Gramatické závislosti vs. koordinace z pohledu redukcˇní analýzy

Abstract

Abstrakt: Tento prˇíspeˇvek se veˇnuje identifikaci zajímavých konstrukcí v syntakticky anotovaném korpusu (Pražském závislostním korpusu, PDT) metodou automatické redukcˇní analýzy. Rozširˇujeme zkoumané konstrukce zejména o koordinacˇní a apozicˇní vztahy, které mají zrˇetelneˇ ne-závislostní charakter a vedou tedy k zobecneˇní používané redukcˇní metody. Prˇinášíme klasifikaci zkoumaných konstrukcí a soustrˇed'ujeme se na popis a analýzu jednotlivých jazykových jev ˚u, které prˇi zpracování p ˚usobí problémy. Tato studie je motivací pro formální modelování metod zpracování prˇirozeného jazyka. Jedním ze dvou základních a obecneˇ uznávaných zp ˚usob ˚u reprezentace syntaktických vztah ˚u ve veˇtách prˇirozeného jazyka je závislostní strom. Tento zp ˚usob reprezentace má v cˇeské lingvistice dlouhou tradici (na rozdíl od druhého rozšírˇeného typu stromu - složkového). Prˇestože vztah závislosti (neboli vztah mezi rˇídícím a závislým veˇtným cˇlenem, jako je naprˇ. prˇísudek a jeho prˇedmeˇt cˇi podstatné jméno a jeho prˇívlastek) je velmi d ˚uležitý, doplnˇ ují jej i dva další základní syntaktické vztahy, jmenoviteˇ slovosled (tj. lineární porˇadí slov ve veˇteˇ) a ,zmnožení' dvou nebo více veˇtných cˇlen ˚u1. Zatímco v prˇedchozích studiích jsme se soustrˇed'ovali na vztahy závislosti a slovosledu [2], v tomto cˇlánku zkoumáme i vztahy koordinacˇní a apozicˇní, veˇnujeme se tedy prˇípad ˚um, kdy je jedna syntaktická pozice ,zmnožena'. Ukázali jsme již, že závislostní relace lze s úspeˇchem definovat pomocí redukcˇní analýzy [3, 4], což jsme oveˇrˇili na veˇtách z Pražského závislostního korpusu (PDT) [5]. Na neˇ jsme aplikovali poloautomatickou proceduru doplneˇnou o následnou rucˇní kontrolu. Této metody se držíme i v tomto cˇlánku. Umožnˇ uje nám verifikovat náš teoretický koncept prostrˇednictvím reálných dat. Smyslem našeho experimentu je jednak získat hlubší vhled do syntaxe prˇirozeného jazyka, jednak prostrˇednictvím automatizovaného postupu identifikovat urcˇitá nestandardní cˇi problematická místa syntaktické anotace dat, se kterými pracujeme. V otázce syntaktických vlastností jazyka náš prˇístup umožnˇ uje oddeˇlit jednotlivé jevy a zkoumat je jak jednotliveˇ, tak i ve vzájemné interakci.

-

V oblasti anotace vycházíme z jednoduchého prˇedpokladu (potvrzeného prˇedchozími experimenty), že pokud urcˇitá konstrukce nejde zpracovat automatickými pravidly redukcˇní analýzy, signalizuje to možnou nekonzistentní nebo nevhodneˇ zvolenou anotaci (naprˇíklad dva odlišné jevy anotované shodnými znacˇkami – v takovém prˇípadeˇ obvykle automatická redukcˇní analýza nedokáže oba prˇípady rozlišit).

V kontextu závislostní lingvistiky byly vztahy mezi závislostí a slovosledem studovány zvlášteˇ v Melcˇukoveˇ teorii Smysl↔Text: jeho prˇístup zameˇrˇující se na urcˇování závislostních vztah ˚u a jejich formální popis je shrnut zejména v práci [ 6 ]. Alternativní formální popis závislostní syntaxe m ˚užeme najít v práci [ 7 ]. Náš prˇístup k danému problému naproti tomu vychází z cˇeské lingvistické tradice reprezentované zejména v knize [ 8 ].

Protože základním nástrojem, který používáme ke studiu výše zmíneˇných jev ˚u, je redukcˇní analýza, musíme ji na tomto místeˇ alesponˇ strucˇneˇ prˇedstavit: zhruba rˇecˇeno, pokud jedno ze slov, která tvorˇí potenciální dvojici ˇrídícího a závislého slova, m ˚uže být z veˇty odstraneˇno, aniž by se zmeˇnily distribucˇní vlastnosti celého páru (tj. jeho schopnost objevovat se ve stejném syntaktickém kontextu), potom je toto slovo považováno za závislé (modifikující druhý cˇlenu páru). Takto m ˚užeme postupovat u tzv. endocentrických konstrukcí, kde lze jedno slovo redukovat, aniž by se zmeˇnil možný syntaktický kontext (naprˇ. malý st ˚ul –> st ˚u;lJdi dom ˚u! –> Jdi)!. Pro exocentrické konstrukce, kde žádné slovo vypustit nelze (jako Petr potkal Marii., kde Petr potkal. má jiné vlastnosti) lze použít analogický princip na úrovni slovních druh ˚u [ 8 ]2.

