MASARYKOVA UNIVERZITA

Transkript

1 MASARYKOVA UNIVERZITA Fakulta informatiky Metagramatika angličtiny pro syntaktický analyzátor synt Bakalářská práce Bc. Zuzana Jiránková Brno, 2010

2 Prohlášení Prohlašuji, že jsem tuto bakalářskou práci vypracovala samostatně pod vedením RNDr. Aleše Horáka, Ph.D. a uvedla v seznamu všechnu použitou literaturu. V Brně dne 21. května Bc. Zuzana Jiránková

3 Poděkování Ráda bych poděkovala RNDr. Aleši Horákovi, DSc. za ochotu, vstřícnost a trpělivost, se kterými vedl moji bakalářskou práci, a za cenné rady a připomínky k ní.

4 Shrnutí Tato práce se zabývá gramatickými formalismy, které byly aplikovány na angličtinu. Dále se zabývá adaptací vybraného gramatického popisu angličtiny pro použití v systému Synt.

5 Klíčová slova syntaktická analýza, Synt, angličtina

6 Obsah 1 Úvod 3 2 Syntaktická analýza Gramatické formalismy se složkovou strukturou Chomského frázová gramatika Harrisův systém substituce tříd morfémů Lambova stratifikační syntax Tagmémika Hockettova konstrukční gramatika Blochova sytax japonštiny Chomského transformační gramatika Head-Driven Phrase Structure Grammar (HPSG) Lexical-Functional Grammar (LFG) Combinatory Categorial Grammar (CCG) Gramatika připojovaných stromů (Tree-adjoining grammar) Gramatika Jmenná fráze Adjektivní fráze Slovesná fráze Příslovce a příslovečné fráze Vztažné věty Souvětí Aplikace frázové gramatiky RASP a formát vstupních dat Analýza vstupních dat Implementace gramatiky Závěr 29 1

7 Literatura 30 2

8 Kapitola 1 Úvod S rozvojem informačních a komunikačních technologií se zvětšuje množství informací dostupných každému člověku, a to nejen v rodném jazyce, ale i v angličtině coby současném celosvětově používaném dorozumívacím jazyce. Spolu se snahou utřídit dostupné informace vzniká potřeba porovnat, a případně přeložit získané informace z anglického jazyka, případně do něj. Vzhledem k množství dostupných informací získává na důležitosti požadavek na strojové zpracování těchto úkonů. Oborem, který pracuje na řešení těchto úkolů je počítačové zpracování přirozeného jazyka (NLP, natural language processing), který stojí na pomezí mezi jazykovědou a informatikou. Tento obor zahrnuje mimo jiné strojový překlad, sémantickou (významovou) analýzu, morfologickou analýzu a syntaktickou (gramatickou) analýzu. Tato práce je zaměřena na syntaktickou analýzu angličtiny. Pro angličtinu existuje mnoho různých gramatických popisů, z nichž některé byly úspěšně implementovány v počítačových systémech různých zaměření. Mým cílem bylo zpracovat jeden z těchto popisů pro použití v syntaktickém analyzátoru Synt, který je vyvíjen především pro syntaktickou analýzu češtiny. Každou větu lze gramaticky ohodnotit jako správnou nebo nesprávnou až ve chvíli, kdy máme k dispozici jednoznačný popis slov v dané větě; syntaktická analýza tak musí navazovat na anlýzu morfologickou. Aby bylo možné správně ohodnotit gramatickou strukturu všeobecně zaměřených vět, musí morfologický analyzátor splňovat několik požadavků. Především musí být určen pro širokou škálu oborů. Specializovaný morfologický analyzátor sice může vstupní data ohodnotit lépe pro svoji specializaci, pro naše účely by byl ale nevhodný. Dalším požadavkem je vysoká úspěšnost identifikace vstupních dat a správné rozlišení nejen běžně používaných slov (pro angličtinu platí, že přibližně 80 % promluvy je tvořeno přibližně 20 % slov jazyka), ale i těch slov, která jsou vzácnější. 3

9 Všechny zmíněné požadavky splňuje morfologický analyzátor RASP, ktreý je navíc volně použitelný pro nekomerční účely. Stručně se tomuto morfologickému analyzátoru věnuji v kapitole 4, více pak lze najít na internetové stránce projektu [1]. První kapitola samotného textu, druhá v pořadí, se věnuje přehledu gramatických formalismů. Pro starší formalismy vycházím z rozboru v knize [2], novější byly zpracovány na základě informací na internetových stránkách projektů, které se formalismům věnují. Druhá kapitola se věnuje popisu vlastností anglické gramatiky ve vztahu k Chomského frázové gramatice. Poslední kapitola je věnovaná aplikaci tohoto gramatického formalismu a jeho implementaci v Syntu. 4

10 Kapitola 2 Syntaktická analýza Syntax, neboli gramatická struktura, je prostředkem, který používá mluvčí k vyjádření svých myšlenek (sémantiky). Obsah (sémantika), spolu s formou (syntaxí), je pak zapsán nebo vysloven. Příjemce informace nejdřív rozkóduje zápis, případně zvuky, pak porozumí syntaxi promluvy, a na základě syntaktické struktury je schopen porozumět sémantickému významu. Syntaktická analýza je proces, který u vstupních dat rozpozná jejich gramatickou strukturu. Ve většině případů se chápání syntaxe a sémantiky přirozeného jazyka prolíná. Tento přístup je však pro automatickou analýzu nevhodný. Důsledné oddělení syntaxe a sémantiky přinesl až strukturalismus, především pak Noam Chomsky a jeho formální teorie gramatiky, na jehož základě bylo popsáno mnoho gramatických formalismů. Gramatický formalismus obsahuje charakteristiku možných typů gramatických pravidel a jejich vzájemných vztahů, charakteristiku a druhy struktur použitých v syntaxi jazyka, a algoritmus, který každé větě přiřadí jednoznačný strukturní popis. Gramatika jazyka, odvozená z formalismu, musí přesně popsat, co jazyk je, jaká věta do jazyka patří, a co naopak větou není. Gramatika také musí automaticky přiřadit správný strukturní popis, který je schopen popsat prvky věty, vztah mezi těmito prvky, a vztah vět mezi sebou. Ve chvíli, kdy je známý použitý gramatický formalismus a použitá gramatika, je pro automatickou analýzu počítačem zapotřebí navrhnout a implementovat vhodný analyzátor. V Laboratoři pro zpracování přirozeného jazyka na Fakultě informatiky Masarykovy univerzity se používá a vyvíjí syntaktický analyzátor Synt. Výstupem tohoto analyzátoru je detailní popis všech struktur, které lze vědě zadané na vstupu přiřadit; tyto různé struktury mohou odpovídat různým sémantickým významům vstupní věty. Na vhodnost toho kterého gramatického formalismu, podoby gramatiky a 5

