PolUKRPolsko-Ukraiński Korpus Równoległy

http://corpus.domeczek.pl2004 - …

Natalia KotsybaZebranie naukowe IS PAN

2.XII.2008

Czy można mówić o lingwistyce korpusowej?

• Metodologia, a nie osobna branża lingwistyki

Rodzaje korpusów:• „surowy/łysy” – adnotowany: morfosyntaktycznie,

semantycznie, banki drzew (składnia)• jednojęzyczny - dwu-/wielojęzyczne• równoległe - porównawcze• korpus referencyjny (benchmark korpus): BNC, ?IPI

PAN

Czym jest korpus równoległy?

• Zbiór par tekstów (eng. bitexts) w dwóch językach

Proponowany model wygląda dość przekonująco...

Запропонована модель виглядає доволі переконливо...

Czemu służy korpus równoległy

• baza danych odpowiedników słów i wyrażeń oraz ich kontekstów dla tłumaczy

• baza danych dla konfrontatywnej analizy lingwistycznej

• punkt wyjścia do konstrukcji wiarygodnych słowników dwujęzycznych

Statystyki

ogółem polskie ukraińskieTeksty 70 35 35Wyrazy 359 926 179 087 180 120Znaki 3 863 564 1 449 376 2 407 034kilobajty 3941 1492 2439

Wyszukiwanie (obecnie)• Aktualny sposób wyszukiwania bazuje na wyrażeniach

regularnych PERL• Poszukiwany ciąg należy ująć w znaki "/". Np.: /zimna

wojna/ znajdzie wyłącznie akapity zawierające dokładnie tę frazę. Aby uelastycznić kryteria wyszukiwania, można skorzystać z następujących znaków specjalnych:

. odpowiada każdemu znakowi (z wyjątkiem znaku nowej linii)І alternatywa; ) koniec fragmentu ciągu[ i ] początek i koniec oznaczania klasy znaków? 1 albo 0 wystąpień; * 0 albo więcej wystąpień+ 1 albo więcej wystąpień \s dowolny znak spacji, interpunkcji\w dowolna litera, liczba, znak podkreślenia\b koniec wyrazu, \ escape

Przykłady formuł wyszukiwania

/jako/ „jako”/jako\s/ „jako, niejako, dwojako”/\bjako/ „jakość’/norma\./ „norma” przed kropką

Metodologia tworzenia korpusu• zbieranie tekstów (Katarzyna Kotyńska, Anna Łazar, Helena Krasowska)• jeżeli są w postaci papierowej, to: • skanowanie, czyszczenie skanów od obrazków i czarnych pasków,

numeracji stron; • OCRowanie, redakcja poOCRowa; • konwertowanie do tekstowego formatu (FineReader --> Word);

wyrównywanie kolumn, wyczyszczenie od znaków podziałów stron, przypisów dolnych, znaków przeniesienia wyrazów;

• jeszcze raz wyczytywanie błędów (FineReader wyświetla tylko miejsca, które są "podejrzane" dla niego samego);

• sprawdzenie podziału na akapity (czy w ogóle są, czy nie są podwójne);• konwertowanie czcionek do wspólnego formatu (przyjęliśmy

Unicode/UTF-8);• konwertowanie z MSWord .doc na .txt• dodawanie metadanych (tytuł, autor, tłumacz, rok napisania, rok i miejsce

wydania oryginału, gatunek literacki, itd. ok. 20 pozycji);• konwertowanie z .txt do .xml• dodawanie do serwera

Co się dzieje na serwerze

• Metadane są wpisywane automatycznie do bazy danych MySQL i potem pobierane z niej przy korzystaniu z korpusu

• Wyrównywanie tekstów na poziomie akapitów, oznaczonych w tekstach <p>-</p>

• Dynamicznie, zakładając, że ilość akapitów w tekstach jest jednakowa i każdy akapit w tekście oryginalnym ma odpowiednik w tekście tłumaczonym

• Oprogramowanie: Magdalena Turska

W opracowywaniu:a) Dodawanie informacji gramatycznych• polski• ukraiński• sprowadzanie do wspólnego formatu metadanych

gramatycznych (tagset)NB: stopnie porównania dla przymiotników i przysłówków

ukraińskich

b) Wyrównanie na poziomie zdań• problem podziału na zdania (skróty)• demonstracja programu Text Align 1.1.1.1• Hunalign (wymaga słownika oraz lematyzacji dla w miarę

akceptowalnych wyników)

Źródła informacji morfosyntaktycznej

• Język polski: tager TаKIPI, IPI PAN + Politechnika Wrocławska, ok. 200 tys. słów (Marcin Woliński, Adam Radziszewski i in.)