D ˚uvod pro využívání redukcˇní analýzy je jednoduchý – umožnˇ uje rozdeˇlit proces syntaktické analýzy veˇty do jednotlivých, dobrˇe definovaných a dobrˇe oddeˇlených krok ˚u, a tím zárovenˇ dovoluje zkoumat jednotlivé jevy oddeˇleneˇ. Metoda redukcˇní analýzy byla podrobneˇ popsána v cˇláncích [ 3, 4 ], její formální model založený na restartovacích automatech je prˇedstaven v cˇláncích [ 9, 10, 11 ]. Jedním z cíl ˚u tohotocˇlánku je také poskytnout materiál a motivaci pro další formální modelování metod zpracování prˇirozeného jazyka, viz naprˇ. [ 12 ].

1Tesnière [ 1 ] jednak rozlišuje mezi lineárním a strukturním porˇadím, jednak deˇlí strukturní vztahy na ty, které dnes oznacˇujeme jako závislostní (,connexion‘), a na vztahy koordinacˇní (,junction‘).

2Zhruba rˇecˇeno, protože existují bezprˇedmeˇtná slovesa, budeme objekt (prˇedmeˇt) považovat za závislý na slovese; protože existují bezpodmeˇtná slovesa, považujeme subjekt (podmeˇt) za závislý na slovese. V této kapitole popíšeme základní myšlenku naší metody používané pro analýzu veˇt. Redukcˇní analýza (RA) je založena na postupném zjednodušování analyzované veˇty. Definuje možné posloupnosti redukcí veˇty – každý krok RA spocˇívá v odstraneˇní alesponˇ jednoho slova ze vstupní veˇty (operace ‘delete’); ve specifických prˇípadech je odstranˇování doprovázeno prˇemísteˇním slova na jinou slovoslednou pozici (operace ‘shift’).

Uved’me nyní základní omezení, která uplatnˇujeme na redukcˇní analýzu: (i) prˇirozené omezení nutící zachovávat jednotlivé slovní tvary, jejich morfologické charakteristiky a jejich povrchové závislostní vztahy; (ii) omezení vyžadující zachování správnosti (gramaticky správná veˇta musí z˚ustat správná i po provedeném zjednodušení); (iii) aplikace operace prˇesunutí je omezená na prˇípady, kdy je vynucena principem zachování správnosti RA (ii).

Povšimneˇme si, že porˇadí redukcí odpovídá závislostním vztah˚um mezi jednotlivými veˇtnými cˇleny, a tedy jejich závislostní stromové reprezentaci tak, jak je to popsáno v pracích [ 4, 11 ]. Zhruba rˇecˇeno, prˇi redukcích postupneˇ vypouštíme slova, která jasou reprezentována listy (prˇípadneˇ podstromy) závislostního stromu.

Pokusme se ukázat základní principy RA na prˇíkladu cˇeské veˇty (1).

Prˇíklad:

(1) Petr se bojí o otce.

Ve veˇteˇ (1) lze subjekt Petr považovat za závislý (viz princip analogie), proto ho prˇi RA lze odstranit (v závislostním stromeˇ je reprezentován listem, viz obrázek 1). Ovšem tento krok by vedl k porušení správnosti veˇty, musí tedy být doprovázen zmeˇnou slovosledu Petr se bojí o otce. →delete * se bojí o otce. →shi ft bojí se o otce.. Dále lze vypustit spojení o otce, které je ve stromeˇ znázorneˇno podstromem (výbeˇr rˇídícího uzlu je dán technickými pravidly, viz [ 3 ]). Klitika se je podle principu analogie považována za závislý cˇlen (nebot’ existují slovesa bez klitiky, naprˇ. odpoveˇdeˇt). 3

Data z Pražského závislostního korpusu

Acˇkoliv základní princip redukcˇní analýzy je jednoduchý a rodilým mluvcˇím daného jazyka obvykle necˇiní potíže veˇtu zredukovat až k jejímu rˇídícímu slovesu, automatické modelování tohoto postupu je pomeˇrneˇ obtížné. Tento rozdíl je zp˚usoben tím, žecˇloveˇk prˇi redukcˇní analýze m˚uže využít (a využívá) toho, že veˇteˇ rozumí, umí oddeˇlit méneˇ bojí Petr se o

otce

Obrázek 1: Závislostní strom veˇty (1). podstatné veˇtné cˇleny a postupneˇ dojít až k úplné redukci. Pokusíme-li se o automatickou RA, musíme porozumeˇní neˇjakým zp˚usobem nahradit. Jednou možností je využití syntakticky anotovaných dat, která v sobeˇ urcˇitým zp˚usobem obsahují porozumeˇní, vložené do anotace cˇloveˇkemanotátorem.

V našich experimentech využíváme data z Pražského závislostního korpusu 3.0 (PDT, viz [ 5 ]).3 Syntaktická struktura jednotlivých veˇt z korpusu – zachycená závislostními stromy (vždy práveˇ jeden strom pro každou veˇtu) – poskytuje základní informace nutné pro úspeˇšné provedení automatické RA.

