„JÓÍZU MAZSOLÁZÁS A KORPUSZBÓL˝ · PDF...

Korpusznyelvészet és lexikográfia Modell Lényegesség „Mazsola” Alkalmazások Írjunk szócikket! Befejezés

„JÓÍZU MAZSOLÁZÁS A KORPUSZBÓL”

Sass Bá[email protected]

MTA Nyelvtudományi Intézet, Nyelvtechnológiai OsztályPPKE ITK, MMT Doktori Iskola, Nyelvtechnológia Doktori Program

XVII. MANYE kongresszusSiófok, 2007. április 19–21.


1 KORPUSZNYELVÉSZET ÉS LEXIKOGRÁFIA

2 MODELL

3 LÉNYEGESSÉG

4 „MAZSOLA”

5 ALKALMAZÁSOK

6 ÍRJUNK SZÓCIKKET!


ALAPÍTÓ ATYÁK

John Rupert Firth John McHardy Sinclair(1933–2007)

„You shall know a word „Language cannot be invented;by the company it keeps.” it can only be captured.”


Corpus-based ÉS corpus-driven

1 (introspektív nyelvészet)2 corpus-based módszer

A korpusz segédeszköz, ami empirikus adataivaltámogatja az intuíciót, mérhetové teszi a nyelvijelenségeket, meglévo elméleteket bizonyít/cáfol.

3 corpus-driven módszerA korpusz maga szolgáltatja az „elméletet”, a nyelvészminden elozetes feltevés és elvárás nélkül fordul azadatokhoz. Minden következtetést kizárólagkorpuszmegfigyelésekbol von le.

→ egyfajta corpus-driven szótárírási módszert fogok bemutatni

serendipity principle: jelentos dolog véletlen felfedezése,tipikusan mikor valami egész másra figyelünk


KORPUSZOK A LEXIKOGRÁFIA SZOLGÁLATÁBAN

COBUILD: a korpuszok nagy segítséget nyújtanak alexikográfiai munkához

valós nyelvhasználat→ objektív, idiolektustól független munkaúj jelentés, használat felfedezése→ teljesebb szótár

nagy méretu korpuszok→ szükséges a leszurheto tények összegzése

elso: Word Sketch→ Macmillan English Dictionary (2002)

ehhez hasonló új eszközrol lesz most szó, mellyel amagyar igék bovítményszerkezetét lehet kvantitatívantanulmányozni



2 MODELL

3 LÉNYEGESSÉG

4 „MAZSOLA”

5 ALKALMAZÁSOK



BOVÍTMÉNYSZERKEZET ÉS JELENTÉS

B. Levin (1993):

Hasonló jelentés hasonló bovítményszerkezettel jár.

Az igék és bovítményeik alkotta jellemzo kollokációkvizsgálatával az igék különféle jelentéseihez jutunkközelebb.

Lehetoség nyílik:adott szó jelentéseit elkülöníteni(’igazat ad’↔ ’tippet ad’↔ ’hangot ad’)hasonló szavak jelentéskülönbségét meghatározni(’emelkedik’↔ ’no’)


A MAGYAR MONDAT MODELLJE

bovítményszerkezet:milyen bovítményekkel szokott elofordulni az ige

bovítménykeret

modell: szabad szórend→ az egyszeru mondat (az egyigei keretet tartalmazó egység) egy ige és valahány fonévicsoport halmaza

ige + NP(szóto + eset)–lista

pozíció: morfoszintaktikai pozíció

„összetett” igék: önálló igék, önálló bovítményszerkezettel,önálló jelentéssel

PÉLDA

’vesz’↔ ’vesz részt’↔ ’vesz górcso alá’


FELDOLGOZÁSI LÉPÉSEK

forrás: Magyar Nemzeti Szövegtár

tagmondatra bontás

részleges szintaktikai elemzés

funkcionális szerkezet→ a mondat modellje

opcionalizálás: minden bovítmény opcionális

statisztika – a lexikográfia szempontjából lényeges igeikereteket keressük

PÉLDA

’vág hajat’, ’fésül hajat’, ’ad választ -re’,’ad hangot meggyozodésének/véleményének’



2 MODELL

3 LÉNYEGESSÉG

4 „MAZSOLA”

5 ALKALMAZÁSOK



LÉNYEGESSÉG

A lényeges keretek/kollokációk megragadására van jóeszközünk: az ún. salience mérték (Kilgarriff 2001)

Adott pozíción álló bovítménynek a keret többi részéhezviszonyított salience-ét tudjuk kiszámolni.

