korpusznyelvészet ea
TRANSCRIPT
-
8/4/2019 Korpusznyelvszet ea.
1/68
KORPUSZNYELVSZET
Sass [email protected]
A nyelvtechnolgia eszkzei s nyersanyagai
5. eloads2007. mrcius 21.
http://find/http://goback/ -
8/4/2019 Korpusznyelvszet ea.
2/68
1
MI A KORPUSZNYELVSZET?
2 MI A KORPUSZ?
3
TPUSOK, PLDK
4 KORPUSZOK PTSE
5
STATISZTIKA
6 ALKALMAZS
http://find/http://goback/ -
8/4/2019 Korpusznyelvszet ea.
3/68
7 MAGYAR NEMZETI SZVEGTR
8 E-SZKINCS
9 HUNGLISH
10 MAZSOLA
11 TJKOZDS
http://find/http://goback/ -
8/4/2019 Korpusznyelvszet ea.
4/68
Mi a korpusznyelvszet? Mi a korpusz? Tpusok, pldk Korpuszok ptse Statisztika Alkalmazs
1
MI A KORPUSZNYELVSZET?
2 MI A KORPUSZ?
3
TPUSOK, PLDK
4 KORPUSZOK PTSE
5
STATISZTIKA
6 ALKALMAZS
http://find/http://goback/ -
8/4/2019 Korpusznyelvszet ea.
5/68
Mi a korpusznyelvszet? Mi a korpusz? Tpusok, pldk Korpuszok ptse Statisztika Alkalmazs
SIMONYI ZSIGMOND
"Simonyi j grammatikai mdszert akar behozni, knyveinductive halad, azaz a pldkbl kiindulva tantja a szablyt,nem pedig dogmatice. A grammatict teht valami olvasmny
alapjn akarja eloadni, gy hogy a szablyokat a tanrtantvnyai kzremukdsvel vonhatja le sszerukvetkeztetsek tjn. Ilyenkpp teht ezen mdszer vget veta lelketlen magolsnak, s azt szfejleszto inductival ptolja.Eszerint a szablyok is mlyebben vsodnek be a gyermek
emlkezetbe, mert amit magunk tallunk, azt jobban tudjuk,mint amit ms mond vagy ms tanultat velnk."(Riedl Frigyes 1882)
? ? S
http://find/http://goback/ -
8/4/2019 Korpusznyelvszet ea.
6/68
Mi a korpusznyelvszet? Mi a korpusz? Tpusok, pldk Korpuszok ptse Statisztika Alkalmazs
A KT HAGYOMNY
1957 . . .
Firth: "You shall know a word by the company it keeps"(implicit bennevan a valsznusg!) adatok valsznusg (nincs 100%) performancia,
nyelvhasznlatChomsky: "Nincs rtelme a valsznusgnek";"Gyakorisggal nem lehet jellemezni a grammatikalitst, ti.nyelvtanilag helyes s helytelen mondatoknak is lehet 0 avalsznusge." introspekci + konstrult pldamondatok I/N dntsek(grammatikalits) kompetencia, nyelvtuds
Chomsky cfolata:empirikus gyakorisg = valsznusg! (Kornai 2006)
Mi k l t? Mi k ? T k ldk K k t St ti tik Alk l
http://find/http://goback/ -
8/4/2019 Korpusznyelvszet ea.
7/68
Mi a korpusznyelvszet? Mi a korpusz? Tpusok, pldk Korpuszok ptse Statisztika Alkalmazs
TRTNET
korpusznyelvszet elozmnyei:XIX. szzadi sztrksztok
szmtgpek kapacitsnak nvekedse a korpusznyelvszet 80-as vekben fellendl
a generatv felfogs alternatvjv vlikkeresheto szvegkorpuszok annotci web
a korpusznyelvszet atyja: John SinclairCOBUILD az elso korpuszalap sztr (1987)
kt magyar vlemny 2006-blKornai Andrs: "Manapsg mr a full-introspektvnyelvszre nznk furn."Komlsy Andrs: "A korpusznl jobban semmi nemvezetheti flre az embert."
