Тематична мрежа: Балкански регионални информационни центрове за повишаване на осведомеността и за стандартизация на лингвистичните ресурси

1.1.Партньори по проекта

България (СУ "Св.Кл.Охридски", Факултетът по Славянски филологии и Централната лаборатория по паралелна обработка на данни, БАН), Румъния (Факултетът по компютърни науки и Филологическият факултет на Букурещкия универсистет), Гърция (Институт за обработка на език и реч, Атина) и Великобритания (Факултетът по компютърни науки, Университет в Шефийлд).

Участниците от ФСлФ бяха следните:

1. Красимира Александрова Петрова. Гл. ас. д-р, Катедра по руски език, Факултет по славянски филологии. Научен отговорник на проекта; WordNet, лингвистични ресурси, създаване на паралелния речник с термини, участие в изготвянето на трите бюленина, междините и крайния отчет, за координацията между партньорите.
2. Красимира Славчева Алексова. Гл. ас. д-р, Катедра по български език, Факултет по славянски филологии. Морфологчен анализ, дискусия на системата от маркери, тестване и усъвършенстване на морфологизатора за български език; участие в паралелен речник на термините, изготвяне на бюлетините.
3. Николай Александров Вазов. Гл. ас. д-р, Катедра по руски език, Факултет по славянски филологии. Корпуси, лингвистични ресурси, изготвяне на бюлетините.
4. Емануил Костов Костов. Докторант, Катедра по български език, Факултет по славянски филологии. Корпуси; набиране на абонати.
5. Илиана Генчева Гаравалова.хон. ас. д-р, Катедра по български език, Факултет по славянски филологии. Морфологичен анализ на българския език, система от маркери, тестване и усъвършенстване на морфологизатора.
6. Цветомира Георгиева Венкова.Гл. ас. д-р, Катедра по чужди езици, ФКНФ. Корпуси, паралелни корпуси, изготвяне на бюлетините.

1.2. Цели на проекта.

Основната цел на BALRIC-LING бе да повиши осведомеността на новоприсъединените балкански страни България и Румъния по отношение на потенциала на съвременните технологии за обработка на естествения език - съкратено ТОЕЕ (Human Language Technologies - HLT), както и по отношение на възможните научни и производствени приложения на съответните лингвистични ресурси.

1.3. Тематични направления

Тъй като ТОЕЕ представляват твърде обширно поле, проектът BALRIC-LING бе фокусиран върху четири тематични направления:

• лингвистични ресурси, ориентирани към думата като основна единица, и анотиране;
• корпуси и тагиране на корпусите;
• релевантни за съответния език поддържащи компютърни инструменти;
• най-съвременни ТОЕЕ и приложения на разглежданите ресурси.

1.4. Основни цели

За да се изпълни основната цел на проекта - повишаване на осведомеността на България и Румъния в набелязаната област, BALRIC-LING реализира следните три основни инициативи:

{car; auto;
   automobile; machine; motorcar}

{кола; автомобил; машина;
   лека кола}

1.5. Научна кооперация

Втората основна цел на БАЛРИК-ЛИНГ бе да подпомогне балканските изследователски групи в стремежа им да бъдат още по-добре подготвени за научно коопериране на европейско ниво.

1.6. Резултати

Получената най-съвременна информация беше интегрирана в университетските програми и часове, които водят участниците в проекта. Изнесени са 8 доклада като участие в международни конференции, публикувани след това в материалите от тях. Накратко изброяваме извършеното по проекта.