PDT obsahuje velmi podrobnou anotaci témeˇrˇ 49 500 cˇeských veˇt (v experimentech využíváma pouze data s anotací na všech rovinách PDT). Anotace je provedena na více úrovních, z nichž je pro naše úcˇely nejd˚uležiteˇjší úrovenˇ analytická. Ta popisuje (povrchovou) syntaktickou strukturu pomocí tzv. analytických funkcí. V našich experimentech pracujeme pouze s trénovacími daty (43 955 veˇt) a zbylé veˇty (tzv. ‘etest’) ponecháváme stranou jako testovací množinu pro budoucí evaluaci.

Pro reprezentaci veˇtné stavby se v PDT používá korˇenový strom. Vztahy mezi cˇlenem rˇídícím a závislým, vytvárˇejícími veˇtnou dvojici, jsou znázorneˇny jako vztahy mezi dveˇma uzly stromu, kde uzel reprezentující rˇídící cˇlen je rodicˇem a uzel reprezentující závislý cˇlen je potomkem. Jejich spojnice (hrana ve stromeˇ) odpovídá (prototypicky) syntaktickému vztahu závislosti mezi rodicˇovským uzlem a jeho potomkem.

V prˇedchozích experimentech, popsaných v cˇláncích [ 2, 13 ], jsme se zámeˇrneˇ vyhýbali veˇtám, které obsahovaly koordinace a apozice, protože tyto jevy by byly pro pocˇátecˇní fázi výzkumu prˇíliš komplikované. Podstatou koordinace a apozice je ,zmnožování‘ jednotlivých veˇtných cˇlen˚u nebo jednotlivých klauzí. Prˇi koordinaci jde o zrˇeteˇzení více entit (otec a matka), poprˇ. deˇj˚u (prˇišel, videˇl a zvíteˇzil), prˇi apozici jde o neˇkolikeré oznacˇování jedné a téže entity (Karel, král cˇeský), viz [ 14 ].

Protože koordinace ani apozice neprˇedstavují jevy, které by v sobeˇ obsahovaly prˇirozenou závislost, bývají v syntaktických stromech reprezentovány r˚uzným zp˚usobem [ 15 ]. V závislostních stromech používaných v PDT jsou tyto jevy zachyceny tzv. spojovací konstrukcí (viz prˇíklad (2) a strom na obrázku 2). Korˇenem sourˇadných struktur je umeˇlý ,spojovací‘ uzel; z d˚uvod˚ucˇisteˇ technických je jeho lexikální hodnotou lemma sourˇadicí spojky (cˇi lemma výrazu signalizujícího apozici). Vlastní koordinované/apo3http://ufal.mff.cuni.cz/pdt3.0/ nované výrazy jsou spojeny s tímto korˇenem hranami, které mají ne-závislostní charakter. Celá spojovací konstrukce je potom spojena s rˇídícím uzlem celé koordinacˇní struktury další (nezávislostní) hranou.

Prˇíklad:

(2) Cˇ ao býval generálním tajemníkem strany a oficiálním Tengovým následníkem.

Závislostní strom veˇty (2), tak jak je zachycen na analytické rovineˇ PDT, je uveden na obrázku 2. Naprˇíklad hrana mezi uzly býval a Cˇ ao reprezentuje závislostní vztah predikátu a subjektu. Spojovacím výrazem pro koordinaci je zde uzel pro spojku a, koordinovanými cˇleny výrazy tajemníkem a následníkem a rˇídícím uzlem celé konstrukce spona býval.

a-ln94200-123-p12s1 býval Pred Čao Sb tajemníkem Pnom_Co a Coord .

AuxK následníkem Pnom_Co generálním strany oficiálním Tengovým

Atr Atr Atr Atr Obrázek 2: Závislostní strom veˇty (2) podle pravidel PDT (dále již pro jednoduchost neuvádíme technický korˇen stromu (obsahující ID dané veˇty) a koncovou interpunkci). 4

Automatická redukcˇní analýza na datech

PDT Návrh automatické redukcˇní analýzy vyžaduje pecˇlivý návrh redukcˇních pravidel tak, aby byl v každém kroku analýzy zajišteˇn požadavek na zachování správnosti redukovaných veˇt. Postupuje se ,zdola nahoru‘ – postupným redukováním list˚u závislostního stromu z PDT (který nahrazuje porozumeˇní dané veˇteˇ), prˇicˇemž nejprve se vždy redukují uzly bezprostrˇedneˇ sousedící se svým rˇídícím uzlem; následuje redukce uzl˚u spojených s rˇídícím uzlem projektivní hranou.

Prˇitom je zachovávána d˚uležitá podmínka na zachování neprojektivity – nelze redukovat uzel tak, aby z veˇty ,zmizela‘ neprojektivní konstrukce.

