В работе рассматривается применение методов лингвистического анализа для автоматического рубрицирования терминов открытого сетевого ресурса «Тезаурус по поэтологии» в составе Информационноаналитической системы русской поэзии. Приведены основные принципы и процедуры автоматической рубрикации корпуса терминов тезауруса. Работа поддержана Российским фондом фундаментальных исследований, грант № 13-06-00448.
Представление о составе Информационноаналитической системы русской поэзии (ИАСРП), а также о методологических концепциях тезауруса по поэтологии (ТП) дается в работах [5][6][7][8].
В исходной комплектации ТП содержится:
-Базовый корпус около 2000 терминов по поэтологии; предмет среди класса предметовпредлог «среди» + род. падеж (выделяться, находиться среди …); -отнесение вида к родупредлог «к» + дат. падеж (относиться, принадлежать к …).
Для выявления «родо-видовых» отношений служат и другие синтаксические конструкции [18].
Для выявления вида:
сложное слово, часть которого (производящая основа или словообразующая морфема) задает единство принадлежности к роду, как, например, в «метрике» различают явления «монометрии» и «полиметрии».
Для выявления как рода, так и вида:
словосочетание, представляющее собой видовой термин, где «в качестве опорного терминоэлемента выступает родовой термин», как, например, в роду «ямб» выделяются двустопный, трехстопный, 4-стопный, 5-стопный и 6-стопный ямбы.
Для Далее производится рубрикация «видовых понятий» данного термина и их перевод из кластера в рубрикатор: им присваиваются видовые коды рубрики данного термина. Затем заполняются поля ТСТ видовых понятий данного термина «рубрика» и «родовое понятие», куда вносится данный термин.
На рисунке 1 для более наглядного представления размещены первые 12 полей ТСТ для конкретного термина. Следует отметить, что заполнение ТП является не только трудоемким процессом, так как необходимо заполнить порядка 50 тысяч полей, но и требует достаточного уровня знаний предметной области.
На рисунке 2 показана схема разметки ТСТ источника, где ее текст открывается термином, который содержится в терминологическом словнике и, следовательно, в БРТ, что позволяет видеть, к какой рубрике верхнего уровня относится данный термин. Соответственно, в ТП автоматически создается новая ТСТ с данным термином и заполняются поля «термин» и «дисциплина».
Далее существует 2 варианта объяснения термина: первый вариант содержит иностранный эквивалент с указанием языка и перевода термина, второй вариант встречается при условии русского происхождения термина или утраты его иностранного происхождения. Каждый из оцифрованных источников, перечисленных выше [9][10][11], содержит описания и определения не более одной тысячи терминов. Безусловно, литературоведческих справочников недостаточно для полного покрытия предметной области, так как представленные выше источники содержат целый ряд идентичных терминов, что уменьшает размерность общего набора различных терминов. Поэтому неизбежно использование альтернативных и универсальных источников знаний, таких как словари и энциклопедии общей направленности.
После применения процедур автоматической рубрикации все термины ТП условно можно разделить на три группы:
1) Термины с заполненными полями ТСТ, в том числе с полями, определяющими отношения между терминами.
2) Термины с заполненными полями ТСТ, кроме полей, определяющих отношения между терминами.
3
V.N. Boikov, V.E. Zakharov, M.S. Karyaeva, V.A. Sokolov In the work methods of using the linguistic analysis for the automatic structuring of the open network resource "Information-Analytical System of Russian Poetry" are considered. The basic principles that allow to realize a way of the automatic categorization of the thesaurus are given.