11 konkrétního algoritmu analýzy mají samozřejmě velký vliv specifika jazyka, který chceme analyzovat. Angličtina je jazyk analytický, tedy gramatické funkce slov jsou vyjádřeny jejich pozicí ve větě. Pro angličtinu bylo navrženo několik gramatických formalismů, které jsou pro automatickou syntaktickou analýzu více či méně vhodné. Všechny vychází z Chomského frázové gramatiky, a snaží se ji obohatit a odstranit omezení, které frázová gramatika má. 2.1 Gramatické formalismy se složkovou strukturou Gramatický popis charakterizuje Postal [2] následovně: Minimální požadavek na gramatický popis jazyka je, aby přesně popsal, co je větou jazyka, a přesně určil, jakou strukturu každá z vět má. Tedy gramatický popis charakterizuje větu a její prvky a jejich vzájemný vztah. Správná gramatika musí být schopná rozlišit, co věta je, a co věta není, co je podmětem a co předmětem věty, a že některé výrazy si jsou na některé rovině podobné. Pokud by gramatika negenerovala právě a jenom věty jazyka, nezachytila by schopnost rodilého mluvčího odlišit větu od nesmyslného slovního spojení, které větou není. Každou větu lze rozdělit na několik prvků, v angličtině především slov, výjimečně morfémů. Tyto prvky lze postupně seskupovat do větších celků, segmentů, kdy nejvyšším celkem je věta. Toto členění se nazývá frázovým ukazatelem. Smyslem složkové gramatiky je přiřadit větě frázový ukazatel, a to pokud možno jednoznačně Chomského frázová gramatika Frázová gramatika Noama Chomského je prvním uceleným systémem gramatického popisu, oddělující sémantický a syntaktický význam slov. Podkladem pro tento gramatický popis byl koncept švýcarského lingvisty Ferdinanda de Saussura označovaný - označující. Chomsky popisuje strukturu jazyka pouze na základě gramatických pravidel. Snaží se o přísnou lineárnost gramatiky, tedy o gramatiku prostou pravidel typu A A. Při analýze aplikuje čtyři pravidla: pravidlo 6

12 souřadné spojky, pravidlo vsuvky, pravidlo jednoduchých transformací, pravidlo přízvuku. Jedním dechem dodává, že pravidlo jednoduchých transformací nelze jednoduše splnit. Pravidlo pro jmennou frázi v jednotném čísle: NP s T AP N P P, podle kterého je jmenná fráze složená ze členu (určitého, neurčitého, nebo žádného), nepovinné adjektivní fráze, podstatného jména, a nepovinné předložkové fráze. První pravidlo, pravidlo souřadné spojky, umožňuje rozdělit větu na její základní fráze jako jmenná fráze na místě podmětu, slovesná fráze na místě predikátu, dále na hlavní a pomocnou část slovesné fráze, předmět, a další. Chomsky nerozebírá souřadná souvětí, ani různé druhy vět. Zaobírá se pouze větami jednoduchými, a dále podřadnými souvětími, kdy vedlejší větu zahrnuje do fráze nadřazeného větného členu. Ve snaze zachovat přesnost gramatického popisu zavádí Chomsky do své gramatiky kontextová pravidla. Tvrdí, že pouze jistý typ podstatných jmen se může pojit s jistým typem sloves. Hlavním slovesem ve slovesné skupině predikátu může být sloveso s předmětem pouze tehdy, pokud je podmětem podstatné jméno životné. Plnovýznamová slovesa Chomsky dělí na 14 skupin, ke kterým dále přidává modální slovesa a slovesa pomocná (be, do have). Podstatná jména jsou rozdělena do pěti skupin podle životnosti a abstraktnosti. Dalším větným členům je věnovaná pozornost pouze na takové úrovni, která je nezbytně nutná pro popis jednoduchých vět. Chomského frázová gramatika má několik nedostatků. Jedním z nich je neschopnost popsat koordinační konstrukce, a to i přes to, že z pravidla, kam umístit souřadnou spojku, Chomsky vychází ve svém dělení na větné členy; důvodem je lpění na linearitě gramatiky. Dále není schopna jednoduše popsat věty, jejichž struktura je cyklická, stejně jako není schopna popsat vztahy mezi větou oznamovací a dalšími typy vět. Posledním nedostatkem je přílišná složitost pravidel a podmínek, za kterých tato pravidla platí, ve chvíli, kdy se Chomsky snaží popsat přesnou strukturu vět, a to zejména z důvodu mnoha slovesných skupin, které ale nejsou ve svých detailech formálně popsány. Frázová gramatika nebyla implementovaná pro automatickou analýzu, nebot již v době, kdy tuto gramatiku Chomsky publikoval, pracoval na jejím zdokonalení, transformační gramatice Harrisův systém substituce tříd morfémů Zellig Harris se snaží popsat syntaktickou strukturu jazyka pomocí substitučních operací. Předpokládá, že každá věta se skládá z posloupností mor- 7

13 fémů, které jsou nahraditelné. Vychází z předpokladu, že morfémy, případně posloupnosti morfémů, jsou zaměnitelné pouze tehdy, lze-li je nahradit ve všech kontextech. Gramatická pravidla, která Harris svým syntaktickým popisem zavádí, umožňují substituci jednoho morfému více morfémy, např. A BC. Zároveň připouští kontextová pravidla, kdy posloupnost morfémů může být dosazena za jiný morfém pouze v případě, že je tento morfém následován jiným, konkrétním morfémem. Toto omezení je pro angličtinu nutné, nebot v ní neexistují věty tytu She is big, brown. Kromě jednoduchých morfémů používá Harris i morfémy s vrchními indexy. Symbol s jedním vrchním indexem nelze zaměnit za tentýž symbol s jiným vrchním indexem ve všech souvislostech, ale pouze ve většině. Rozlišují se tak na příklad množná čísla podstatných jmen od jednotných; množné číslo lze z jednotného odvodit přidáním morfému pro množné číslo (přidáním koncového s). Mnoho slov v angličtině je složeno z jediného morfému, a tak je jejich substituce podle Harrisova systému snadná. Slova, která se skládají z více morfémů, jako třeba množná čísla podstatných jmen, je zbytečné odlišovat na syntaktické úrovni. Kontextová omezení, která Harris zavádí, mají smysl a gramatický popis ujasní. Gramatický popis, uvedený Harrisem, je již po desetiletí součástí projektu University of New York, nazývaného Linguistic String Project. Od roku 1965, kdy byl projekt představem, zůstala gramatika i hlavní část programu beze změn. V současné době je důraz kladen na projekt s názvem Medical Language Processor (MLP), systém zabývající se překladem medických textů do strukturovaného XML dokumentu. MLP stále staví, jako dřívější projekty v rámci Linguistic String Project, na Harrisově gramatickém popisu Lambova stratifikační syntax Ve své publikaci uvádí Lamb stručný teoretický návrh syntaktického popisu. Tento návrh je sice těžko přímo použitelný, nebot žádný z navrhovaných prostředků není použitý pro žádný příklad, a navíc jsou úvahy o prostředcích syntaktického popisu smíšené s úvahami o vlastní matematické formě připouštěných pravidel. Podle Lamba může být na levé straně pravidel jeden symbol třídy, a to bud ve smyslu celé třídy, nebo jako průnik více tříd. Nevysvětluje, ani neuvádí příklad, jak by takový průnik mohl vypadat. Pravá strana pravidel se skládá z jakéhokoliv konečného řetězu tříd, a to včetně prázdné třídy. To tedy znamená, že Lamb ve svém syntaktickém popisu povoluje vypouštění s odůvodněním, že takovýto systém umožňuje nejjednodušší popis uspořádání 8