4.1 Pravidla pro RA bez koordinace a apozice

V prˇedchozí etapeˇ projektu jsme prˇedstavili soubor pravidel pro automatickou RA [ 13, 2 ] – ukázalo se, že pro veˇty bez koordinacˇní cˇi apozicˇní struktury automatická RA dobrˇe koresponduje s lingvistickou analýzou zachycenou v PDT. Intuitivní RA musela být zjemneˇna tak, aby byly správneˇ zpracovány zejména následující jevy, které prˇesahují cˇisteˇ závislostní vztahy – typicky tam, kde je nutné pro zachování správnosti redukované veˇty brát v úvahu slovosled: klitiky: klitiky (zejm. se/si, by, krátké tvary zájmen (mu, ji apod.)) vyžadují urcˇité postavení ve veˇteˇ, typicky za první prˇízvucˇnou pozicí; toto pravidlo je nutno prˇi RA zohlednit; srovnání: srovnávací konstrukce (typicky uvozené výrazy jako, než, dále coby, jakoby, jakožto) vyžadují zvláštní zpracování, nebot’ jde cˇasto o eliptické konstrukce (Petr má veˇtší auto než Pavel. = Petr má veˇtší auto [než je auto, které má] Pavel.) a jako takové se vyznacˇují složitou analýzou (která je závislá na podkladové lingvistické teorii); neprojektivity: prˇi automatické analýze jsme se omezili na zpracování projektivních konstrukcí, nebot’ neprojektivity odhalují interakci slovosledu a závislostních vztah˚u, která je dále studována, viz zejm. [ 13 ]; prˇedložky, pomocná slovesa apod.: v RA se redukují v jednom kroku vždy celé veˇtné cˇleny (naprˇ. prˇedložka+podstatné jméno v redukci Prˇišli do školy. –> Prˇišli.); protože v PDT každému slovu, vcˇetneˇ teˇchto ,pomocných‘ slov, odpovídá jeden uzel, musí se redukovat neˇkolik uzl˚u stromu najednou; slova prˇekracˇující závislostní vztahy: RA byla obohacena o pravidla pro zpracování zd˚uraznˇujících slov (naprˇ. zejména, také, i apod.) a o technická pravidla pro zpracování interpunkce, grafických symbol˚u (závorky, uvozovky atd.) apod.

4.2 Pravidla pro RA se zpracováním koordinace a apozice

Další krok prˇi zobecnˇování RA spocˇívá v zameˇrˇení se na paradigmaticky odlišné konstrukce, a to konstrukce koordinacˇní (a apozicˇní), které jsou charakterizovány zmnožením prˇíslušné syntaktické pozice.

Pravidla pro automatickou RA obohacenou o zpracování koordinace a apozice:

0. Ve vstupní veˇteˇ jsou zpracovány jevy nevstupující do (dané) koordinacˇní cˇi apozicˇní struktury (vcˇetneˇ spolecˇného rozvití koordinovaných veˇtných cˇlen˚u), které lze zpracovat podle pravidel shrnutých výše.

Tento krok se provádí jako mezikrok po každém úspeˇšném zpracování koordinacˇní cˇi apozicˇní struktury. 1. Prˇi zpracování koordinacˇních a apozicˇních struktur se vždy redukuje spojovací výraz (typicky koordinacˇní spojka cˇi interpunkce) spolu s koordinovanými (cˇi aponovanými) výrazy. zralé meruňky , blumy

také jablka a modré zelená 2. Všechny koordinované (cˇi aponované) cˇleny se redukují v jediném kroku analýzy. Teoreticky nelze omezit pocˇet koordinovaných cˇlen˚u; prˇestože v datech PDT se obvykle koordinuje 2-5 cˇlen˚u, v jednom prˇípadeˇ se koordinuje 57 cˇlen˚u (televizní program syntakticky strukturovaný do veˇty), u apozic jde až o 15 cˇlen˚u. 3. Zd˚uraznˇovací syntaktické cˇástice a všechna pomocná slova, interpunkce, grafické symboly apod. se redukují zárovenˇ v jednom kroku RA (podle drˇíve stanovených pravidel). 4. Koordinace a apozice dovolují zanorˇování. Opeˇt jde teoreticky o neomezený pocˇet zanorˇení, viz [ 16 ]; v datech PDT se vyskytlo 6 úrovní zanorˇení koordinací a apozic (prˇehled sportovních výsledk˚u).

I v této fázi se soustrˇed’ujeme pouze na automatické zpracování projektivních konstrukcí; neprojektivní konstrukce jsou analyzovány rucˇneˇ.

Kroky 1-3 redukcˇní analýzy ilustrujeme na následujícím prˇíkladu (3).

Prˇíklad:

(3) Deˇti cˇesaly zralé merunˇky, modré blumy a také zelená jablka. (Kde prˇídavné jméno zralé je analyzováno jako spolecˇné rozvití slov merunˇky, blumy a jablka, viz obr. 3.) Děti

česaly Obrázek 3: Závislostní strom veˇty (3) (podle pravidel PDT, bez technického korˇene a koncové interpunkce). Krok 0: Redukují se všechna slova, která nevstupují do koordinace (získáme tím ,kostru koordinace‘ se spolecˇným rozvitím: –> cˇesaly zralé merunˇky, blumy a také jablka.

