Resurse Lexicale - Metadate pentru descrierea lexicala

Resurse Lexicale
Wim Peters
NLP group
Department of Computer Science
University of Sheffield
w.peters@dcs.shef.ac.uk

Introducere	Formatul de reprezentare a resurselor lingvistice	Standardizarea descrierii lingvistice	Metadate pentru descrierea lexicala	Compararea resurselor utilizand metadatele

Metadate pentru descrierea lexicala

Informatiile pe care le contin categoriile lingvistice, precum si relatiile structurale ale acestora, pot fi cel mai bine descrise, din motive de generalitate si claritate conceptuala, prin intermediul unor metadate, i.e. informatii despre tipurile de informatii lingvistice disponibile. De fapt, toate informatiile continute in lexicoane si alte resurse inrudite reprezinta metadate, dar aceste resurse difera din punctul de vedere al terminologiei, al nivelului de granularitate al descrierii lingvistice si al formatului datelor (a se vedea sectiunea 2.3). Toate acestea sunt exemplificate prin eforturile de standardizare descrise anterior (e.g. termenul ptOfSpeechDCS este specific OLIF si poate contine diferite valori ale e.g. EAGLES) si prin comparatia intre resurse realizata in sectiunea 5. Metadate sunt propuse prin intermediul unor initiative ca OLIF si ISLE. Functia lor este de a descrie si de a accesa resursele intr-un mod standard. Consortiul ISLE (1) a emis o propunere (2) care imparte metadatele lexicale in doua mari grupuri: externe (informatii cu privire la lexicon ca un intreg) si interne (informatii privitoare la intrarea lexicala).

4.1 Metadate externe

Unitati de informatie externe descriu lexiconul ca pe un obiect si pot fi urmatoarele:

Name	O denumire scurta care identifica lexiconul
Title	Un titlu mai elaborat al lexiconului
Date	Data crearii si a principalelor modificari
Version	Indicatie referitoare la versiune
Creator	Persoana care a creat sau care este responsabila de crearea resursei
	Name	Numele creatorilor
	Contact	bloc de caracteristici legate de persoana de contact sau de organizatie (a se vedea mai jos)
	Description	O descriere adecvata asociata cu multimea de autori
Project	Un bloc care descrie proiectul
	Name	Numele scurt al proiectului
	ID	Identificator unic de proiect
	Contact	Adresa de contact
	Description	Spatiu rezervat unei descrieri asociate proiectului
LexiconType	Tip care urmeaza unei taxonomii (a se vedea lista din sectiunea 1)
Object Languages	Un bloc de descriere a limbajelor incluse in lexicon
	Description	Spatiu rezervat unei descrieri
	MultilingualityType	diversele limbi pot interveni ca intrari multilingve in lexicul ML, dar pot, de asemenea, interveni ca traduceri ale unor descrieri de sensuri, spre exemplu; aceste diferente pot fi indicate cu ajutorul unui vocabular controlat
	Language	o lista a limbilor incluse, fiecare limba fiind descrisa in cadrul unei substructuri
Format	o descriere bruta a formatului lexiconului, descriere reprezentata printr-un tabel relational, text simplu structurat, un format XML, un format html,...
AccessTool	Multe lexicoane sunt interpretabile numai prin intermediul unor unelte de acces concrete, cum ar fi Shoebox, ORACLE, FoxPro, Access, Web-Browser,...
Media	Aceasta intrare spune daca lexiconul include esantioane de tip audio sau video ori grafica
Character Encoding	Aceasta lista ar trebui sa creeze o impresie referitoare la tipurile de fonturi necesare pentru redarea tuturor datelor inclusa, cum ar fi UTF-8, ISO-latin
Size	Marimea lexiconului in bytes
No Lexical Entries	Numarul intrarilor lexicale incluse in lexicon
Access	Schema in care sunt oferite informatii referitoare la acces (vezi mai jos)
Keys	O posibilitate de a adauga perechi de tipul caracteristica/valoare pentru a defini noi cuvinte cheie
Source	Aceasta intrare descrie ce surse au fost folosite in constructia lexiconului
References	Bloc pentru bibliografie