14 tříd. Vypouštěním se nezvyšuje generativní síla pravidel, ale zjednodušuje jejich zápis. Kromě výše popsaného zavádí Lamb také notaci s kroužky, které označují permutaci. Platí tak AB = BA = BA. Je to prostředek, jak umožnit permutaci bezprostředně sousedících prvků. Lamb neuvádí, jak tuto notaci použít v rámci jím navrhovaných pravidel, ani jak se jí má při skutečném rozboru použít. Mnoho z Lambových zmínek je nejasných, a tedy těžko použitelných. I když permutace některých částí vět je v angličtině možná, bez začlenění permutace do pravidel zůstává pouze v teoretické rovině. Podobně je tomu aparát průniků tříd. Naopak možnost vypouštění prvků, z důvodu zjednodušení pravidel, je vhodné použít Tagmémika Tagmémika byla aplikována na mnoho jazyků, především exotických, a Postal jí ve své eseji ([2]) věnuje dvě dlouhé kapitoly. Tagmémický popis se vyznačuje spojením formy a funkce, povolením většího než binárního dělení a popisem shody. Hlavním prostředkem pro gramatický popis jazyka jsou tagmémické formule, které mají tvar A = B : bc : c...n : n. Tato formule vyjadřuje, že tagmém A je na nižším stupni reprezentován posloupností tagmémů B:b C:c... N:n, kde každý tagmém B:b znamená spojení názvu místa (B) a funkce neboli formy (b). Tagmémika připouští větvení tagmému (uzlu) na více než dva nižší tagmémy, ale tyto tagmémy, pokud jsou ve tvaru B:b se dále nevětví. Zároveň se nepřipouští žádné pravidlo typu A Zc, kde Z není koncový symbol, kdežto c koncovým symbolem je. Výsledná stromová struktura libovolné věty má přibližně dvojnásobný počet uzlů oproti ostatním syntaktickým složkovým popisům. Autoři tagmémiky obhajují takovéto zesložitění popisu tím, že pro gramatický popis nestačí pouze posloupnost slovních tříd (funkcí), ale jsou přesvědčeni, že je nutné analyzovat i místo, pozici ve větě, tedy jakýsi sémantický rys. Pro věty typu Bill likes John používá tagmémika pravidlo S:N P:V O:N, tedy říká, že se skládá z podmětu, tvořeného podstatným jménem, predikátem, tvořeného slovesem, a předmětem, tvořeného opět podstatným jménem. Podle tohoto popisu platí, že jak podmět, tak předmět mají stejnou třídu obsazení, funkci, a to podstatné jméno. V angličtině existuje jen málo výjimek, kde se tvar slov použitých na pozici podmětu a předmětu liší. Jedná se o pouze osobní zájmena, na příklad I - me, he - him nebo we - us. Pravidla tagmémického popisu ale přiřazují vyšším složkám podmět a předmět stejnou složku nižšího řádu N, je tedy jasné, že případ rozdílných tvarů zájmen 9

15 není zohledněn. Tagmémika v popisu gramatiky připouští větvení na více než dvě složky. Zároveň ale nepřipouští větvení na nekonečně mnoho složek. Přes to není nikde maximální počet větví ve struktuře pevně stanoven, a tak vychází z potřeb gramatického popisu konkrétního jazyka. Poslední zvláštností tagmémiky je fakt, že se snaží popsat shodu, a to členu a podstatného jména, podmětu a přísudku a jiných. Používá k tomu sice jen málo pravidel, tato pravidla jsou však dosti komplikovaná. První podmínkou použití tagmémických pravidel k vyjádření shody je nutnost rozdělení slov na morfémy, a to morfémy typu rod nebo číslo. Dále je k vyjádření shody zapotřebí kontextových pravidel, která určují na příklad to, že daná koncovka přídavného jména je použitelná pouze tehdy, kdy podstatné jméno je daného rodu. Poslední složka pravidel pro shodu je fakultativnost některých míst; takto se jmenná fráze například z členu, který nemusí být přítomen, z podstatného jména, které přítomno být musí, a z nepovinného přídavného místa. Tuto fakultativnost je možné rozepsat pomocí více pravidel, v příkladě se jmennou frází do čtyř gramatických pravidel pro jednu jedinou shodu. Ze všech zde zmiňovaných systémů je tagmémika jednoznačně nejpropracovanější. Popis shody, jak ji uvádí tagmémický systém, je nepraktický, protože nutí vypisovat mnoho pravidel, která se liší pouze typem morfému. Tagmémika se tak nemůže stát vhodným nástrojem pro pokrytí potřeb lingvistů při syntaktickém popisu jazyka, u kterého existuje jiný propracovaný systém - a takovým jazykem je i angličtina Hockettova konstrukční gramatika Konstrukční gramatika představená Hockettem pracuje se čtyřmi typy prvků - slovy, formálními třídami slov, bezprostřední složkovou strukturou neboli konstrukcí a konstrukčními typy. Konstrukční typy jsou množiny, které mají společné nějaké formální vlastnosti. Neříká, jaké vlastnosti nepopisují konstrukční typy, ani jaké je popisují, pouze uvádí některé konkrétní příklady. Jeden z příkladů je endocentrické rozvíjení hlavního členu, tedy konstrukce black cat a run quickly jsou si podobné. Druhým příkladem je podobnost vět John is here a is John here, kde složky, běžně nazývané podmět a predikát, jsou vázány různými konstrukcemi stejného konstrukčního typu. Ani u jednoho konstrukčního typu ale není tento typ specifikován. Konstrukcemi Hockett rozumí fráze, i když odmítá tradiční názvy jako jmenná fráze. Podobně jako u konstrukčních typů Hockett operuje s běžnými typy konstrukcí či frází, ale nespecifikuje, jak k nim došel. Konstrukce jako 10