Mi a korpusznyelvszet? Mi a korpusz? Tpusok pldk Korpuszok ptse Statisztika Alkalmazs
http://find/http://goback/ -
8/4/2019 Korpusznyelvszet ea.
8/68
Mi a korpusznyelvszet? Mi a korpusz? Tpusok, pldk Korpuszok ptse Statisztika Alkalmazs
DEFINCI
A korpusznyelvszet a nyelv tanulmnyozsakorpuszalap kutatsban. A generatv hagyomnnyal
ellenttben ragaszkodik ahhoz a mdszerhez, hogy valdi,lo nyelvi adatokat szisztematikus vizsgl.
korpusznyelvszet =empirikus nyelvszet,a nyelv statisztikai megkzeltse
Mi a korpusznyelvszet? Mi a korpusz? Tpusok pldk Korpuszok ptse Statisztika Alkalmazs
http://find/http://goback/ -
8/4/2019 Korpusznyelvszet ea.
9/68
Mi a korpusznyelvszet? Mi a korpusz? Tpusok, pldk Korpuszok ptse Statisztika Alkalmazs
TEUBERT VLTOZATA
Wolfgang Teubert: My version of corpus linguisticsInternational Journal of Corpus Linguistics 10:1 (2005), 113.
Today, the corpus is considered the default resource . . .
The focus of corpus linguistics is on meaning. Meaning is in the discourse.
The (single) word is not privileged in terms of meaning. The corpus linguist positsendocentric entities, formally held together by some local grammar, and calls theseentities (complex) lexical items or, alternatively, units of meaning.
Frequency is irrelevant when our goal is to interpret text segments as uniqueoccurrences.
Meaning is paraphrase. The meaning of the unit lemon is everything that has been said
about lemons. We find paraphrases for whatever people take to be a unit of meaning.The linguist is specialist in investigating texts, not in analysing the real world. Are therereally tigers out there? Do angels really exist? For the corpus linguist, this is not thequestion. What is important to know is that tigers normally come with stripes andangels normally come with wings.
Mi a korpusznyelvszet? Mi a korpusz? Tpusok pldk Korpuszok ptse Statisztika Alkalmazs
http://find/http://goback/ -
8/4/2019 Korpusznyelvszet ea.
10/68
Mi a korpusznyelvszet? Mi a korpusz? Tpusok, pldk Korpuszok ptse Statisztika Alkalmazs
Corpus-based S corpus-driven
corpus-basedmdszerA korpusz segdeszkz, ami empirikus adataivaltmogatja az intucit, mrhetov teszi a nyelvijelensgeket, meglvo elmleteket bizonyt/cfol.
corpus-driven mdszerA korpusz maga szolgltatja az elmletet, a nyelvszminden feltevs s elvrs nlkl fordul az adatokhoz.Minden kvetkeztetst kizrlag korpuszmegfigyelsekbol
von le.serendipity principle
jelentos dolog vletlen felfedezse, tipikusan mikor valamiegsz msra figyelnk
Mi a korpusznyelvszet? Mi a korpusz? Tpusok pldk Korpuszok ptse Statisztika Alkalmazs
http://find/http://goback/ -
8/4/2019 Korpusznyelvszet ea.
11/68
Mi a korpusznyelvszet? Mi a korpusz? Tpusok, pldk Korpuszok ptse Statisztika Alkalmazs
JELENTOS KPVISEL OK
John Rupert Firth Noam Chomsky
Mi a korpusznyelvszet? Mi a korpusz? Tpusok, pldk Korpuszok ptse Statisztika Alkalmazs
http://find/http://goback/ -
8/4/2019 Korpusznyelvszet ea.
12/68
Mi a korpusznyelvszet? Mi a korpusz? Tpusok, pldk Korpuszok ptse Statisztika Alkalmazs
JELENTOS KPVISEL OK
John McHardy Sinclair (19332007)
Language cannot be invented; it can only be captured.