Ez az érték akkor sok, ha a bovítmény és a keret a vártnálgyakrabban fordul elo együtt, és a bovítmény gyakori.Mit tudunk vizsgálni?

Adott ige melletti adott pozícióban mely szavak fordulnak elolegjellemzobben.

. . . beleértve az összetett igéket is.


LÉNYEGESSÉG

PÉLDA

’ad -t’ – tárgyi pozíciója salience szerint csökkenoen:’hang’, ’lehetoség’, ’válasz’, ’otthon’, ’tájékoztatás’

→ tényleg gyakori, lényeges szavak



2 MODELL

3 LÉNYEGESSÉG

4 „MAZSOLA”

5 ALKALMAZÁSOK



A FELÜLET HASZNÁLATA

http://corpus.nytud.hu/mazsola

Közzétett korpuszok:3-10 szavas mondatok (8mió szó)Magyar Nemzet (12mió szó)Index fórum (18mió szó)


PÉLDA: STÍLUSRÉTEGEK ÖSSZEHASONLÍTÁSA

PÉLDA

’ad -t’ kereta Magyar Nemzetben és az Index fórumban

közös elemek


PÉLDA: STÍLUSRÉTEGEK ÖSSZEHASONLÍTÁSA

PÉLDA

’ad -t’ kereta Magyar Nemzetben és az Index fórumban

eltérések


PÉLDA: ÖSSZETETT IGÉK

’hány -t’

→ fitty

’hány -rA’

→ szem

’kerül alá’

→ víz, kalapács, fennhatóság

’rejt alá’

→ véka

’hoz alá’

→ teto

’helyez alá’

→ vád

’vesz alá’

→ górcso, kalap, tuz



’hány -t’→ fitty

’hány -rA’

→ szem

’kerül alá’


’rejt alá’

→ véka

’hoz alá’

→ teto

’helyez alá’

→ vád

’vesz alá’





’hány -rA’→ szem

’kerül alá’


’rejt alá’

→ véka

’hoz alá’

→ teto

’helyez alá’

→ vád

’vesz alá’






’kerül alá’→ víz, kalapács, fennhatóság

’rejt alá’

→ véka

’hoz alá’

→ teto

’helyez alá’

→ vád

’vesz alá’







’rejt alá’→ véka

’hoz alá’

→ teto

’helyez alá’

→ vád

’vesz alá’








’hoz alá’→ teto

’helyez alá’

→ vád

’vesz alá’









’helyez alá’→ vád

’vesz alá’









’helyez alá’→ vád

’vesz alá’→ górcso, kalap, tuz



2 MODELL

3 LÉNYEGESSÉG

4 „MAZSOLA”

5 ALKALMAZÁSOK



HOL HASZNÁLJUK?

készülo magyar-angol gépi fordítóprogramvonzatkereteinek fix lemmákkal való lekötésekor

magyar WordNet kialakításakor

terv:német-magyar valenciaszótár munkálatainak támogatásáraigék szemantikai osztályozása→ szinonímaszótár


IGÉK SZEMANTIKAI OSZTÁLYOZÁSA

no növekedikalany: szám arány ár alany: szám arány érdeklodés-bAn: mérték év -bAn: mérték év-rA: forint százalék dupla -rA: év-vAl: százalék forint -vAl: százalék forint

emelkedik drágulalany: szám ár árfolyam alany: részvény TVK kenyér-bAn: mérték év -bAn: mérték forgalom-rA: forint jogero százalék -rA: forint-vAl: százalék forint -vAl: százalék forint

nyújt, megad, kínálreagál, válaszol, felel



2 MODELL

3 LÉNYEGESSÉG

4 „MAZSOLA”

5 ALKALMAZÁSOK



MINIMUM 150 ELOFORDULÁS

Sinclair (1993): legalább 150 példa kell ahhoz, hogymegbízhatóan számolhassunk be egy szó jelentéseirol

illusztrációképpen két ilyen ige:’forog’ – 255 találat’fest’ – 319 találata Magyar Nemzet korpuszbólnem dolgozunk ki teljes szócikket:induktív megállapításokat teszünk az eszköz segítségével,amik aztán egy szócikkbe épülhetnének be

a tapasztalatokat helyenként összevetemaz ÉKSz szócikkeivel

Elv: az 5-nél kevesebbszer eloforduló jelenségeketáltalában nem vesszük figyelembe statisztikaimegállapítások megtételekor