16 své prvky obsahují bud další konstrukce, nebo formální třídy slov. Podle Hocketta patří do jedné formální třídy dvě slova právě tehdy, když jsou zaměnitelná ve všech okolích. Tento požadavek ale ve výsledku vede k tomu, že slovo, které má dva významy, ale stejnou formu, patří do samostatné formální třídy. Takových slov je v angličtině mnoho, na příklad yellow (zežloutnout, žlutá), gold (zlato, zlatý), nebo cook (kuchař, vařit). Podle Hockettova pravidla zaměnitelnosti tato slova patří do samostatných formálních tříd, které ale neodpovídají skutečným gramatickým třídám (podstatné jméno, přídavné jméno, sloveso). Poslední pojem, který Hockett intuitivně zavádí, je pojem indexu konstrukcí. Do této skupiny slov zařazuje spojky, a slova typu either. Nikde neuvádí, jakým způsobem tyto indexu fungují vzhledem ke konstrukcím. Hockettův přístup je možné považovat za předchůdce generativní a transformační gramatiky. Popis se snaží zachytit vztahy mezi různými konstrukcemi stejných slov, které spolu sousedí, nevěnuje však pozornost vzdáleným vazbám, kterých je však v každém jazyce mnoho. Díky nejasnostem v použití konstrukčního typu a konstrukcí, stejně jako z důvodu přílišného množství nesmyslných formálních tříd nelze Hockettův gramatický popis přijmout a adaptovat. Lze se ale zamyslet nad funkcí indexů pro slova typu either Blochova sytax japonštiny Bloch se věnuje syntaktickému popisu japonštiny. Ve své gramatice popisuje strukturu vět od nejvyšší složky (věta), přes typy vět (hlavní, zvolací aj.), fráze, až po slovní druhy. Rozdělení vět na různé typy umožňuje složitěji popsat podobné věty s různou strukturou; takto rozdělené struktury lze však interpretovat pravidly pouhým přiřazováním jednodušších složek nižšího řádu (např. frází). Prvky nižšího řádu se na každé úrovni nepřekrývají. I když se japonština od angličtiny v mnohém liší, rozdělení věty coby nejvyšší složky syntaktického popisu na typy vět může být výhodné i pro gramatický popis různých tvarů vět v angličtině. Toto rozdělení sice přidává do popisu jakýsi významový prvek, zároveň ale umožňuje souřadné spojení stejných druhů vět bez složitého opakování struktur a kontextových pravidel Chomského transformační gramatika Frázová gramatika navržená Chomskym má nedostatky, které svými prostředky není schopná překonat. Transformační gramatika si dala za cíl tyto neadekvátnosti napravit a začlenit do syntaktického popisu. 11

17 Transformační gramatika je nástavbou gramatiky frázové; obsahuje tak zvané podkladové frázové ukazatele a transformační funkce. Podkladové frázové ukazatele umožňují jeden prvek - větu - rozvinout v syntaktický strom, na jehož konci stojí řetěz morfémů. Transformační funkce umožňují tento řetězec i celý syntaktický strom modifikovat. Transformační funkce mohou morfémy, respektive pomocná slova, přidávat i vypouštět. Uplatňují se na množině řetězů, které, na rozdíl od frázového pravidla, nemusí mít žádnou společnou strukturu, ale musí mít nějakou pevnou reprezentaci pomocí struktury frázového ukazatele. Transformační gramatika je schopná formulovat jednoduchá pravidla pro shodu, pro různé typy vět (oznamovací věty, otázky, trpný rod apod.) a vztahy mezi nimi. Tato pravidla, transformační funkce, pracují s celými větami, výjimečně s celými frázemi. Pomocí šesti po sobě jdoucích transformací lze větu he saw her přeformulovat bud na otázku whom did he see, nebo pomocí podobných transformačních pravidel na otázku who saw her. Většinu transformačních funkcí je možné zapsat pomocí frázových pravidel. Od podkladových frázových pravidel, která generují podkladové frázové ukazatele, se liší v několika ohledech. Na levé straně pravidla stojí obvykle více než jeden prvek, vyjadřující frázi, slovo nebo morfém; pravidlo je tedy aplikovatelné pouze v kontextu. V pravidlech transformací je povoleno vypouštění, případně slučování morfémů do jednoho slova. Těmito transformacemi lze z věty Mary was met by John získat odvozenou větu Mary was met, případně z morfému a slova wh + the je vytvořeno tázací zájmeno what. Pravidla transformační gramatiky komplexně popisují skutečný jazyk, i když nepopisují celý systém jazyka. Podkladové frázové ukazatele popisují věty tvořené podmětem a přísudkem, a popisují vztah činitel - činnost. Na základě těchto dvou vztahů jsou odvozeny další jevy, jako jmenné fráze, otázky, vedlejší věty a další. Popisy transformačních funkcí zahrnují kontextové podmínky využití těchto pravidel; navíc pracují se skupinami morfémů, případně s celými větami, a jsou tak těžko automaticky zpracovatelné v počítačovém analyzátoru. Stejně jako byla transformační gramatika zdrojem pro další modifikace a nové gramatiky, její aplikace v počítačové lingvistice, představená v roce 1968 ([5]), sloužila k vývoji jiných transformačních gramatik Head-Driven Phrase Structure Grammar (HPSG) Gramatický formalismus představený Carlem Pollardem a Ivanem Sagem vychází z myšlenky znaku Ferdinanda de Saussure. Podle této teorie je každý jazyk tvořen znaky, a každý znak se skládá ze dvou částí - označujícího (signifier) a označovaného (signified); signifier je reprezentantem tvaru slova, 12

18 případně fráze, signified obsahuje jeho význam. HPSG do sebe pojalo myšlenky z dříve představených gramatických formalismů, jako Lexical-Functional Grammar nebo gramatiku kategorií (Catogorial Grammar). Pro gramatický formalismus HPSG to znamená, že každý lexém (slovo, fráze) je popsán dvojicemi vlastností a hodnot, kde každá z hodnot může mít i své další vlastnosti. Fráze, které jsou považovány stejně jako slova za znak, ale jiného typu, spojují informace z jednoho či více potomků. Složitější struktury (věty) jsou tvořeny pomocí logických výrazů. Gramatický formalismus head-driven phrase structure grammar vyžaduje podrobnou morfologickou i lexikografickou analýzu, na jejímž základě je schopen obsáhnout i složité vazby přirozeného jazyka. Anglická gramatika využívající formalismus HPSG je vyvíjena na Standfordské univerzitě pod názvem LinGO English Resource Grammar (viz [6]) Lexical-Functional Grammar (LFG) Lexical-Functional Grammar vychází z tradice Chomského transformační gramatiky, kdy frázovou strukturu věty (c-struktura) rozšiřuje o stukturu gramatických funkcí (f-struktura). C-struktura má strukturu stromu bezkontextové gramatiky, f-struktura je pak tvořena dvojicemi atribut-hodnota. Atributem může být vlastnost, jako například čas nebo rod, nebo funkce, jako například podmět nebo předmět. Funkce popisují, jaký typ struktury se může vyskytovat na místě daném funkcí, tedy například podmětu nebo předmětu. Hodnotou f-struktury může být bud atomická hodnota (přítomný, mužský), nebo může obsahovat další komplexní f-strukturu. Gramatika LFG je díky nezávislosti f-struktur na linearitě věty vhodným prostředkem pro použití ve strojovém překladu, a to již od konce 80. let 20. století. Programy při strojovém překladu vezmou v úvahu c-strukturu věty v původním jazyce a f-struktury použitých slov. Slova z f-struktur dle zadaných kontextových omezení přeloží (bug bude přeložen jinak v technickém kontextu a jinak v ostatních), a na základě kontextových omezení pro slova a f-struktury nového jazyka, a c-struktury původní věty je vybudována přeložená věta. Příkladem využití tohoto gramatického formalismu je ECS System (viz [9]), nebo také systém pro automatický překlad firmy AppTek. Úspěšně byla aplikována především na jazyky, které mají pouze slabou vazbu mezi formou (strukturou) a funkcí. 13