Mi a korpusznyelvszet? Mi a korpusz? Tpusok, pldk Korpuszok ptse Statisztika Alkalmazs
http://find/http://goback/ -
8/4/2019 Korpusznyelvszet ea.
13/68
p y p p , p p p
1
MI A KORPUSZNYELVSZET
?
2 MI A KORPUSZ?
3
TPUSOK
,PLDK
4 KORPUSZOK PTSE
5 STATISZTIKA
6 ALKALMAZS
Mi a korpusznyelvszet? Mi a korpusz? Tpusok, pldk Korpuszok ptse Statisztika Alkalmazs
http://find/http://goback/ -
8/4/2019 Korpusznyelvszet ea.
14/68
p y p p p p p
DEFINCI
Nagy mennyisgu sszegyujttt nyelvi adat, szveg.(Szmtgpen trolt) rott vagy beszlt nyelvi anyag, aminnyelvszeti elemzst vgeznek. (Nagy Viktor)McEnery & Wilson:
reprezentatvvges mret, fix referencia nem vltozhatgppel olvashat logikai annotci, elektronikus forma
hozzteszem: annotlt(nyelvszeti szempontblhasznos)
alapeset: az rott nyelv text-korpusza
cl: a tnyleges nyelvhasznlat feltrkpezse,bemutatsa
Mi a korpusznyelvszet? Mi a korpusz? Tpusok, pldk Korpuszok ptse Statisztika Alkalmazs
http://find/http://goback/ -
8/4/2019 Korpusznyelvszet ea.
15/68
MRET
nagy korpusz: 109 1012 token (Kornai 2006)nem nagyon van ilyen
a nagy korpusz clja a ritka (f=1040) szavak jellemzse,nem a gyakoriak valsznusgnek pontos becslse.
a mai korpuszok mr elg nagyok: nyelvelsajtts sornkevesebb mondattal tallkozunk!
Mi a korpusznyelvszet? Mi a korpusz? Tpusok, pldk Korpuszok ptse Statisztika Alkalmazs
http://find/http://goback/ -
8/4/2019 Korpusznyelvszet ea.
16/68
KT NAGY TMAKR
A korpusznyelvszet korpuszok ptsvel foglalkozik, illetve anyelvet korpuszokon keresztl vizsglja.
A korpusznyelvszetbe ez a kt nagy tmakr tartozik:
korpusz ptse
korpusz alkalmazsa
Mi a korpusznyelvszet? Mi a korpusz? Tpusok, pldk Korpuszok ptse Statisztika Alkalmazs
http://find/http://goback/ -
8/4/2019 Korpusznyelvszet ea.
17/68
1 MI A KORPUSZNYELVSZET?
2 MI A KORPUSZ?
3 TPUSOK, PLDK
4 KORPUSZOK PTSE
5 STATISZTIKA
6 ALKALMAZS
Mi a korpusznyelvszet? Mi a korpusz? Tpusok, pldk Korpuszok ptse Statisztika Alkalmazs
http://find/http://goback/ -
8/4/2019 Korpusznyelvszet ea.
18/68
KORPUSZOK TPUSAI
3 csoportostsi szempont
a nyelvhasznlat mely terletrol mertltalnos specilisbeszlt rotttrtneti, gyermeknyelvi, tanulmufaj- vagy tmaspecikustbbnyelvu = prhuzamos illesztett
mret
annotci mlysge
Mi a korpusznyelvszet? Mi a korpusz? Tpusok, pldk Korpuszok ptse Statisztika Alkalmazs
http://find/http://goback/ -
8/4/2019 Korpusznyelvszet ea.