• Участие в работни срещи на проектa: София - септ. 2001, Атина - март 2002, Букурещ - септ. 2002, София - февр. 2003. Представяне на разработените материали, обобщение на получените въпроси и отговорите им.
• Представяне на придобитата информация на международни конференции и отразяването им в 8 публикации на български, руски и английски;
• Придобиване на знания в областта на обработката на естествен език, съществуващите средства и формати
• Установяване на връзки и разпространяване на информация за потребители от съседни Балкански страни - Сърбия, Румъния, славянски страни - Русия, Украйна, Чехия, страни, в които се изучава български език като чужд - Норвегия, Унгария, Финландия.
• Установявено бе сътрудничество и работа в екип: за лингвистично изследване в съпоставителен план, съвместни разработки на специалисти от различни области - компютърни специалисти и лингвисти, бяха осъществени съвместни публикации на автори от различни страни.
• Всички материали по проекта бяха предоставени на студентите от магистърска програма по Компютърна хуманитаристика във ФСФ, за повишаването на тяхната осведоменост и приобщаването им в създаването на ресурси.
• Организиране на кръгла маса "Технологии и компютърни средства за обработка на естествен език" 8-ма международна конференция на МАПРЯЛ, 4-7 април 2002,Велико Търново, участие в международна конференция Electronic Description and Edition of Slavic Sources International Conference, Pomorie, 24-26 September 2002
• Установени бяха връзки с други проекти за обработка на естествен език: Balkanet, Bultreebank, HOPE, групата за кодиране на средновековни текстове, ръкописи и старопечатни книги
• Обсъдени бяха действащите учебни програми в тази област за ФМИ, ФСФ, ФКНФ.
• Предоставени бяха материалите по проекта на университетски специалности, близки до изучаваните проблеми и от разработваните езици: специалност Балканистика, румънска и новогръцка филология
• Бяха актуализирани и обогатени учебните програми, в които преподават участниците в проекта.

3.1. Морфологичен речник

Морфологичният речник като компютърнo лексикографско пособие е рожба на съюза между старата научна дисциплина - лексикография и супернова технология, или традиционно известен като граматически речник. Филологически е изяснено създаването на морфологичния речник като представителна съвкупност от лексемите (или основните форми на думите) на даден език, придружени с техните граматически характеристики ( т.е. нейното формообразуване). По-нататък се проследява историята на българските граматични речници, основните издания, основните им предимства и недостатъци. Определя се мястото на морфологичния речник в семейството на традиционните лексикографски продукти - това на хибрид между речник и граматика, съчетаващ данни и процедури. Сведенията за българското формообразуване, заложени в система за обработка на база данни, фактически представляват база от знания за българската граматика. По този начин речникът може да бъде използван като учебно помагало на всички равнища на усвояване на българската лексика и граматика - изследване както на лексикални особености, така и на граматични закони. Електронната му форма на речник-програма (база от данни) позволява бързи справки не само за отделна дума, но и за групи от думи, което ни предоставя фактически различни срезове на българската граматика и лексика . Това прави речника неоценимо пособие за различните видове работа с езика - от обучителен процес до езиковедско изследване. При това диапазонът на обхващаните данни за езика е максимално пълен - достатъчно представителен глосарий и цялата граматика, описваща неговите единици.

Морфологичния речник като технологичен компонент е свързан с развитието на информационните технологии - за нуждите на всички информационни системи в областта на правото и администрацията, WEB търсачките, на синтезиращия компонент на системи за машинен превод и мн. др.

3.2. Морфологичен анализатор

С демо-версия на един от първите морфологически анализатори за българския език и илюстрирана главната цел на морфологичния речник - да извърши морфологичен анализ на текста, определя и двете му основни операции - на идентификация на текстовата единица и на нейната класификация. С други думи функциите му са - идентификационна и класификационна - родовата принадлежност (лемата) и свойствата на вида (словоформата). Подробно е коментирана системата за маркиране на анализирания резултат с използванита на демонстрационен речник. Дадени са редицата от признаци, приписани към текстовата единица, които ни дава граматическия маркер на думата, нейния таг (tag), общоприет термин за резултата от пълния анализ, процедурата на определяне на този маркер - граматично маркиране, или тагиране (tagging), а анализаторите на текст често се наричат тагери (taggers).

На сайта са дадени две извадки от примерeн лексикон за български и английски език.

Използваният в демонстрацията лексикон на български словоформи сьдьржа 10 000 основни форми около 100 000 словоформи. Всички маркери са разшифровани в таблица на маркерите, използвани в демонстрационния речник, със ськратени и пьлни наименования, за да бъде улеснено разчитането на резултатите от морфологичния анализ, представен в таблица и за представяне на формообразуванито на българския език.