Dále se redukuje spolecˇné rozvití koordinace: –> cˇesaly merunˇky, blumy a také jablka.

Krok 1 a 2: - redukuji se všechny cˇleny koordinace merunˇky, blumy, jablka - redukuje se spojovací uzel, tedy koordinacˇní spojka a Krok 3: Zárovenˇ se v témže kroku RA zpracovávají zd˚uraznˇovací slova a interpunkce: - redukuje se zd˚uraznˇovací také - redukuje se interpunkcˇní cˇárka - redukuje se koncová interpunkcˇní tecˇka –> cˇesaly Manuální analýza automatických redukcí získaných z PDT vedla k dalším zprˇesneˇním pravidel, která se týkala zejména následujících jev˚u.

Další pravidla pro automatickou RA obohacenou o zpracování koordinace a apozice:

5. Zpracovávají se veˇty s koordinacˇní spojkou, kde se však ,koordinuje‘ jediná klauze (cˇi veˇtný cˇlen) a kde tedy koordinacˇní spojka plní funkci odkazu k prˇedcházejícímu kontextu. Naprˇ.

Nemáme proto potíže se získáváním trhu pro své výrobní odpady. –> Nemáme proto potíže (Dále se neredukuje kv˚uli neprojektiviteˇ.) 6. Víceslovné spojky a syntaktické cˇástice vztahující se k celé koordinované klauzi (typicky v PDT zachycované jako potomek spojovacího výrazu) se redukují v jednom kroku se spojovacím výrazem. Naprˇ.: Jsou bud’ nedostupná, nebo nedostaˇcující. –> Jsou (Redukce probíhá v jediném kroku: spojovacím uzlem je podle pravidel PDT koordinacˇní spojka nebo, druhá cˇást spojovacího výrazu bud’ musí být redukována zárovenˇ (pravidlo 6); koordinované cˇleny nedostupná a nedostacˇující se redukují podle kroku 1, interpunkcˇní cˇárka podle kroku 3.) Další pravidla se již se netýkají specificky koordinací: 7. Adekvátneˇji se redukují konstrukce s modálním slovesem (naprˇ. meˇly tvorˇit) a s verbonominálním predikátem (naprˇ. Je ucˇitelem, viz též veˇtu (2)): vnitrˇní struktura teˇchto konstrukcí je zjednodušována až na záveˇr RA. 8. Emocionální a rytmizující cˇástice mi, vám, si, to, ono apod. jsou redukovány kdykoli v pr˚ubeˇhu redukce, i pokud jde o klitiky. 5

Lingvistická analýza zajímavých prˇíklad ˚u

Podívejme se nyní podrobneˇji na jevy, u kterých bud’ (povrchová) redukcˇní analýza nedává uspokojivé výsledky, nebo odhaluje zajímavé syntaktické konstrukce. Pozice klitiky v koordinované klauzi. Podle Encyklopedického slovníku cˇeštiny [ 17 ] je prˇíklonka (klitika) slovo (zpravidla krátké), které nemá vlastní prˇízvuk, tvorˇí prˇízvucˇný celek (takt) se slovem prˇedcházejícím. Klitiky mají v cˇeštineˇ pevné slovosledné postavení (zpravidla) za prvním prˇízvucˇným celkem (první pozicí) ve veˇteˇ (tzv. Wackernagelova pozice). Syntaktický popis první pozice je pomeˇrneˇ komplexní [ 18 ], pro naše úcˇely stacˇí konstatování, že klitika nesmí stát na prvním místeˇ ve veˇteˇ.

Poneˇkud nejasná situace nastává v prˇípadeˇ klitiky ve druhé (a další) koordinované klauzi. Sourˇadicí spojky stojí podle cˇeských gramatik mimo koordinované klauze, proto by po nich meˇl následovat prˇízvucˇný celek a teprve potom pozice pro klitiky. To platí naprˇ. pro neˇkteré spojky slucˇovací (a, i) a odporovací (ale): Cesta sice neˇco stojí, ale zákazníci se o kvaliteˇ produkce prˇesveˇdcˇí na vlastní ocˇi. –> cesta sice stojí, alezákazníci se prˇesveˇdcˇí –> * cesta sice stojí, alese prˇesveˇdcˇí Diskuse by se prˇenesla [...], a zcela by vybocˇila z hranic ekonomie. –> * Diskuse by se prˇenesla [...], a by vybocˇila z hranic ekonomie.

Oproti tomu u rˇady dalších sourˇadicích spojek (naprˇ. slucˇovací/vylucˇovací nebo, prˇícˇinné nebot’, d˚usledkové (a) proto, vysveˇtlovací vždyt’) m˚uže tato spojka sama tvoˇrit první prˇízvucˇný celek, klitika tedy m˚uže (ale nemusí) následovat bezprostrˇedneˇ po ní: Film m˚užeme považovat za plneˇ autorský, nebot’Chabrol si k neˇmu napsal i scénárˇ [...]. –> m˚užeme, nebot’ si k neˇmu napsal i scénárˇ

Podrobneˇjší lingvistický rozbor slovosledných omezení ve vztahu ke klitikám lze nalézt v knihách [ 19, 20 ]. Nejsme si však veˇdomi, že by problematika koordinacˇní spojky a postavení klitiky byla pro cˇeštinu v lingvistické literaturˇe popsána.