19/68
IDEGENNYELV U KORPUSZOK
Brown corpus - a legelso (Francis & Kucera 1961)500 2000 = 1 milli sz, 15 tmakr, POS-taggeltPenn Treebank az elso szintaktikailag elemzett (3 millisz)British National Corpus (BNC) (1995), POS-taggelt (100
milli sz) 10%-a beszlt nyelvi!nmet: COSMAS, francia: PAROLEnemzeti reprezentatv, kortrs: szlovk, cseh, horvt,magyar . . .dinamikus norvg sajt: 450 milli sz napi +200000 szspecilis korpuszok: CHILDES - gyereknyelvi, ICLE -tanulitematikus szerepre taggelt: PropBankleghresebb prhuzamos: Hansard Corpus (francia-angol)
(1980-as vek)
Mi a korpusznyelvszet? Mi a korpusz? Tpusok, pldk Korpuszok ptse Statisztika Alkalmazs
http://find/http://goback/ -
8/4/2019 Korpusznyelvszet ea.
20/68
MAGYAR KORPUSZOK
Orwell 1984 (1998) elso angol-magyar prhuzamos
Magyar trtneti korpusz (199?) 23 milli sz
Magyar Nemzeti Szvegtr (2002)
Magyar Webkorpusz (2003) 590 milli sz, taggeletlenSzeged Korpusz 2.0 (2004) kiegyenslyozott,morfolgiailag s szintaktikailag elemzett
Hunglish Korpusz (2005) angol-magyar prhuzamos
Mi a korpusznyelvszet? Mi a korpusz? Tpusok, pldk Korpuszok ptse Statisztika Alkalmazs
http://find/http://goback/ -
8/4/2019 Korpusznyelvszet ea.
21/68
MAGYAR KORPUSZOK
Orwell 1984 (1998) elso angol-magyar prhuzamos
Magyar trtneti korpusz (199?) 23 milli sz
Magyar Nemzeti Szvegtr (2002)
Magyar Webkorpusz (2003) 590 milli sz, taggeletlenSzeged Korpusz 2.0 (2004) kiegyenslyozott,morfolgiailag s szintaktikailag elemzett
Hunglish Korpusz (2005) angol-magyar prhuzamos
Nagyon sok korpusz rheto el az interneten.Gyujtemnyek: pl.: http://www.bmanuel.org pl.: http://www.sfb441.uni-tuebingen.de/c1/corpora-engl.html
Mi a korpusznyelvszet? Mi a korpusz? Tpusok, pldk Korpuszok ptse Statisztika Alkalmazs
http://find/http://goback/ -
8/4/2019 Korpusznyelvszet ea.
22/68
1 MI A KORPUSZNYELVSZET?
2 MI A KORPUSZ?
3 TPUSOK, PLDK
4 KORPUSZOK PTSE
5 STATISZTIKA
6 ALKALMAZS
Mi a korpusznyelvszet? Mi a korpusz? Tpusok, pldk Korpuszok ptse Statisztika Alkalmazs
http://find/http://goback/ -
8/4/2019 Korpusznyelvszet ea.
23/68
REPREZENTATIVITS
kt vgletkiegyenslyozott: klnbzo tpusok arnyosanopportunista: vegynk bele mindent, ami elrheto
Lehetsges egyltaln a kiegyenslyozottsg? Mi pldulaz rott s a beszlt nyelv arnya?
Mi a korpusznyelvszet? Mi a korpusz? Tpusok, pldk Korpuszok ptse Statisztika Alkalmazs
http://find/http://goback/ -
8/4/2019 Korpusznyelvszet ea.
24/68
A KORPUSZELEMZS SZINTJEI
egyszeru szveg
mondatrabonts, tokenizls
lemmatizls, szfaji taggels, egyrtelm usts(POS-tagging)
nvkifejezsek (NER)
szintaktikai elemzs treebank
szemantikai feldolgozs: jelents-egyrtelmusts,dialgus-elemzs, koreferencia-kezels
Mi a korpusznyelvszet? Mi a korpusz? Tpusok, pldk Korpuszok ptse Statisztika Alkalmazs
http://find/http://goback/ -
8/4/2019 Korpusznyelvszet ea.