Ето кратка извадка от този речник:

а,а.CONJ

абонамент,абонамент.N+M:s

абонамента,абонамент.N+M:sh:c

абонаменти,абонамент.N+M:p

абонаментите,абонамент.N+M:pd

абонаментът,абонамент.N+M:sl

3.3. Морфологичен анализ на българския език

След дискусията за дълбочината на и точността на морфологичния анализ в зависимост от маркерите в речника от Елена Паскалева е представена демонстрация на морфологичен анализ на български език. Кратки обяснения дават инструкции за стъпките в използването й. Анализът може да бъде извършен в съкратин или в пълен вариант, с маркери на български или английски език, в зависимост от избора на потребителя.

След натискане на съответния линк влизате в страницата за стартиране на анализатора с даден текст. На тази страница:

• отбелязвате кои части на речта искате да бъдат разпознати в анализирания текст чрез избор на квадратчето преди названието;
• имате възможност да въведете собствен текст с разумна дължина за да не се забави процедурата по анализа или да заредите демонстрационен текст, като използвате бутоните; след натискането на бутона "Анализирай" изчаквате обработката на текста;

3.4. Резултати от морфологичния анализ

След обработката се появявя с направения "елементарен" морфологичен анализ от най-ниско ниво. Това е задължителният първи етап на основен морфологичен анализ на текста, при който целта е всеки низ - отделна словоформа, да се разгледа и разпознае като се определи лемата (основната му форма) с нейните характеристики (колони 2 и 3), а кьм тях се прибавят индивидуалните характеристики на тази словоформа (колона 4). Думите (т.е. низовете от кирилски букви) от текста се налагат върху списъка от думи в речника (лексикона), което е основната операция при морфологичния анализ на най-ниско ниво. По този начин всяка софтуeрна система за обработка на езика разпознава със сигурност само онези думи, които фигурират в речника й. Речникът в този случай е сравнително малък по обем, съдържа 10 000 основи на лексеми, които са най-често употребяваните в българските вестници според събран и обработен корпус за проекта ELAN. Това обяснява и липсата на някои често срещани думи от ежедневната реч, например числителни, показателни и въпросителни местоимения и т.н. (подробно разяснение е дадено на сайта).

3.5. Снемане на граматична многозначност (POS-disambiguation)

Освен информацията за морфологичен анализ, граматичен речник и демонстрацинната част, материалите по първата тема представят и инфармация за това, какво е снемане на граматическата многозначност (POS-disambiguation) с въведение от Милена Янкова, демонстрация за английски език с използване на тагера на Mark Hepple от системата GATE и други POS-тагери за френски и английски, базирани на правила, разработени от групата на E. Wehrli и за немски и английски POS-тагер, базиран на статистика, разработен от T. Brants. Дадени са съответните връзки към тези средства за ТОЕЕ.

4.1. Формати за представяне

Представени са форматите за представяне на лингвистични ресурси (SGML, XML и RDF със съответните препратки), стремежа към създаване на международни стандарти - Text Encoding Initiative (TEI), дадени са примерни извадки от различни стандартни ресурси и проекти. В стремежа към стандартизация на лексикалните описания се създават ресурси от метаданни за лексикални описания (инициативи като OLIF и ISLE - вж. съответните препратки). В таблица са представени и сравнине по използваните в тях метаданни ресурсите от Longman Dictionary of Contemporary English (LDOCE), The Celex database, WordNet и the Cambridge International Dictionary of English (CIDE) (със съответните адреси на достъп).

4.2. WordNet

Подробно е представена лекскалната база данни WordNet - онтология и тезаурус, съчетани на базата на психолингвистични принципи, както и продължението на работата по EuroNet, BalkaNet със съответните препратки към техните сайтове. Накратко са проследени първите стъпки в създаванета на български WordNet, сътрудничеството на компютърни специалисти и лингвисти в тази посока. Дадени са полезни връзки по темата, както и публикации на членове от екипа по темата.

