729G09 Språkvetenskaplig databehandling (2016) Lingvistiska grundbegrepp Marco Kuhlmann Institutionen för datavetenskap Vad är korpuslingvistik? • Korpuslingvistik handlar om att undersöka språkvetenskapliga frågor utifrån korpusdata. • Utgångspunkt: Språkvetenskapliga undersökningar bör baseras på texter från fältet, i deras naturliga kontexter. Vad är språkteknologi? • Språkteknologi är all teknologi som skapas för att förstå eller generera naturligt språk. • Språkteknologi är ett tvärvetenskapligt forskningsområde med inslag av datalogi, lingvistik och kognitionsvetenskap. annat namn: datorlingvistik; engelska: natural language processing Tokenisering Rå text Tokeniserad text Den liknar andra arter inom familjen med böjd näbb, mönstrad brun ovansida, vitaktig undersida och långa styva stjärtpennor som den använder för att kunna balansera upprätt på trädstammar och grenar. Den liknar andra arter inom familjen med böjd näbb , mönstrad brun ovansida , vitaktig undersida och långa styva stjärtpennor som den använder för att kunna balansera upprätt på trädstammar och grenar . Denna föreläsning Lingvistiska grundbegrepp Presentation av UPG2 Lingvistiska grundbegrepp Från form till betydelse pragmatik semantik generering analys syntax morfologi Morfologi pragmatik semantik generering analys syntax morfologi ‘Rose is a rose is a rose is a rose.’ Gertrude Stein (1913) Många olika typer av ord • Begreppet ord kan syfta på en ordförekomst eller en ordtyp. Rose is a rose is a rose is a rose. • Två ord kan ha samma form, men vara olika lexem. Jag föredrar slips framför fluga. Det satt en fluga på väggen. • Två ord kan ha olika former, men ha samma lemma. tanke, tanken, tankar Skolans nio ordklasser tagg kategori exempel VB verb kasta NN substantiv pudding PN pronomen hon JJ adjektiv glad AB adverb inte KN konjunktion och PP preposition över RG räkneord tre IN interjektion aj Morfem • Morfem är de minsta betydelsebärande enheterna i ett språk. de minst+a betyd+else+bär+a+nde enhet+er+na • Ett ord består av ett rotmorfem och noll eller flera affix. rit+a, rit+ar, rit+ning, rit+bart, o+rit+bart • Morfem är inte alltid sammanhängande. Hebreiska k-t-b ”skriva”: ( כתבkatav) ”skrev”, ( מכתבmixtav) ”ett brev” • Morfem består inte alltid av ljud. ett hus vs. flera hus+∅ Varför behöver vi morfologi? • I svenskan böjs de flesta adjektiv efter substantivet. en lång arm – ett lång+t ben, lång+a arm+ar, den lång+a arm+en • I andra språk böjs även andra typer av ord. Tyska: Ich gehe in das Haus. Wir gehen in die Häuser. • Genom att detektera böjningar kan vi se vilka ord som hör ihop. Tre problem med morfologisk analys • Regularitet Hur kan vi representera regularitet i morfologisk variation? • Flertydighet Time flies like an arrow; fruit flies like a banana. • Dynamik manspreading, weak sauce, cupcakery Finita automater som morfologiska lexikon a 𝑞0 a 𝑞1 a-övergång p 𝑞2 n 𝑞3 s 𝑞5 s 𝑞4 o 𝑞6 a s r n 𝑞7 𝑞8 sluttillstånd Syntax pragmatik semantik generering analys syntax morfologi Fraser Ord i meningar bildar fraser. • nominalfraser (NP) hon. Fredrik Reinfeldt och de nya Moderaterna. ett sådant klassiskt ställe som Operakällaren. • verbfraser (VP) rodnade. bad henne att öppna fönstret. levde lyckliga i alla sina dagar. Satser Fraser bildar satser. • deklarativa satser De köpte en hund. Igår köpte de en hund. • interrogativa satser Köpte de en hund? När köpte de en hund? • imperativa satser Köp en hund! Frasstrukturträd S NP VP Pro Verb I prefer NP Det a Nom Nom Noun Noun flight morning Syntaktiska dependensträd nsubj cpd xcomp aux nmod case mark 1 2 3 4 5 6 7 8 Cray Computer has applied to trade on Nasdaq PTB section 00, document 18, item 026; Stanford dependencies (basic) Semantik pragmatik semantik generering analys syntax morfologi Syntax och semantik • Kompositionalitetsprincipen Betydelsen hos ett komplext uttryck avgörs av betydelserna hos dess deluttryck och hur dessa deluttryck har kombinerats. utmaningar: idiomatiska uttryck, kontextualitet • Syntax har en avgörande roll för en menings betydelse. The brown dog on the mat saw the striped cat through the window. The brown cat saw the striped dog through the window on the mat. WordNet standard, criterion, measure, touchstone medium of exchange, monetary system currency money coinage, mintage, specie, metal money fund, monetary fund coin budget nickel dime scale, graduated table, ordered series Richter scale ‘You shall know a word by the company it keeps.’ John Rupert Firth (1890–1960) Matris med samförekomster m ko n ålo te xt kung tron regerar Sverige match mål spelar drottning 4 1 1 2 0 0 0 kung 3 2 1 3 1 0 0 fotboll 1 0 0 4 3 4 2 hockey 0 1 0 1 2 1 1 rd Ordvektorer m ko n ålo te xt kung tron regerar Sverige match mål spelar drottning 4 1 1 2 0 0 0 kung 3 2 1 3 1 0 0 fotboll 1 0 0 4 3 4 2 hockey 0 1 0 1 2 1 1 rd Ord som vektorer krona drottning kung fotboll Sverige Att räkna med ordvektorer kvinna drottning man kung Semantiska dependensgrafer ARG1 cpd ARG2 ARG1 ARG2 ARG1 1 2 3 4 5 6 7 8 Cray Computer has applied to trade on Nasdaq PTB section 00, document 18, item 026; SDP/DM Denna föreläsning Lingvistiska grundbegrepp Presentation av UPG2