Popis morfologických značek - poziční systém

Jan Hajič

Ústav formální a aplikované lingvistiky MFF UK

Morfologická analýza a syntéza

Morfologické značky jsou součástí výsledku (výstupem) morfologické analýzy, která pracuje s izolovanými slovními tvary, tedy bez ohledu na jejich kontext. Druhou částí výsledku je tzv. lemma, které identifikuje příslušnou lexikální jednotku ve smyslu jednoznačné identifikace slovníkového hesla. V opačném směru, tj. pro syntézu slovních tvarů, je značka spolu s lemmatem vstupem pro proceduru tvorby (opět izolovaného) slovního tvaru. Morfologická analýza je obecně nejednoznačná; slovní tvary, brány izolovaně a bez ohledu na kontext, pochopitelně nemohou být v mnoha případech jednoznačně určeny, a to jak z hlediska lemmatu, tak z hlediska morfologické značky.

Struktura značky

Každá značka je řetězcem 16 znaků (16. pozice chybí pouze v korpusech SYN2000 a ORWELL). Značka je konstruována tak, aby každá pozice odpovídala jedné morfologické kategorii podle víceméně tradičního lingvistického pojetí. Každé hodnotě v dané kategorii odpovídá jeden znak, převážně písmeno velké abecedy (např. 'P' pro plurál, neboli množné číslo), výjimečně i jiný znak (např. 'f' pro infinitiv, nebo ',' pro podřadicí spojky). Hodnota, která nedává smysl (např. pád u sloves), je reprezentována znakem '-' (pomlčka).

Přehled změn v morfologickém značkování

S uveřejněním korpusu SYN2005 byla přidána 16. pozice, vyjadřující slovesný vid. I všechny následující korpusy používají morfologickou značku, kterou tvoří 16 pozic.
S uveřejněním korpusu SYN2009PUB bylo provedeno zjednodušení systému značek. Změny se týkají pozic č. 3 - 9, na kterých byla vypuštěna písmena, která souhrnně označovala více hodnot (např. "Y" pro maskulinum animatum i inanimatum). V následujícím seznamu jsou tyto změny označeny hvězdičkou (*).

Pro sestavení morfologické značky můžete kromě následujícího seznamu použít i jednoduchý program pro vytváření tagů.

Popis jednotlivých pozic značky

Pozice jsou číslovány od 1 do 16 (16. pozice chybí pouze v korpusech SYN2000 a ORWELL).

Pozice 1 - Slovní druh

Označuje hlavní slovní druh, víceméně podle obvyklého schématu známého z českých gramatik včetně školních. Přiřazení i těchto hlavních slovních druhů je však řízeno především potřebami konzistentnosti další analýzy přirozeného jazyka. Proto je možné, že v některých případech (zejména tehdy, kdy se gramatiky a slovníky v určení slovního druhu neshodují nebo uvádějí jiné rozdělení na významy slova nebo tam, kde ve slovníku najdeme slovnědruhové perly typu "zájmenné příslovce") nemusí být zařazení zcela "tradiční".

A	adjektivum (přídavné jméno)
C	numerál (číslovka, nebo číselný výraz s číslicemi)
D	adverbium (příslovce)
I	interjekce (citoslovce)
J	konjunkce (spojka)
N	substantivum (podstatné jméno)
P	pronomen (zájmeno)
R	prepozice (předložka)
T	partikule (částice)
V	verbum (sloveso)
X	neznámý, neurčený, neurčitelný slovní druh
Z	interpunkce, hranice věty

Pozice 2 - Detailní určení slovního druhu

Detailní slovní druh slouží především k určení dalších relevantních morfologických kategorií, které jsou uvedeny na dalších pozicích (ne vždy však jednoznačně). Ze znaku použitého pro detailní určení slovního druhu je možné jednoznačně vyvodit hlavní slovní druh (pozice 1).