19 Combinatory Categorial Grammar (CCG) Gramatika CCG je popsaná pomocí predikátové logiky, linearity strukturních implikací a kvantifikátorů. Gramatika zavádí dvě implikace, A/B a B\A; obě tyto implikace vyjadřují, že doplnění struktury o složku B vyprodukuje výraz typu A. Rozdíl mezi implikacemi je v místě doplnění výrazu B; pro implikaci A/B je potřeba výraz doplnit na pravou stranu výrazu A, při opačné implikaci pak výraz B je třeba doplnit vlevo od A. Na příklad určitý člen the je ohodnocen implikací np/n, podstatné jméno teacher je ohodnoceno jako podstatné jméno, n. Pokud připojíme k určitému členu zprava podstatné jméno, tj. vytvoříme spojení the teacher, výsledný výraz je z implikace np/n vyhodnocen jako np, jmenná fráze. Struktura popisované věty či fráze je lineární, nikoliv stromovitá, což umožňuje být flexibilnější při popisu různých gramatických struktur. Větu The student talks to the teacher je možné modifikovat do tvaru jmenné fráze obsahující vztažnou větu the teacher whom the student talks to. Jak uvádí Michael Moortgat, zmiňovanou modifikaci lze provést pouze se členem, který stojí na okraji věty. Výhodou této volby je, že nevzniká příliš mnoho nesmyslných a gramaticky nesprávných frází, naopak není možné tímto způsobem definovat frázi z věty, na jejímž konci stojí příslovce - The student talked to the teacher yesterday. Combinatory Categorial Grammar je lingvisticky expresivní a efektivně parsovatelná, a je používaná ve více projektech. Jedním z nich je i CCG Parser, zahrnutý v C & C tools. Tento parser je podle stánek projektu [10] schopen rozeznat téměř 100 % nových vět z novinových článků, uložených v CCGbank Gramatika připojovaných stromů (Tree-adjoining grammar) Gramatika připojovaných stromů, definovaná Aravindem Joshim, vychází z nekontextové gramatiky, ale hlavním prvkem zde není neterminál jako symbol, ale stromový graf a jeho uzly. Základními prvky této gramatiky jsou stromové grafy, které se dělí na dva druhy - výchozí stromy a pomocné stromy. Výchozí stromy jsou jednotky, které obsahují základní syntaktické struktury, jako jsou jednoduché věty a jednoduché fráze (jmenná, slovesná, předložková... ). Výchozí stromy jsou charakterizovány: 1) všechny vnitřní uzly jsou tvořeny neterminály, 2) každý list (koncový uzel) grafu je bud označen jako terminál, nebo jako neterminál, který musí být nahrazen. ([11]). Po- 14

20 mocné stromy rozšiřují výchozí stromy o rekurzi; liší se od výchozích stromů tím, že právě jeden z listů pomocného stromu je tvořen stejným neterminálem jako jeho kořen. Pro práci s výchozími a pomocnými stromy jsou v gramatice připojovaných stromů definovány právě dvě funkce - substituce a připojení. Pomocí substituce je list - neterminál určený k nahrazení - nahrazen výchozím stromem, přičemž platí, že kořen nahrazujícího stromu musí být označen stejně jako nahrazovaný list. Připojení umožňuje nahradit neterminál v kterémkoliv uzlu stromu pomocným stromem. Nahrazovaný neterminál a nahrazující pomocný strom musí být stejně označeny; větve vedoucí z nahrazovaného neterminálu jsou napojeny na list se stejným označením. Výchozí stromy definují vztahy mezi větnými členy a jejich přípustné kombinace. Pomocné stromy umožňují rozvíjení jednotlivých větných členů, a to bez omezení, kolikrát lze pomocný strom do stromu připojit. Díky vlastnosti funkce připojení, tedy že pomocný strom vždy rozvíjí vnitřní uzel grafu, je každý strom ukončený, nikoliv rozvíjený na nekonečný graf. Gramatika připojovaných stromů je Joshim nadále vyvíjena jako součást projektu The XTAG Project. Cílem projektu je vyvinout co nejpřesnější gramatiku pro angličtinu, s využitím LTAG - Lexicalized Tree-adjoining Grammar. Tato varianta gramatického formalismu nejdříve přiřadí každému slovu vstupní věty konečnou množinu stromů, ve kterých je možné koncové neterminály nahradit daným slovem, a dále pracuje pouze s těmito vybranými množinami stromů. Tento způsob zpracování vstupních vět umožňuje správné ohodnocení i vět neúplných, které jsou gramaticky správné. 15

21 Kapitola 3 Gramatika Gramatický popis jazyka je systém pravidel, který popisuje nekonečnou množinu vět, které tvoří přirozený jazyk. Úkolem této práce je takový popis najít pro anglický jazyk, a aplikovat ho v syntaktickém analyzátoru Synt. Jak bylo řečeno dříve, žádný gramatický popis, známý v současnosti, bud nesplňuje podmínku popisu celého jazyka, nebo není snadno implementovatelný pro automatické zpracování. Chomského frázová gramatika je dostatečně komplexní a zároveň snadno implementovatelná pro Synt. Tuto gramatiku dále doplníme o struktury, kterým se Chomsky nevěnoval (tázací věty, souvětí), a odstraníme některé vlastnosti, které jsou zpracovatelné člověkem, ale nikoliv strojem. Běžná oznamovací věta v angličtině se skládá ze dvou částí - jmenné skupiny a slovesné skupiny. Některá příslovce či příslovečné skupiny toto pořadí narušují. Chomsky se touto podmíněnou změnou slovosledu nezajímá, a tak její řešení bude následovat později. 3.1 Jmenná fráze Jmennou skupinu lze rozdělit na člen, nepovinnou adjektivní frázi, podstatné jméno, a nepovinnou předložkovou frázi. Hlavním členem jmenné fráze je podstatné jméno, které dále Chomsky dělí na tři základní skupiny - abstraktní podstatná jména dvou hlavních typů, slova jako sincerity nebo truthfulness a fráze jako proving that theorem ve větě proving that theorem was difficult; druhou skupinu podstatných jmen jsou podstatná jména životná (John, boy, dog), třetí skupinou podstatná jména neživotná (table, book). Toto rozdělení má díky kontextovým podmínkám vliv na slovesné kategorie a druh použitého členu. Velkou nevýhodou takovéhoto rozdělení je neexistující podklad v morfologické analýze, alespoň v morfologickém analyzátoru 16