4.3. Лексикони и морфосинтаксис

В следващия раздел по втората тема на проекта са описани лексиконите The PAROLE-SIMPLE, морфосинтактичния пласт (PAROLE), семантичния пласт (SIMPLE), структурата на единиците в лексиконите PAROLE-SIMPLE, както и краткото им синоптично описание с подробна библиография по темата. Дава се подробна информация за приноса на работната група за многоезични лексикони (Working Group for Multilingual Lexicons) по проекта EAGLES/ISLE.

7.1. Граматични формализми

Граматични формализми и прилаганито им към румънски език, създаването на съответни средства за обработка на румънски език. Представени са основите на депендентна граматика и HPSG, приложени към румънски език, както и анотатор за румънски език, построен върху тази теоретична база (http://phobos.cs.unibuc.ro/roric/topic1.html ).

7.2. Генериране на синонимни множества

По втората тема е представена система за полуавтоматично генериране на синонимни множества румънски WordNet за съществителни и прилагателни. В теоретични статии на участниците се разглеждат както лингвистични проблеми, така и програмното осигуряване на задачата. Предоставя се възможност за непосредствено генериране от потребителя чрез димо-версия на продукта. Системата беше тествана и с български мини-речници и даде положителни резултати.

Подробно е представена теоретичната основа за компютърно морфологично моделиране на румънския език, което бе направено за пръв път в рамките на проекта. Демо-версия показва автоматичното генериране на парадигмите на съществителни имена в румънски език. (http://phobos.cs.unibuc.ro/roric/topic3.html ).

7.3. Бюлетини в румънския сайт

Аналогично на българския сайт, в румънския са дадени трите бюлетина, разпратени до румънските абонати на проекта. И по трите теми сътрудничеството между екипите от двете страни-партньори, интегрирането на знанията и опита беше особено интензивно.

• Nikolov, T. & Petrova, K. авт-ри, 2001. Towards Building Bulgarian WordNet. В G. Angelova и съавт., ред-ри Euroconference Recent Advances in Natural Language Processing.Proceedings. Tzigov Chark, Bulgaria, 5-7 September, 2001. John Benjamins, с-ци 199–203.
• Nikolov, T. & Petrova, K. авт-ри, 2001. A Core of Bulgarian WordNet for Nouns. Humans and Computer. Verbal communication and interaction via computer. В T. Slama-Cazacu, ред 9-th International conference of GRLA-RWCAL, Bacau-Tescani, Romania, 26-29 April 2001. Constanţa: Europolis, с-ци 279–296.

Предложения за използването на WordNet като източник за психо-, социо- и трасдиционни лингвистични изследвания:

• Petrova, K. авт, 2002. Bulgarian WordNet as a Source for (Psycho)linguistic Studies. В Litora psycholinguistica (Психолингвистични брегове). София: Сема РШ, с-ци 339–344.

WordNet като средство за чуждоезиково обучение

• Citekey етрова2001 not found
• Petrova, K. авт, 2004. WordNet as a Tool for Linguistic Research and Foreign Language Teaching. В International conference «ΓΡΑΜΜΑΤΙΣΜΟΣ ΣΤΗ ΝΕΑ ΧΙΛΙΕΤΙΑ» "LITERACY IN THE NEW MILLENNIUM", 31 October - 2 November 2002, Patras, Greece. Αθήνα: Ελληνικά Γράμματα.

Приложения на корпусната лингвистика в езиковедските изследвания

• Петрова, К. & Алексова, К. авт-ри, 2003. Някои приложения на корпусната лингвистика в езиковедските изследвания. В Шести славистични четения "Славистиката в началото на ХХІ век - традиции и очаквания", 26-27.04.2002 г. София: Сема РШ.

Обзор на електронни ресурси на славянските езици:

• Петрова, К., Алексова, К. & Осенова, П. авт-ри, 2002. Обзор электронных ресурсов славянских языков: виды и применение. 8-ма международна конференция на МАПРЯЛ, 4-7 април 2002, Велико Търново.
• Petrova, K., Aleksova, K. & Osenova, P. авт-ри, 2003. Electronic Resources of Slavic Languages - an Overview. Electronic Description and Edition of Slavic Sources. International Conference.