně.
18.9.2018
16

Desambiguace: -cí
vedou-cí
´vedoucí (↖1/2/3) 8.348
´ adjektivum vyjadřující (1) aktuální vlastnost plynoucí z děje (např. cesta vedoucí lesem =
‚cesta, která vede lesem‘), může se (2) dezaktualizovat (vedoucí složky armády = ‚vedení armády‘) a
(3) substantivizovat (vedoucí skupinky = ‚vůdce skupinky‘).
´(1) a (2) automatická morfologická analýza nerozlišuje.
´(3) je sice zachycen, nicméně výsledky desambiguace jsou velmi nespolehlivé.
18.9.2018
17

Chyby v desambiguaci: cestují-cí
18.9.2018
18

´Náhodné shody řetězců
´„Řetězec sou- -í mají i substantiva, která nejsou tvořena příslušným cirkumfixem. Jsou to a)
dějová jména od sloves s prefixem/počátečním řetězcem sou, např. soustředění, soužití, soutěžení;
b) deriváty jmen na -ství/-ctví s počátečním řetězcem/prefixem sou-, např. sousedství,
souručenství; c) substantivum soukromí, utvořené od adjektiva/adverbia. V korpusu SYN2010 je jich
celkem 28.“
18.9.2018
19

Závěr
´S limity automatické analýzy počítáme a snažili jsme se na ně upozorňovat uživatele v takovém
rozsahu, aby nebyl uveden v omyl. ´Veškeré údaje (pokud není uveden opak) odkazující na korpus jsou
vzaty z referenčního korpusu (SYN2010) a způsob jejich zjištění je dostatečně popsán. Každý
uživatel slovníku má tudíž možnost uvedený postup zopakovat i s použitím jiných dat (jiných
korpusů) (požadavek empirické testovatelnosti výsledků). ´Bez využití výsledků automatické
morfologické analýzy by vznik slovníku (psaní hesel) byl a) nesrovnatelně časově náročnější, b)
podstatně nákladnější a ve svém výsledku c) méně objektivní.
18.9.2018
20

DĚKUJI VÁM ZA POZORNOST!
18.9.2018
21