22 angličtiny RASP. Člen je povinná část jmenné fráze, které existují tři varianty - neurčitý člen a, určitý člen the a žádný, tak zvaný nulový, člen. Chomsky rozlišuje tři varianty na základě podstatných jmen, které za členem následují. První skupina, člen určitý nebo nulový, předchází bud podstatným jménům neživotným v množném čísle, obecným podstatným jménům životným v množném čísle (boys, dogs), nebo abstraktním podstatným jménům, která bud stojí na konci věty, nebo za nimi následuje konstrukce of + podstatné jméno, např. the sincerity of manner. Druhou skupinu tvoří člen určitý anebo neurčitý, předcházející jednotnému podstatnému jménu, a nulový člen předcházející vlastním jménům. Ve všech ostatních případech lze použít kteroukoliv variantu členu. 3.2 Adjektivní fráze Za adjektivní frázi je považován přivlastňovací pád jmenné fráze; pokud je použita před podstatným jménem, nahrazuje člen tohoto podstatného jména, a stojí vždy na prvním místě v řadě přídavných jmen adjektivní fráze. Nelze jej však považovat za typ členu; jednak člen nelze souřadně spojovat, ale přivlastňovací pád ano: John s and Peter s car. Druhým důvodem je možnost použití přivlastňovacího pádu bez podstatného jména: I will go in Frank s car and you can go in Alan s. Druhým typem adjektivní fráze je přídavné jméno, případně gerundium nebo příčestí minulé některých skupin sloves, kterým může předcházet příslovce. Příslovce jsou rozdělena do dvou skupin, typu very nebo rather, tedy příslovce míry, a typu quickly nebo certainly, tedy příslovce způsobu. 3.3 Slovesná fráze Slovesnou frázi rozebírá Chomsky do detailu, co se týká druhů sloves, která mohou být použitá v jakém kontextu. Slovesa rozděluje do skupin, které nejsou disjunktní - jedno sloveso může patřit i do více skupin. Neřeší ani záporné věty, ani zvláštní typy vět, jakým je konjunktiv. Zároveň uvádí, že analýza tranzitivních sloves závisí na tom, jak podrobná je analýza podstatných jmen. (str. 242) Ze slovesné fráze se nejdříve vygeneruje řetězec obsahující pomocné sloveso a řetězec hlavního slovesa. Obě části slovesné fráze jsou povinné, protože řetězec pomocného slovesa vždy obsahuje alespoň morfém určující, zda je první sloveso v minulém nebo přítomném čase. Platí zde pravidlo, že forma 17

23 slovesa je určená slovesem předchozím, a první sloveso v řadě je bud v přítomném, nebo v minulém čase. Přípustná kombinace pomocných sloves je could have been, ale nikoliv has being have. Pravidla pro kombinaci sloves Chomsky popisuje pomocí kombinací morfémů; v analyzátoru Synt je výhodnější použít kontextových funkcí. Platí, že slovesům v infinitivu bez to mohou předcházet modální slovesa (will, might) a pomocné sloveso do. Modální slovesa mohou následovat pouze za podmětnou frází, případně, v otázce, stát před ní. Slovesa ve třetí osobě jednotného čísla (has, does, cooks) mohou také následovat za podmětnou frází, ale nemohou tvořit otázku. Zde se dopouštíme zjednodušení - některá slovesa jako dare nebo need mohou tvořit otázky i zápory podobně jako do: Mother dare not tell father she d given away his old jacket. Tato slovesa se v těchto větách chovají jako slovesa modální. Morfologický analyzátor RASP tato slovesa nerozlišuje, proto podobné věty nebudou považovány za gramaticky správné. Ve skupině pomocných sloves má zvláštní postavení první z nich - tvoří otázku tím, že předchází podmětnou frázi, spolu se slovem not tvoří zápor, a pokud je součástí věty některý typ příslovce, pak toto příslovce stojí za prvním pomocným slovesem. Pozice příslovcí a příslovečných frází ve větě je na poměry anglické gramatiky velmi variabilní, vrátíme se k nim tedy později. Za hlavní sloveso ve větách typu John wants to read a book Chomsky považuje sloveso read, což zdůvodňuje významovým důrazem na toto sloveso. Díky tomu je kombinace wants + to pokládána za jistý typ pomocného slovesa, a to takového, které stojí na konci řetězce pomocných sloves. Podobně lze klasifikovat sloveso like ve větě John likes reading, kde hlavním slovesem je opět sloveso read. Tímto pravidlem lze podchytit pomocná slovesa used to a ought to. Rozdíl mezi slovesy used to a want to je v aplikovatelnosti pravidla souřadné spojky; lze říct John wants to read novels and to play tennis, ale John used to read novels and play tennis, a tedy used to je skutečně sloveso složené ze dvou slov, kdežto want to je sloveso následované infinitivní vazbou. Tato skutečnost je podpořena i existencí věty John used to like to play tennis, ale nikoliv John wants to like to play tennis. Hlavní sloveso nese význam slovesné skupiny, a skládá se bud z jednoho slovesa, nebo ze slovesa a příslovečné předložky (hang on, get up, put off ). Hlavní rozdělení sloves podle Chomskeho je na slovesa, která mohou být následovaná předmětem, tedy jmennou frází, a slovesa, která předmět nemají. Slovesa bez předmětu se dělí jen do dvou skupin podle toho, zda jejich podmět je životný nebo neživotný. Slovesa, za kterými následuje předmět, Chomsky dále podrobně třídí do skupin podle typu podmětu, podle počtu a typu předmětu, do takových, za kterými může následovat vedlejší věta a dalších. Jak sám uvádí, slovesa lze 18