Access
ResourceLink	URL care tinteste spre resursa, daca aceasta este direct accesibila
Availability	codificarea conditiilor de acces
Description	Descriere de tip proza asociata cu accesul
Date	data afirmatiilor referitoare la acces
Owner	defineste proprietarul lexiconului
Publisher	defineste pe cel care publica lexiconul
Contact	Informatie referitoare la persoana de contact

Contact
Name	numele persoanei de contact
Address	Informatii referitoare la adresa
Email	Adresa de posta electronica
Organization	numele unei institutii

Language
Language ID	Specificator formal al limbii preluat din listele ISO sau SIL
Name	Numele general al limbii
Description	Aici poate fi asociata si o descriere a limbii

4.2 Metadate interne

Acest tip de date furnizeaza informatii despre continutul lingvistic al lexiconului. Urmatoarele unitati lingvistice de descriere au fost remarcate in cadrul initiativei ISLE referitoare la metadatele lexicale. Lista care urmeaza nu este exhaustiva.

Modality	indica ce mod de comunicare este captat in lexicon. Valorile posibile sunt: Spoken vorbit Written scris Sign semn
Headword type	indicatie referitoare la natura lingvistica a intrarii din lexicon. Valori posibile sunt: Sentence propozitie Phrase grup sintactic Wordform forma flexionara Lemma lema - intrare corespunzatoare formei flexionare nemarcate (e.g. infinitivul verbelor ) Abstract Lemma lema abstracta - intrare care nu se supune nici unei forme flexionare apartinand grupului la care se refera lema. Stem tema sau tulpina cuvantului Affix afix
Orthography	Ortografie valorile posibile sunt: Hyphenated Spelling ortografiere cu cratima Syllabified Spelling scriere in silabe Spelling Variants variante ortografice cu sau fara cratima Citations citat, nota (in josul paginii)
Morphology	Morfologie valorile posibile sunt: Stem tema - tema de adancime sau de suprafata Stem Allomorphy alomorfia temei cuvantului (variatii la nivelul temei) Segmentation segmentare - analiza la nivelul constituentilor morfologici de tip afixe Production rules reguli de productie - administreaza producerea formelor de suprafata pe baza temelor Typology tipologie - orice clasificare a unor intrari sau a unor entitati morfologice
Morphosyntax	Morfosintaxa valorile posibile sunt: Part of Speech Parte de vorbire - clasa sintactica a intrarii. Inflection Flexiune - orice informatie legata de flexiune sau de conjugare Countability Numarare - proprietati legate de formele de plural Gradability Gradare - constructii adjectivale comparative/superlative Gender Gen - e.g. neutru Typology Tipologie - Orice clasificare a intrarilor
Syntax	Sintaxa valorile posibile sunt: Complementation Complementare - Complementare sintactica Alternation Alternare - scheme de complementare alternative Modification Modificare - scheme de modificare adjectivala Shallow Parsing Analiza sintactica de suprafata - segmentare in bucati (mari) Deep Parsing Analiza sintactica in adancime - analiza granulata dincolo de nivelul obtinut in shallow parsing Functional Parsing Analiza sintactica functionala - functii sintactice cum ar fi aceea de subiect Collocations Colocatii - intrari/forme flexionare semnificative juxtapuse Typology Tipologie - Orice clasificare
Phonology	Fonologie valorile posibile sunt: Transcription Transcriere - orice tip de transcriere fonetica/fonologica IPA Transcription Transcriere IPA - transcriere in Alfabetul Fonetic International (International Phonetic Alphabet) CV pattern Schema CV - transcriere in termeni de combinatii consonantice/vocalice Constituent Structure segmentare in constituenti fonetici Intonation Intonatie - marcarea accentului, lungimea constituentilor etc.
Semantics	Semantica valorile posibile sunt: Sense distinction Distinctie intre sensuri - polisemie si/sau omonimie Ontological classification Clasificare ontologica - concepte inrudite si relatii conceptuale Gloss Glosa - descriere neformala in limbaj natural a sensului Definition Definitie - descriere formala a sensului folosind, de pilda, logica de ordinul intai Connotation Conotatie - informatie non-denotationala, cum ar fi peiorativele Idiom Folosire idiosincratica a idiomurilor Componential Features Trasaturi de componenta - formula sau lista continand o multime finita de atribute de sens Cross-references Referinte incrucisate - legaturi la alte intrari/forme flexionare Semantic relations Relatii semantice - relatii intre intrari sau concepte asociate
Etymology	Etimologie - informatie despre contextul istoric (morfologic, fonologic, sintactic, semantic) al unei intrari lexicale sau forme flexionare.
Usage	Folosire - Informatie pragmatica/sociolingvistica; valorile posibile sunt: Region Regional e.g. dialect Style Stil e.g. slang
Frequency	Frecventa - frecventa a ocurentei, calculata pe baza unui corpus