!	zkratka jako adverbium
*	slovo "krát" (slovní druh: spojka)
,	spojka podřadicí (vč. "aby" a "kdyby" ve všech tvarech)
.	zkratka jako adjektivum
:	interpunkce všeobecně
;	zkratka jako substantivum
=	číslo psané číslicemi (značkováno jako slovní druh: číslovka - 'C')
?	číslovka "kolik"
^	spojka souřadicí
}	číslovka psaná římskými číslicemi
~	zkratka jako sloveso
@	slovní tvar, který nebyl morfologickou analýzou rozpoznán (značkováno jako slovní druh: neznámý - 'X')
0	předložka s připojeným "-ň" (něj), "proň", "naň", atd. (značkováno jako slovní druh: zájmeno - 'P')
1	vztažné přivlastňovací zájmeno "jehož", "jejíž", ...
2	slovo před pomlčkou
3	zkratka jako číslovka
4	vztažné nebo tázací zájmeno s adjektivním skloňováním (obou typů: "jaký", "který", "čí", ...)
5	zájmeno "on" ve tvarech po předložce (tj. "n-": "něj", "něho", ...)
6	reflexívní zájmeno "se" v dlouhých tvarech ("sebe", "sobě", "sebou")
7	reflexívní zájmeno "se", "si" pouze v těchto tvarech, a dále "ses", "sis"
8	přivlastňovací zájmeno "svůj"
9	vztažné zájmeno "jenž", "již", ... po předložce ("n-": "něhož", "níž", ...)
A	adjektivum obyčejné
B	sloveso, tvar přítomného nebo budoucího času
C	adjektivum, jmenný tvar
D	zájmeno ukazovací ("ten", "onen", ...)
E	vztažné zájmeno "což"
F	součást předložky, která nikdy nestojí samostatně ("nehledě", "vzhledem", ...)
G	přídavné jméno odvozené od slovesného tvaru přítomného přechodníku
H	krátké tvary osobních zájmen ("mě", "mi", "ti", "mu", ...)
I	citoslovce (značkováno jako slovní druh: citoslovce - 'I')
J	vztažné zájmeno "jenž" ("již", ...), bez předložky
K	zájmeno tázací nebo vztažné "kdo", vč. tvarů s "-ž" a "-s"
L	zájmeno neurčité "všechen", "sám"
M	přídavné jméno odvozené od slovesného tvaru minulého přechodníku
N	substantivum, obyčejné
O	samostatně stojící zájmena "svůj", "nesvůj", "tentam"
P	osobní zájmena (vč. tvaru "tys")
Q	zájmeno tázací/vztažné "co", "copak", "cožpak"
R	předložka, obyčejná
S	zájmeno přivlastňovací "můj", "tvůj", "jeho" (vč. plurálu)
T	částice (slovní druh 'T')
U	adjektivum přivlastňovací (na "-ův" i "-in")
V	předložka vokalizovaná ("ve", "pode", "ku", ...)
W	zájmena záporná ("nic", "nikdo", "nijaký", "žádný", ...)
X	slovní tvar, který byl rozpoznán, ale značka (ve slovníku) chybí
Y	zájmeno "co" spojené s předložkou ("oč", "nač", "zač")
Z	zájmeno neurčité ("nějaký", "některý", "číkoli", "cosi", ...)
a	číslovka neurčitá ("mnoho", "málo", "tolik", "několik", "kdovíkolik", ...)
b	příslovce (bez určení stupně a negace; "pozadu", "naplocho", ...)
c	kondicionál slovesa být ("by", "bych", "bys", "bychom", "byste")
d	číslovka druhová, adjektivní skloňování ("jedny", "dvojí", "desaterý", ...)
e	slovesný tvar přechodníku přítomného ("-e", "-íc", "-íce")
f	slovesný tvar: infinitiv
g	příslovce (s určením stupně a negace; "velký", "zajímavý", ...)
h	číslovky druhové "jedny" a "nejedny"
i	slovesný tvar rozkazovacího způsobu
j	číslovka druhová >= 4, substantivní postavení ("čtvero", "desatero", ...)
k	číslovka druhová >= 4, adjektivní postavení, krátký tvar ("čtvery", ...)
l	číslovky základní 1-4, "půl", ...; sto a tisíc v nesubstantivním skloňování
m	slovesný tvar přechodníku minulého, příp. (zastarale) přechodník přítomný dokonavý
n	číslovky základní >= 5
o	číslovky násobné neurčité ("-krát": "mnohokrát", "tolikrát", ...)
p	slovesné tvary minulého aktivního příčestí (včetně přidaného "-s")
q	archaické slovesné tvary minulého aktivního příčestí (zakončení "-ť")
r	číslovky řadové
s	slovesné tvary pasívního příčestí (vč. přidaného "-s")
t	archaické slovesné tvary přítomného a budoucího času (zakončení "-ť")
u	číslovka tázací násobná "kolikrát"
v	číslovky násobné ("-krát": "pětkrát", "poprvé" ...)
w	číslovky neurčité s adjektivním skloňováním ("nejeden", "tolikátý", "několikátý" ...)
x	zkratka, slovní druh neurčen/neznámý
y	zlomky zakončené na "-ina" (značkováno jako slovní druh: číslovka - 'C')
z	číslovka tázací řadová "kolikátý"