24 rozdělit do mnoha různých podrobněji definovaných skupin, přičemž stále platí, že jedno sloveso může být členem různých skupin. Důležitá je skupina sloves, po kterých může následovat vedlejší věta: I knew (that) he would come. Transformační gramatika tento typ vedlejší věty považuje za jmennou frázi, stručně řečeno z důvodu její nahraditelnosti zájmenem it. Tato analýza odpovídá situaci, kdy vedlejší věta stojí na místě podmětu: (The fact) that his proposal makes sense should be recognized. Funkčně je takovýto typ vět shodný s infinitivní frází nebo frází s gerundiem, které frázová gramatika analyzuje jako abstraktní podstatná jména: To get into university you have to pass a number of examination, Seeing the door open, the stranger entered the house. Ve shodě s transformační gramtatikou budeme takovéto vedlejší věty analyzovat jako jmenné fráze. 3.4 Příslovce a příslovečné fráze Základní pozice příslovce a příslovečné fráze v angličtině je na konci věty; příslovce je ale slovní druh s největší volností ve výběru pozice. Některá příslovce mohou změnit pořádek podmětu a predikátu ve větě: Never, in world history, has there been such a conflict. Skupin příslovcí rozlišované morfologickým analyzátorem RASP je šest - místa, času, míry, tázací příslovce (wh- adverbs), příslovečné předložky, jiné. Chomsky ve svých gramatikách použití příslovců nerozebírá, pouze v závěrečném shrnutí k frázové gramatice ukazuje dvě pozice, kde příslovce mohou stát - uprostřed slovesné fráze a před přídavným jménem. Příslovcím se podrobně nevěnují ani jiní autoři, pravděpodobně pro zjednodušení jimi popisovaných gramatik. Druhů příslovcí je v učebnici Longman English Grammar více - příslovce způsobu, místa, času, četnosti, míry, příslovce upoutávající pozornost (even), příslovečné předložky, jiné. Na rozdíl od češtiny v anglickém jazyce neexistuje jednotný standard rozlišování druhů (nejen) příslovcí, je tedy nutné obě dostupná rozdělení přehodnotit a využít co nejlépe. Příslovečné předložky bud následují přímo za slovesem, nebo jsou od slovesa odděleny předmětem. Jestli je gramaticky správná jen jedna z variant, nebo obě, závisí na typu slovesa. Tyto případy nebudu v gramatice rozlišovat, protože pravidlo pro to, zda je příslovečná předložka za předmětem nebo před se odvíjí od subjektivní délky jmenné fráze na místě předmětu. Pouze v případě, kdy předmětem je zájmeno, stojí příslovečná předložka za tímto zájmenem. Pokud sloveso není tranzitivní, tedy nemá předmět, příslovečná předložka následuje přímo za slovesem. Další příslovce, pokud modifikují význam slovesa, 19

25 následují po příslovečné předložce: The echoes died away in the distance. Slovesa, která se skládají nejen z příslovečné předložky, ale i z předložky, mají vždy předmět. Pokud taková slovesa mají trpný rod, pak předložka stojí na konci věty: All the old regulations were done away with. Příslovcem místa může být jak jednoslovné příslovce, tak předložková fráze. Příslovce místa nikdy nestojí mezi podmětem a přísudkem; v běžných větách následuje za slovesem, případně jeho předmětem, před příslovcem času: Barbara read in the library in London all afternoon. Pro zdůraznění uváděného místa lze příslovce uvést na začátku věty: Indoors it was nice and warm. Pokud je tímto příslovcem předložková fráze, běžně se od věty odděluje čárkou, je-li jím jedno slovo, čárka se neuvádí. V popisném textu především krásné literatury lze ještě většího důrazu docílit změnou slovosledu po některých příslovcích místa. Tato příslovce od věty nejsou oddělena čárkou, i když se jedná o předložkovou frázi: At the top of the hill stood the tiny chapel. Příslovce míry modifikují především přídavná jména a jiná příslovce, v některých případech mohou stát i před podstatným jménem. Podle pozice ve větě a kolokací, ve kterých se vyskytují, je lze rozdělit do tří skupin. První skupinu tvoří příslovce, která zdůrazňují nebo naopak zeslabují význam příslovcí, přídavných a podstatných jmen. Příslovce, která modifikují, jsou jiného typu než příslovce míry: Mrs Kate is very much alone, a vždy jim přímo předcházejí. Tato první skupina příslovcí může modifikovat význam podstatných jmen; v takovém případě předchází celé jmenné frázi včetně členu: It was such a nice party. Druhou skupinu tvoří dvě příslovce, indeed a enough. Tato příslovce míry modifikují přídavná a podstatná jména a jiná příslovce podobně jako příslovce z první skupiny, liší se od nich postavením za modifikovaným slovem. Pokud modifikují příslovce, které stojí před přídavným jménem či příslovcem, pak příslovce z této druhé skupiny stojí za tímto přídavným jménem/příslovcem: I enjoyed it very much indeed. Poslední skupina je tvořena příslovci, která stupňují jiná příslovce, případně přídavná jména. Modifikovaná slova nesmí být již dříve stupňována, nelze použít more quicklier. Podobně jako první skupina příslovcí míry, tato příslovce stojí těsně před modifikovaným slovem. Příslovce času, slova nebo předložkové fráze, stojí bud na začátku anglické věty, nebo na jejím konci, i když příslovce neurčitého času, podobně jako běžná příslovce, mohou stát i mezi podmětem a přísudkem: I am still waiting for my passport. Příslovce času nelze modifikovat pomocí jiných příslovcí, ale jednotlivá příslovce času lze zřetězit za sebe. Pokud je ve větě i příslovce místa, pak vždy předchází příslovci času: Peter was born in a small village on Monday November 18th

26 Některá příslovce času mohou být použita na místě podmětu: Tomorrow is Tuesday. Morfologický analyzátor RASP odlišuje od běžných příslovcí právě tato příslovce času, lze tedy jednoduše do gramatiky zahrnout pravidlo, kde tento typ příslovcí bude stát na místě podmětu. Většinu příslovcí nezmíněná výše lze ve větě umístit na začátek věty, mezi podmět a přísudek, za významové sloveso, před podstatné jméno a na konec věty. Jednoslovná příslovce lze modifikovat příslovci míry. Morfologický analyzátor RASP rozeznává další tři okrajové skupiny příslovcí, pro která je vhodné vytvořit samostatná gramatická pravidla. První skupina příslovcí může stát pouze za podstatným jménem či zájmenem (else, galore), pro druhou skupinu je charakteristické uvození jmenné fráze (namely). Poslední skupinu tvoří příslovce, jejichž jediným úkolem je spojit věty, at už v souřadné souvětí, nebo pouze logicky, z pohledu posluchače: They had found his fingerprints everywhere. Furthermore, they knew that he had not been at his mother s at the time of the crime. 3.5 Vztažné věty Kromě jediné výjimky - vět uvozených that - Chomsky neřeší jakým způsobem lze v gramatice interpretovat souvětí. Vztažné věty uvozené zájmenem that pak ve frázové gramatice rozvíjí jako novou větu, v transformační gramatice jsou vztažné věty chápány jako část rozvoje jmenné fráze stojící vpravo od řídícího podstatného jména či zájmena. Interpretace, jak ji uvádí transformační gramatika, je bližší chápání vztažných vět z pohledu posluchače, proto gramatiku směřujeme tímto směrem. V angličtině existují dva druhy vztažných vět - takové, ve kterých stojí vztažné zájmeno na místě podmětu, a takové, kde vztažné zájmeno plní funkci předmětu. V obou případech vztažná věta rozvíjí podstatné jméno, případně zájmeno, a může být z obou stran uzavřená čárkami, pomlčkami nebo závorkami. Vztažné věty se vztažným zájmenem na místě podmětu lze, podobně jako běžnou oznamovací větu, rozdělit na část podmětnou (vztažné zájmeno, případně vztažné zájmeno whose a podstatné jméno) a část slovesnou. Ve větách, kde stojí vztažné zájmeno na místě předmětu, je situace složitější, pokud je ve vztažné větě předložka: The travel agency, which our company has been dealing with for several years, has opened four new branches. Taková věta je složena ze vztažného zájmena nebo zájmena whose a podstatného jména, podmětu, predikátu, předložky a případně příslovce, které tuto větu modifikuje (for several years). 21