Koordinace s elidovanými veˇtnými cˇleny. Podobneˇ jako

u srovnávacích konstrukcí též u koordinacˇních spojení cˇasto dochází k elipse cˇásti syntaktické struktury (tzv. aktuální elipsa). V (povrchových) závislostních stromech PDT se elipsa nerekonstruuje, veˇtné cˇleny syntakticky závislé na cˇlenu vypušteˇném se zaveˇšují tam, kde by visel cˇlen vypušteˇný (a oznacˇují se speciální analytickou funkcí ExD).

Takové prˇípady ovšem zp˚usobují prˇi automatické RA problémy, nebot’ prˇi redukci m˚uže docházet k porušení plynulosti (cˇi alesponˇ stylistické souvislosti) redukovaných veˇt (i když z hlediska cˇisteˇ formální syntaxe jsou správneˇ): [...], Flintstoneovi sice neprˇinášejí zábavu nároˇcnou, ale ani nevkusneˇ prostoduchou. (= prostoduchou zábavu) –> ??[...], Flintstoneovi sice neprˇinášejí zábavu, ale ani nevkusneˇ prostoduchou. [...] jsou a zdaleka ne tak cˇasté jako rˇedeˇní zmrzlin. (= jako je cˇasté rˇedeˇní zmrzlin) –> ?? [...] jsou a zdaleka ne cˇasté jako rˇedeˇní zmrzlin.

Možným rˇešením je zcela vyloucˇit eliptické konstrukce související s koordinací z automatického zpracování (vzhledem k takto vzniklým nepravidelnostem obvykle nelze veˇty tohoto typu úspeˇšneˇ automaticky redukovat až na základní predikativní strukturu).

Konstrukce s nejasnou závislostí – typ do konce roku.

U jistých konstrukcí, prˇedevším u neˇkterých cˇasových urcˇení (naprˇ. teˇsneˇ prˇed Vánocemi, 185 minut týdneˇ) a místních urcˇení (dva kilometry od rˇeky), bývá neˇkdy teˇžké rozhodnout, zda jsou na sobeˇ nezávislá, cˇi zda jedno rozvíjí druhé.

PDT v teˇchto prˇípadech vychází z poneˇkud technických pravidel anotacˇního manuálu [ 21 ]. Metoda RA zde nedává spolehlivé výsledky, viz naprˇ.

V Bratislaveˇ by meˇlo vzniknout do konce roku, stejneˇ jako v New Yorku a Bruselu. –>?? V Bratislaveˇ by meˇlo vzniknout do konce, stejneˇ jako v New Yorku a Bruselu. –>?? V Bratislaveˇ by meˇlo vzniknout do roku, stejneˇ jako v New Yorku a Bruselu.

Není povinen se každý mˇesíc hlásit ve zprostrˇedkovatelneˇ práce, a proto je vyrˇazen ze statistiky. –> * Není povinen se meˇsíc hlásit ve zprostrˇedkovatelneˇ práce, a proto je vyrˇazen ze statistiky. –> * Není povinen se každý hlásit ve zprostrˇedkovatelneˇ práce, a proto je vyrˇazen ze statistiky.

Vzhledem k poneˇkud nejasné syntaktické strukturˇe teˇchto jev˚u prˇi vyhodnocování automatické RA od prˇípadných takto vzniklých nekorektností odhlížíme.

Víceslovné výrazy a ,pojmenované entity‘. V datech

PDT nejsou v (povrchových) stromech zachyceny tzv. pojmenované entity, což jsou naprˇ. názvy osob (Petr Novák, Cˇ ao C’jang), zvírˇat (Alík), lokací (Hradec Králové), institucí (Cˇ eská národní banka, Koh-i-Noor) apod., a víceslovné výrazy (naprˇ. státní zástupce, šelma kocˇkovitá) – jejich anotace podléhá stejným pravidl˚um jako anotace obecných jmen. (Adekvátní anotace je zachycena až na tektogramatické rovineˇ.)

Automatická RA tedy v teˇchto prˇípadech nezíská z dat dostatecˇné informace a oba tyto typy výraz˚u jsou zpracovávány jako obecné konstrukce, což s sebou nese poneˇkud problematické redukce výraz˚u, které by meˇly být zpracovávány v jednom kroku, naprˇ.: Kuprˇíkladu sedmdesátiletý Cˇchiao Š’ cˇi peˇtasedmdesátiletý Cˇao C’jang. –> Kuprˇíkladu sedmdesátiletý Š’ cˇi peˇtasedmdesátiletý Cˇao C’jang. [ . . . ] –>Š’ cˇi peˇtasedmdesátiletý Cˇao C’jang. –>Š’ cˇi peˇtasedmdesátiletý Cˇao jang. –>Š’ cˇi peˇtasedmdesátiletý jang.