O alta initiativa paralela in cadrul ISLE, Grupul de lucru pentru lexicoane multilingve EAGLE/ISLE, isi propune standardizarea intrarilor lexicale multilingve. In acest scop a fost creata o lista de verificare, care se suprapune in mare masura peste multimea de metadate anterioara, dar care in multe cazuri prezinta o acoperire de mai mare granularitate sau rafinare. Iata o scurta explicatie a abrevierilor folosite: SL=limba sursa ("source language"); TL=limba tinta ("target language"); IPA=Alfabet fonetic international ("International Phonetic Alphabet")(3).

		Componenta de intrare	Continutul informatiei	Mod	Functie
1		cuvant cap	Forma (formele) lexicale ale cuvantului cap: cum se ortografiaza cuvantul cap	SL	Ajuta utilizatorii atat de SL, cat si de TL, sa gaseasca informatia pe care o cauta
2		Transcriere fonetica	Modul in care se pronunta cuvantul cap (sau varianta) in Alfabetul fonetic international	IPA	Ajuta utilizatorul sa pronunte corect cuvantul
3		Forma varianta	Ortografiere alternativa a cuvantului cap sau mica variatie in forma acestui cuvant	SL	Ajuta ambele tipuri de utilizatori sa gaseasca informatia pe care o cauta
4		Forma flexionara	Alte forme gramaticale ale lemei (cuvant cap)	SL	Ajuta utilizatorul sa gaseasca informatia pe care o cauta; ajuta utilizatorul sa foloseasca in mod corect cuvantul
5		Referinta incrucisata	Indicatie asupra unui alt cuvant cap corespunzator caruia intrarea contine informatie relevanta sau asupra altei parti din dictionar unde poate fi gasit	cod	Ajuta ambele tipuri de utilizatori Ajuta ambele tipuri de utilizatori cauta sau alte informatii utile
6		Informatie morfosintactica
	a	marcaj pentru partea de vorbire	Partea de vorbire a cuvantului cap (sau a cuvantului cap secundar)	cod	Ajuta ambele tipuri de utilizatori sa gaseasca informatia pe care o cauta, prin centrarea cautarii
	b	clasa flexionara	Paradigma inflexionala a intrarii	cod	Ajuta utilizatorul SL sa foloseasca corect obiectul TL; ajuta utilizatorul TL sa dezambiguizeze cuvantul TL; ajuta utilizatorul TL sa foloseasca corect obiectul SL; ajuta utilizatorul SL sa dezambiguizeze cuvantul SL
	c	derivare	Informatie incrucisata referitoare la partea de vorbire, forme derivate morfologic	SL	Ajuta utilizatorul SL in identificarea sensului cuvantului cap sau al unui alt obiect SL; ajuta utilizatorul TL sa identifice sensul unui echivalent TL
	d	gen	Informatie despre genul intrarii in SL si TL	cod	Ajuta utilizatorul SL sa identifice sensul cuvantului cap sau al unui alt obiect SL; ajuta utilizatorul TL sa identifice sensul unui echivalent TL
	e	numar	Informatie asupra numarului gramatical al intrarii in SL si in TL	cod	Ajuta utilizatorul SL sa identifice sensul cuvantului cap sau al unui alt obiect SL; ajuta utilizatorul TL sa identifice sensul unui echivalent TL
	f	Mass vs. Count	Information whether the a noun is mass or count, in SL and TL	cod	Ajuta utilizatorul SL sa identifice sensul cuvantului cap sau al unui alt obiect SL; ajuta utilizatorul TL sa identifice sensul unui echivalent TL
	g	gradare	Pentru adverbe si adjective	cod	Ajuta utilizatorul SL sa foloseasca corect obiectul TL; ajuta utilizatorul TL sa dezambiguizeze cuvantul TL
7		Contor al subdiviziunii	Indica inceputul unei noi sectiuni sau subsectiuni	nr. / lit.	Indicator care ajuta utilizatorul sa se descurce in mod eficient cu referire la intrarea respectiva