• Lematyzator, morfologiczny analizator, ujednoznaczniacz (dezambiguator)

• Język ukraiński: słownik gramatyczny ULIF NANU, 250 tys. słów (Igor Szewczenko, Ołeksandr Rabulec)

• Lematyzator, morfologiczny analizator, brak ujednoznacznienia (dezambiguacji)

Ukraiński tekst nietagowany

• Львів розташований на етнічних українських землях і є одним з головних нервових вузлів ук раїнського народу, найважливішим клапаном його серця, вічним збудником честолюбства, гордості й потягу до волі.

Ukraiński: tagi wejściowe z lematamiЛьвів<JDJAJIJK><Львів 0|Львів 0|Лев 1|Лев 1|> розташований<BDBAV?><розташований 0|розташований 0|розташувати 0|> на<N0N0Z0PF><на 4|на 3|на 2|на 1|> етнічних<AVATAX><етнічний 0|етнічний 0|етнічний 0|> українських<AVATAXJIGIJKGKJMGM><український 0|український 0|український 0|Український 0|Український 0|Український 0|> землях<FM><земля 2|> і<SSSCN0Z0><і 1|і 3|і 2|> є<UPUOUNUKUMUL><бути 0|бути 0|бути 0|бути 0|бути 0|бути 0|> одним<HUHQHERQRERU><один 0|один 0|один 0|оден 0|оден 0|оден 0|> з<PE><з 0|> головних<AVATAX><головний 0|головний 0|головний 0|> нервових<AVATAX><нервовий 0|нервовий 0|нервовий 0|> вузлів<MIMI><вузол 2|вузол 1|> українського<ANADABJDJBKB><український 0|український 0|український 0|Український 0|Український 0|Українське 0|> народу<MBMCMBMC><народ 0|народ 0|нарід 0|нарід 0|>, найважливішим<AQAEAU><найважливіший 0|найважливіший 0|найважливіший 0|> клапаном<ME><клапан 0|> його<FGODOBODOB><йога 0|воно 0|воно 0|він 0|він 0|> серця<NKNHNBNN><серце 0|серце 0|серце 0|серце 0|>, вічним<AQAEAU><вічний 0|вічний 0|вічний 0|> збудником<MEME><збудник 1|збудник 2|> честолюбства<NB><честолюбство 0|>, гордості<FCFBFF><гордість 0|гордість 0|гордість 0|> й<SSSCZ0><й 1|й 2|> потягу<MFMCMGMBMCMFMGFDGD><потяг 2|потяг 2|потяг 2|потяг 1|потяг 1|потяг 1|потяг 1|потяга 0|Потяга 0|> до<NGNFNENDNCNBNANHNINJNKNLNMNNPB><до 2|до 2|до 2|до 2|до 2|до 2|до 2|до 2|до 2|до 2|до 2|до 2|до 2|до 2|до 1|> волі<UOFCFBFFGCGBGFGFGCGBGHGNNFMF><воліти 0|воля 0|воля 0|воля 0|Воля 2|Воля 2|Воля 2|Воля 1|Воля 1|Воля 1|Воля 1|Воля 1|воло 0|віл 0|>.

Przykłady kodów gramatycznych ULIF (384)

Znaczenie gramatyczne Kod (tag) Przykład

Czasownik, bezokolicznik, aspekt dokonany, strona czynna

VA прочитати

Imiesłów przymiotnikowy, rodzaj męski, liczba pojedyncza, mianownik, aspekt dokonany, czas przeszły, czynny

BA зрослий

Przymiotnik niezmienny AZ ультра

Rzeczownik, ogólny, rodzaj żeński, liczba pojedyncza, celownik

FC квітці

Predykatyw (słowo orzeczeniowe) X0 слід

Polski tekst nietagowany

• W dzisiejszym posiedzeniu komisji uczestniczy ekspert komisji pan profesor Jan Gajewski.

VERB infinitive participle I non-finite form finite form

aspect perfective imperfective

mood imperative indicative

person first second third

tense present future past

gender masculine feminine neutral

number singular plural

NOUN general proper name pro-noun 1-2 person pro-noun 3 person

case nominative genetive dative accusative instrumentative locative vocative

gender masculine feminina neutral pluralia tantum

number singular plural

ADJECTIVAL adjective, participle I

and cardinal numeral pro-adjective indeclinable adjective

case nominative genetive dative accusative instrumentative locative

gender masculine feminina neutral

number singular plural

NUMERAL genderic non-genderic

case nominative genetive dative accusative instrumentative locative

gender masculine feminina neutral

ADVERB PARTICLE PROPOSITION CONJUNCTION INTERJECTION