MÓDSZER

1 jellemzo mondatokat keresünk

2 feldolgozzuk oket

3 a feldolgozott mondatokat elhagyva,a maradékon folytatjuk a munkát


PÉLDA: forog (1/2)

Elso mondat: ’forog veszély-ban’→ nézzük a ’-ban’-t:’veszély’ és ’sír’ (’kör’, ’érték’ . . . )

Mi forog veszélyben:’élet’ (’biztonság’, ’diadal’, ’konszenzus’ . . . )→ mindenféle pozitív dolgokValóban: ’betegség’, ’veszteség’ nem szokott→ ez ennek az összetett igének a jelentéséhez tartozik!

ÉKSz. kifejezései:’szóban’, ’szonyegen’, ’veszélyben’Gyakoriság szerint ez adódik:’veszélyben’, ’sírjában’

41 találatot (16%-ot) így feldolgoztunk


PÉLDA: forog (2/2)

’forog -n’→ ’kockán’Mi? Azt látjuk, hogy nincs jellegzetes alany.

’papír’, ’részvény’ is lehet alany’forog alatt/felett’ csak ilyen (ÉKSz-ben nincs!)’forog között’→ van egy élo alanyú másik jelentés

Általában mi a jellegzetes alany?’papír’, ’részvény’, ’élet’, ’lét’, ’világ’’forog világ körül’↔ ’forog világ -val’

’forog papír/részvény -n’’forinton’, ’áron’↔ ’tozsdén’

154 találatot (60%-ot) így feldolgoztunk


PÉLDA: fest (1/2)

tárgyas ige: ’fest -t’egyértelmuen legjellegzetesebb tárgy: ’kép’→ a tárgyak 42%-a ’kép’→ az összes ’fest’ elofordulás 25%-a: ’fest képet’!

jellegzetes alanya nincs

’fest kép-t -ról’→ ’helyzet’, ’állapot’

Mindig tárgyas?’fest NEM-t alany’nem (22%), és jellemzonek látszik az ’úgy’ szó jelenléte


PÉLDA: fest (2/2)

Ha nem kötjük meg a tárgy hiányát,ugyanannyi találatot kapunk!→ a ’fest úgy’ keret szigorúan tárgyatlan (= ÉKSz.)

’fest -vel’→ nincs jellegzetes

’fest -ra’→ ’fal’

’fest kép-t -ról’ (17%) – foleg átvitt értelem’fest kép-t NEM-ról’ (8%) – foleg konkrét értelem


JAVASLAT

gyakoriság fontos szerepe:bovítmény kötelezosége↔ ritkaságamely jelentéseket vegyük fel a szótárbamilyen sorrendben szerepeltessük a jelentéseket

gyakoriság↔ „alapjelentés”vö: ’vesz részt’ önmagában a ’vesz’ 20%-át adja

összetett igék: önálló igék, önálló vonzatkerettel→ önálló lexémák?


BIBLIOGRÁFIA

Firth, J.R. 1957. A synopsis of linguistic theory 1930-55.Studies in linguistic analysis 1–32

Kilgarriff, A., Tugwell D. 2001. Word Sketch: Extraction and display ofsignificant collocations for lexicography.In: Proceedings of the 39th Meeting of the Association forComputational Linguistics, Workshop on Collocation: ComputationalExtraction, Analysis and Exploitation, Toulouse 32–38

Levin, B. 1993. English Verb Classes and Alternations.The University of Chicago Press

Sass B. 2007. „Mazsola” – eszköz a magyar igékbovítményszerkezetének vizsgálatára.In: I. Alkalmazott Nyelvészeti Doktorandusz Konferencia kötete(megjelenés alatt)http://www.nytud.hu/oszt/korpusz/resources/sb_mazsola_eszkoz.doc


HOZZÁFÉRÉS

http://corpus.nytud.hu/mazsola

Tessék kipróbálni!

felhasználói név: manyejelszó: xvii

Személyes jelszó igénylése: [email protected]

Köszönöm a figyelmet!

„JÓÍZU MAZSOLÁZÁS A KORPUSZBÓL˝ · PDF...

Documents

Transcript of „JÓÍZU MAZSOLÁZÁS A KORPUSZBÓL˝ · PDF...