8		Subdiviziune a intrarii	Sectiune ori subsectiune separata in cadrul intrarii (adesea numita sens din dictionar)	text din dict.	"sparge" intrarea, facilitand citirea si gasirea a ceea ce se cauta
9		Indicator de sens	Sinonim sau parafraza a Sinonim sau parafraza a corespunzator acestui sens sau un alt indiciu asupra sensului, care denota un sens specific al obiectului SL sau TL	SL	Ajuta utilizatorul SL sa identifice sensul cuvantului cap sau al unui alt obiect SL; ajuta utilizatorul TL sa identifice sensul unui echivalent TL
10		Eticheta lingvistica	the style, register, regional variety, etc. of the SL or TL item	cod	Ajuta utilizatorul SL sa identifice sensul cuvantului cap; ajuta ambii utilizatori sa traduca; ajuta utilizatorul TL sa inteleaga
11		Informatie sintactica
	a	Cadru de subcategorizare	(i) Numar si tipuri de complemente (ii) introducator sintactic al unui complement (e.g. prepozitie) (iii) tipul reprezentarii sintactice (e.g. constituenti, functional etc.)etc.	cod	Ajuta utilizatorul SL sa identifice sensul cuvantului cap sau al unui alt obiect SL; ajuta utilizatorul TL sa identifice sensul unui echivalent TL
	b	Obligativitatea complementelor	Informatie care spune daca un anumit complement este obligatoriu sau nu	cod	Ajuta utilizatorul SL sa identifice sensul cuvantului cap sau al unui alt obiect SL; ajuta utilizatorul TL sa identifice sensul unui echivalent TL
	c	Auxiliar	Ce tip de auxiliar este selectat de un predicat dat	cod	Actioneaza ca un indicator al sensului; ajuta utilizatorul SL sa aleaga echivalentul TL adecvat
	d	Constructii usoare sau de tip suport	Constructii cu verbe usoare	SL sau TL	Ajuta utilizatorul SL sa identifice sensul cuvantului cap sau al unui alt obiect SL; ajuta utilizatorul TL sa identifice sensul unui echivalent TL
	e	Constructii perifrastice	Constructii continand perifraze, valoare semantica etc.	SL sau TL	Ajuta utilizatorul SL sa identifice sensul cuvantului cap sau al unui alt obiect SL; ajuta utilizatorul TL sa identifice sensul unui echivalent TL
	f	Verbe de tip "phrasal"	Reprezentari Reprezentari constructii de tip locutiune	SL sau TL	Ajuta utilizatorul SL sa identifice sensul cuvantului cap sau al unui alt obiect SL; ajuta utilizatorul TL sa identifice sensul unui echivalent TL
	g	Collocator	(i) subiect/obiect tipic al verbului, substantiv modificat de un adjectiv etc. (ii) tipul relatiei de colocatie etc.	SL sau TL	Actioneaza ca un indicator de sens; ajuta utilizatorul SL sa aleaga echivalentul TL adecvat; ajuta utilizatorul TL sa traduca sau sa inteleaga obiectul SL
	h	Alternatii	Alternatii sintactice pe care le poate avea o intrare	Cod	Actioneaza ca indicator de sens
12		Informatie semantica
	a	Tipul semantic	Referinta la o ontologie de tipuri care sunt folosite pentru a clasifica sensuri ale cuvintelor	Cod	Ajuta utilizatorul SL sa identifice sensul cuvantului cap sau al unui alt obiect SL; ajuta utilizatorul TL sa identifice sensul unui echivalent TL
	b	Structura argumentelor	Cadre ale argumentelor plus informatie semantica care identifica tipul argumentelor, constrangerile selectionale etc.	Cod	Ajuta utilizatorul SL sa identifice sensul cuvantului cap sau al unui alt obiect SL; ajuta utilizatorul TL sa identifice sensul unui echivalent TL