Vzhledem k tomu, že tyto jevy se primárneˇ netýkají syntaxe, ale dostupné slovníkové informace, prˇi návrhu automatické RA od chyb ve zpracování pojmenovaných entit a víceslovných výraz˚u odhlížíme.

Redukce valencˇních doplneˇní. Prˇi návrhu (povrchové) redukcˇní analýzy vycházíme z povrchoveˇ syntaktické struktury veˇt (uchovávané na tzv. analytické rovineˇ PDT), která nepracuje s informací o valencˇní charakteristice jednotlivých plnovýznamových slov a o tzv. vypustitelnosti jejich valencˇních doplneˇní (tato informace je doplnˇována až na tektogramatické rovineˇ, která je už ovšem od povrchové syntaxe pomeˇrneˇ vzdálena). Proto ani RA nem˚uže pracovat s valencˇní informací.

Tato skutecˇnost má zásadní dopad na (povrchovou) automatickou RA: protože RA nemá k dispozici valencˇní slovník, redukuje postupneˇ všechna objektová a adverbiální doplneˇní sloves a atributivní doplneˇní substantiv, bez ohledu na jejich (ne)valencˇní charakter a vypustitelnost. Acˇkoli typicky jsou závislé cˇleny vypustitelné, v rˇadeˇ prˇípad ˚u dochází k zásadnímu posunutí významucˇi k porušení plynulosti (cˇi dokonce správnosti) redukovaných veˇt. Následující prˇíklady ilustrují posun významu (jít o neˇco –> jít) a neúplnou strukturu (redukce adjektivního objektu v postpozici).

Jde o ˇcinorodost a práveˇ ona [...] deˇlá ze všech protagonist ˚u Genu [...] elitu. –> Jde a práveˇ ona [...] deˇlá ze všech protagonist ˚u Genu [...] elitu. [...] odrážejí tendenci vývoje oprošteˇného od vliv ˚u i od hodnot. –> * [...] odrážejí tendenci vývoje oprošteˇného.

Další problém spojený s valencˇní charakteristikou jednotlivých slov spocˇívá v porˇadí vypoušteˇní beˇhem RA. Pravidla pro vypoušteˇní naprˇ. slovesných doplneˇní nejsou v cˇeských gramatikách (alesponˇ podle nám dostupných informací) formálneˇ zpracována, prˇesto je zrˇejmé, že zde platí neˇjaká omezení; naprˇ. vypoušteˇní dativních doplneˇní cˇi doplneˇní realizovaných prˇedložkovou skupinou by typicky meˇlo prˇedcházet vypoušteˇní akuzativního doplneˇní (a to i v prˇípadeˇ aktuální elipsy), viz následující prˇíklady: [...] poskytují služby a ˇcinnost bud’ pˇrímo nebo prostˇrednictvím specializovaných institucí. –> ?? [...] poskytují bud’ prˇímo nebo prostrˇednictvím specializovaných institucí. –> [...] poskytují služby a cˇinnost.

Obcˇané si mohou vyšetˇrení objednat v hygienických stanicích. –> ?? Obcˇané si mohou objednat v hygienických stanicích. –> Obcˇané mohou vyšetrˇení objednat v hygienických stanicích.

Vzhledem k nevyjasneˇným pravidl ˚um a omezením na porˇadí vypoušteˇní jednotlivých doplneˇní4 prˇi automatické RA od stylistických pochybení cˇi nekorektností zp ˚usobených nesprávným porˇadím vypoušteˇní valencˇních doplneˇní odhlížíme. 6

Záveˇrecˇné shrnutí

Hlavním smyslem našich experiment ˚u bylo oveˇrˇit použitelnost automatické redukcˇní analýzy na složiteˇjší jazykové jevy (koordinace, apozice) a vytipovat urcˇité problematické konstrukce, které v budoucnu poslouží jako materiál jak pro další lingvistický výzkum, tak i pro další zjemneˇní cˇi modifikaci samotné metody redukcˇní analýzy a pro formální popis vlastností prˇirozených jazyk ˚u. Experimenty ukázaly, že i koordinace a apozice se ve veˇtšineˇ prˇípad ˚u dají redukovat automaticky. Zárovenˇ se podarˇilo objevit neˇkolik problematických konstrukcí, z nichž 4Podle [ 22 ] hrají roli nejen povrchové formy doplneˇní, ale i typ valencˇního vztahu a obligatornost doplneˇní, tedy informace náležející do valencˇního slovníku, a tedy na tektogramatickou rovinu (nikoli na rovinu povrchové syntaxe). zejména spojení koordinace a postavení klitik cˇi porˇadí vypoušteˇní slovesných doplneˇní prˇedstavují problémy, které zatím nebyly uspokojiveˇ lingvisticky zpracovány.

Grantová podpora

Práce na tomto tématu je podporˇena z grantu GACˇ R cˇíslo P202/10/1333. Tento cˇlánek využívá jazyková data vyvinutá a/nebo distribuovaná v rámci projektu MŠMT Cˇ R LINDAT/CLARIN (projekt LM2010013).