27 3.6 Souvětí Souvětí souřadná jsou ve frázové gramatice, případně v jiné gramatice jí ekvivalentní, správně vyjádřena frázovým ukazatelem, který se rozděluje na právě tolik větví, kolik je v daném souvětí hlavních vět. Jak bylo řečeno dříve, nelze stanovit nějaké n, které by značilo nejvyšší možný počet hlavních vět v souvětí. V tomto případě je tedy lepší cestou nedržet se formálně správných frázových ukazatelů, ale nahradit je takovými, které mohou být generovány automaticky, tedy cestou nejvýše binárního větvení. Souvětí je tedy rozděleno na větu jednoduchou a další souvětí, případně dvě jednoduché věty. Větou jednoduchou přitom můžeme chápat i souvětí podřadné, pokud vedlejší věta nahrazuje některý větný člen. Longman English Grammar [4] klasifikuje jako souřadná souvětí i taková souvětí, kdy je podmět ve druhé, případně ve více následujících větách vynechán: I found a bucket, put it in the sink and turned the tap on. Všechny věty v takovémto souvětí musí mít shodný podmět, a lze je tedy podle Chomskeho pravidla souřadné spojky považovat za vícenásobný predikát, spojený souřadně. Velkou většinu podřadných vedlejších v podřadných souvětích tvoří rozvité větné členy; taková vedlejší věta zastupuje pozici členu. Longman English Grammar tyto vedlejší věty rozděluje do tří kategorií - jmenná věta, zastupující podstatné jméno, adjektivní (vztažná) věta, rozvíjející podstatné jméno, a příslovečná věta, která rozvíjí větu jako takovou. Anglická infinitivní konstrukce, pod kterou lze ve shodě s Chomskym zahrnout nejen infinitiv s to, ale i gerundium, má význam vedlejší věty, tedy rozvíjí hlavní větu, ale nelze ji považovat za větu. Chomsky s infinitivní konstrukcí zachází jako s větným členem, a to jak ve frázové, tak i v transformační gramatice. Vedlejší věty, které jsou často ekvivalenty infinitivních konstrukcí, má tedy také smysl zařazovat pod větné členy. Gramatikou, která vychází z frázové gramatiky, není možné zachytit všechny různorodosti přirozeného jazyka, zvláště ne jeho výjimky. Snahou tedy je popsat co nejširší množinu pravidelných jevů, které jsou rozhodnutelné automaticky. 22

28 Kapitola 4 Aplikace frázové gramatiky Syntaktická analýza angličtiny byla iplementována na základě vstupních dat morfologického analyzátoru RASP takovým způsobem, aby byl stávající syntaktický analyzátor synt změněn co nejméně. Liší se tak pouze způsob zpracování vstupních dat. Samotná gramatika pak byla implementovaná na základě Chomského frázové gramatiky [3], spolu s využitím pravidel popsaných v současné učebnici anglické gramatiky, Longman English Grammar [4]. 4.1 RASP a formát vstupních dat RASP (robust accurate statistical parsing, robustní precizní statistický analyzátor) je systém navržený pro označení textu syntaktickými značkami. Každé slovo analyzovaného textu je označena jednou z přibližně 150 značek PoS (part-of-speech, slovní druhy) a značek označujících interpunkci; součástí výstupu RASPu je také slovo spolu s označenými příponami pro časování a skloňování. Větu You didn t look very well when you got up this morning, tedy: Když jsi dnes ráno vstal, nevypadal jsi moc dobře, je pomocí morfologického analyzátoru RASP označena následovně: ( You:1_PPY do+ed:2_vdd not+:3_xx look:4_vv0 very:5_rg well:6_vv0 when:7_cs you:8_ppy get+ed:9_vvd up:10_rp this:11_dd1 morning:12_nnt1.:13_. ) 1 ; ( ) RASP jako pravděpodobnostní systém přiřadí každému slovu vstupní věty právě jednu značku pro slovní druh. Článek [1] uvádí, že chybovost této morfologické analýzy je menší než 0,07%, tedy toto označení lze považovat za bezchybné. 23

29 Anglická gramatika rozeznává osm slovních druhů, jejich definice je ale dosti vágní, a tak dost slov zůstává těmito osmi kategoriemi nepopsáno. Tradiční anglická gramatika zná tyto slovní druhy: podstatné jméno, přídavné jméno, zájmeno, sloveso, příslovce, předložka, spojka a citoslovce. RASP používá podrovnější dělení, především do samostatné kategorie zařazuje členy, přivlastňovací zájmena, záporku not a číslovky. 4.2 Analýza vstupních dat Vstupní věta nebo věty, které byly analyzovány a označeny morfologickým analyzátorem, mají formát zpracovatelný syntaktickým analyzátorem, syntem. Synt vstupní data rozdělí na slova, lemmata, a část popisující morfologickou strukturu slova. Data rozdělená na slovo, lemma a morfologickou informaci synt dále zpracovává. V první části analýzy jsou slova na základě vstupní gramatické struktury označena slovním druhem, číslem, případně dalšími kategoriemi. Slovních druhů, které rozlišuje morfologický analyzátor RASP, je sedmnáct; stejný počet slovních druhů je tedy použit i v syntaktické analýze. Kromě slovního druhu je v první části syntaktické analýzy morfologická informace, obsažená ve značkách PoS, převedena do jednotného systému, který je syntem používán i pro syntaktickou analýzu češtiny. Tato morfologická informace dále slouží jednak ke správné identifikaci preterminálu gramatiky, jednak pro správné zpracování vazeb ve větě, na příklad mezi podmětem a přísudkem. Druhým krokem syntaktické analýzy je označení analyzovaných slov správnými preterminály, které budou dále zpracovány implementovanou gramatikou. Preterminály anglické gramatiky vycházejí ze značek slovních druhů (PoS) používaných morfologickým analyzátorem RASP; některé kategorie jsou shrnuté pod jeden preterminál, a to z důvodu zachování této části informace v dalších, skrytých, strukturách syntaktického analyzátoru, v části pro morfologickou informaci. Informace, které nejsou v preterminálech zahrnuty, mluví o čísle podstatných jmen i zájmen, o rodu a osobě v případě zájmen, druzích číslovek, a informace o času, rodě, způsobu a čísle u sloves. Jedná se o informace použitelné pro identifikaci vazeb mezi členy analyzované věty. Na příklad podstatné jméno sheep (ovce v jednotném i množném čísle) lze správně použít se slovesem eat (jíst) ve tvarech eat, eats, ate, ale nikoliv ve spojení sheep eating. 24