	c	Relatii semantice	Diferite tipuri de relatii (e.g. sinonimie, antonimie, meronimie, hiperonimie, roluri Qualia etc.) intre sensuri ale cuvintelor etc.	Cod	Actioneaza ca un indicator SL de sens pentru utilizatorul SL; actioneaza ca un indicator TL de sens pentru utilizatorul TL
	d	Polisemie obisnuita	Reprezentarea alternantelor polisemice obisnuite	Cod	Ajuta utilizatorul SL sa identifice sensul cuvantului cap sau al unui alt obiect SL; ajuta utilizatorul TL sa identifice sensul unui echivalent TL
	e	Domeniu	Informatie privind domeniul terminologic caruia ii apartine un sens dat	Cod	Ajuta utilizatorul SL sa identifice sensul cuvantului cap sau al unui alt obiect SL; ajuta utilizatorul TL sa identifice sensul unui echivalent TL
	f	Descompunere	Reprezentarea componentei relevante a sensului, e.g. cauzalitate, agentivitate, miscare etc.	Cod	Actioneaza ca un indicator SL de sens pentru utilizatorul SL; actioneaza ca un indicator TL de sens pentru utilizatorul TL
13		Traducere	Echivalentul TL al unui obiect SL	TL	Ajuta utilizatorul TL sa inteleaga; ajuta ambii utilizatori sa traduca
14		Glosa	Explicatie TL a sensului unui obiect SL care nu are un echivalent direct in TL	TL	Ajuta utilizatorul TL sa inteleaga; ajuta ambii utilizatori sa traduca
15		Echivalent apropiat	Obiect TL corespunzand unui obiect SL care nu are un echivalent direct in TL	TL	Ajuta utilizatorul TL sa inteleaga; ajuta ambii utilizatori sa traduca
16		Grup sintactic dat ca exemplu (direct)	Un grup sintactic sau o propozitie ilustrand folosirea neidiomatica a cuvantului cap, intr-un context in care echivalentul TL este o traducere mot-a-mot	SL	Actioneaza ca un indicator SL de sens pentru utilizatorul SL; actioneaza ca un indicator TL de sens pentru utilizatorul TL; ajuta utilizatorii TS & SL sa foloseasca corect obiectul dintr-o limba straina
17		Grup sintactic dat ca exemplu (problematic)	Un grup sintactic sau o propozitie ilustrand folosirea neidiomatica a cuvantului cap, intr-un context in care este cerut un anumit echivalent TL (i.e. un exemplu SL care este usor de inteles de catre vorbitorul TL, dar genereaza probleme de traducere pentru vorbitorul SL)	SL	Ajuta utilizatorul SL sa evite o greseala de traducere; actioneaza ca un indicator SL de sens pentru utilizatorul SL; ajuta ulterior utilizatorul TL sa foloseasca corect obiectul SL
18		Unitate frazeologica	Unitate frazeologica idiomatica care contine cuvantul cap (in engleza desemnat prin MWE, termen care acopera expresii, colocatii fixe si semi fixe, compuse etc.)	SL	Ajuta ambii utilizatori sa traduca
19		Cuvant cap secundar	Lema legata morfologic de cuvantul cap, care figureaza ca si cap al unei intrari secundare	SL	Economiseste spatiu; ajuta ambele tipuri de utilizatori sa gaseasca informatia pe care o cauta
20		Nota referitoare la utilizare	Indica felul in care este folosit cuvantul cap; informatie de tip "macro" care nu poate sa apara in cazul fiecarei intrari; avertisment cu privire la diferentele culturale dintre cele doua limbi etc.	SL sau TL	Ajuta ambele tipuri de utilizator sa evite neintelegerile cu privire la obiectul intr-o limba straina, pe baza cunostintelor din propria limba
21		Frecventa	Informatie privitoare la frecventa intrarii	cod	Ajuta ambii utilizatori sa traduca

(http://www.mpi.nl/world/ISLE/)
Gibbon, D., Peters, W., Wittenburg, P., (December 2001), Metadata Elements for Lexicon Descriptions, Version 1.0, MPI Nijmegen.
http://www2.arts.gla.ac.uk/IPA/ipa.html