References

[1] Tesnière , L. : Eléments de syntaxe structurale . Librairie C. Klincksieck, Paris ( 1959 )

[2] Kubonˇ , V. , Lopatková , M. , Mírovský , J.: A Case Study of a Free Word Order . In: Proceedings of PACLIC 2013 . ( 2013 )

[3] Lopatková , M. , Plátek , M. , Kubonˇ , V.: Modeling Syntax of Free Word-Order Languages: Dependency Analysis by Reduction . In: Proceedings of TSD 2005 . Volume 3658 of LNAI ., Berlin Heidelberg, Springer-Verlag ( 2005 ) 140 - 147

[4] Lopatková , M. , Plátek , M. , Sgall , P. : Towards a Formal Model for Functional Generative Description: Analysis by Reduction and Restarting Automata . The Prague Bulletin of Mathematical Linguistics 87 ( 2007 ) 7 - 26

[5] Hajicˇ , J. , Panevová , J. , Hajicˇová , E., Sgall , P. , Pajas , P. , Šteˇpánek , J., Havelka , J. , Mikulová , M. , Žabokrtský , Z. , Ševcˇíková-Razímová , M. : Prague Dependency Treebank 2.0 . LDC, Philadelphia, PA, USA ( 2006 )

[6] Mel'cˇuk , I.A. : Dependency in language . In: Proceedings of DepLing 2011 , Barcelona ( 2011 ) 1 - 16

[7] Gerdes , K. , Kahane , S. : Defining dependencies (and constituents) . In: Proceedings of DepLing 2011 , Barcelona ( 2011 ) 17 - 27

[8] Sgall , P. , Hajicˇová , E., Panevová , J.: The Meaning of the Sentence in Its Semantic and Pragmatic Aspects . Reidel, Dordrecht ( 1986 )

[9] Jancˇar , P. , Mráz , F. , Plátek , M. , Vogel , J.: On monotonic automata with a restart operation . Journal of Automata, Languages and Combinatorics 4 ( 1999 ) 287 - 311

[10] Otto , F. : Restarting Automata . In: Recent Advances in Formal Languages and Applications, Studies in Computational Intelligence . Volume 25 ., Berlin, Springer-Verlag ( 2006 ) 269 - 303

[11] Plátek , M. , Mráz , F. , Lopatková , M. : (In)Dependencies in Functional Generative Description by Restarting Automata . In: Proceedings of NCMA 2010 . Volume 263 of books@ocg .at., Wien, Austria, Österreichische Computer Gesellschaft ( 2010 ) 155 - 170

[12] Martin Plátek and Dana Pardubská and Markéta Lopatková: On Minimalism of Analysis by Reduction by Restarting Automata . In Morrill, G., Muskens , R. , Osswald , R. , Richter , F., eds.: Formal Grammar 2014 . Volume 8612 of LNCS ., Berlin Heidelberg, Springer-Verlag ( 2014 ) 155 - 170

[13] Kubonˇ , V. , Lopatková , M. , Mírovský , J. : Automatic Processing of Linguistic Data as a Feedback for Linguistic Theory . In Castro , F., Gelbukh , A. , González , M., eds. : Proceedings of the 12th Mexican International Conference on Artificial Intelligence (MICAI 2013 ). Volume 8265 of LNCS ., Berlin Heidelberg, Springer-Verlag ( 2013 ) 252 - 264 volume 1.

[14] Šmilauer , V. : Novocˇeská skladba . SPN, Praha ( 1966 )

[15] Šteˇpánek , J.: Závislostní zachycení veˇtné struktury v anotovaném syntaktickém korpusu (nástroje pro zajišteˇní konzistence dat) . PhD thesis , MFF UK, Prague ( 2006 )

[16] Oliva , K. : Linguistics behind the Mirror . In Lopatková, M., ed.: Information Technologies - Applications and Theory , Košice, Slovakia, Univerzita Pavla Jozefa Šafárika v Košiciach ( 2011 ) 1 - 6

[17] Karlík , P. , Nekula , M. , Pleskalová , J., eds.: Encyklopedický slovník cˇeštiny. Nakladatelství Lidové noviny, Praha ( 2002 )

[18] Hana , J. : Czech Clitics in Higher Order Grammar . PhD thesis , The Ohio State University ( 2007 )

[19] Beˇlicˇová , H., Uhlírˇová , L.: Slovanská veˇta . Euroslavica, Praha ( 1996 )

[20] Beˇlicˇová , H., Sedlácˇek, J.: Slovanské souveˇtí. Academia, Praha ( 1990 )

[21] Hajicˇ , J. , Panevová , J. , Buránˇová , E., Urešová , Z. , Bémová , A. , Šteˇpánek , J., Pajas , P. , Kárník , J.: Anotace na analytické rovineˇ. návod pro anotátory . Technical Report TR-2004-23 , UFAL MFF UK ( 2004 )

[22] Lopatková , M.: O homonymii prˇedložkových skupin . (Co umí pocˇítacˇ?) . Karolinum, Praha ( 2003 )