25/68
ANNOTCI
cmkzs cdulz nyelvszet3 tpus: bibliogrfiai, szvegszerkezeti, nyelvszeti
a deskriptvvagy logikaimarkup a j: azt mondja meg,hogy miegy elem, nem azt, hogy mit kell csinlni vele
"The single most important property of any database forpurposes of computer-assisted research is that similarinstances be encoded in predictably similar ways."(Sampson 2001)
XML megfelel ennek: a kvetelmny ellenorizheto!tartalom s megjelents elvlasztsaidotll, hatkony trols, megosztsknnyebb karbantarthatsg, fejleszthetosgautomatizlhatsg
Mi a korpusznyelvszet? Mi a korpusz? Tpusok, pldk Korpuszok ptse Statisztika Alkalmazs
http://find/http://goback/ -
8/4/2019 Korpusznyelvszet ea.
26/68
ANNOTCI
standoffannotci
az annotci s a szveg sztvlasztsa
mindig j, ha megvan az eredeti szveg
tbbflekpp egymstl fggetlenl lehet annotlni a
szveget
Mi a korpusznyelvszet? Mi a korpusz? Tpusok, pldk Korpuszok ptse Statisztika Alkalmazs
http://find/http://goback/ -
8/4/2019 Korpusznyelvszet ea.
27/68
KONKORDANCIA
korpusz-kezelo szoksos mukdse:keres visszaad szmol rendez konkordancia
a konkordancia szoksos formja:
KWIC (keyword in context) MNSZindexls korpusz-pozci alap visszakeresskorpusz-kezelo eszkzk
Webconc Google flttWordSmith, ParaConc . . .CWB CQPManatee/BonitoXaira (BNC)NooJ nyelvelemzo rendszer
Mi a korpusznyelvszet? Mi a korpusz? Tpusok, pldk Korpuszok ptse Statisztika Alkalmazs
http://find/http://goback/ -
8/4/2019 Korpusznyelvszet ea.
28/68
WEB AS CORPUS (WAC)
j dolog 2001-es WAC workshop
a valaha volt legnagyobb korpusznak tekintheto
nincs nyelvi tuds keresonk, megolds lehet:
Google: begyujts on-the-fly korpusz kszts vizsglatWebBootCat instant korpuszhttp://corpora.fi.muni.cz/bootcat
teljeskru, nll, nyelvi tuds internetes keresoltrehozsanyelvi opertorokkal:frzisra, tagmondatra, sztore keresssel
Mi a korpusznyelvszet? Mi a korpusz? Tpusok, pldk Korpuszok ptse Statisztika Alkalmazs
http://find/http://goback/ -
8/4/2019 Korpusznyelvszet ea.
29/68
WEB AS CORPUS (WAC)
egyszeru tletek - amik a web nagysga miatt mukdneksszetett sz fordtsa: egyenknt, aztngyakorisgvizsglat (Grefenstette 1999)
prhuzamos szvegek keresse: szoksos link, sHTML-struktra sszevets (Resnik 1999)
gond: heterogn, nem kiegyenslyozott, vltozik
jv okp: gpi fordt, ami automatikusan pt sztrat a
webrol, s gy tlti ki a sajt sztrnak hinyait, fordtselott.
Mi a korpusznyelvszet? Mi a korpusz? Tpusok, pldk Korpuszok ptse Statisztika Alkalmazs
http://find/http://goback/ -
8/4/2019 Korpusznyelvszet ea.
30/68
1 MI A KORPUSZNYELVSZET?
2 MI A KORPUSZ?
3 TPUSOK, PLDK
4 KORPUSZOK PTSE
5 STATISZTIKA
6 ALKALMAZS
Mi a korpusznyelvszet? Mi a korpusz? Tpusok, pldk Korpuszok ptse Statisztika Alkalmazs
http://find/http://goback/ -
8/4/2019 Korpusznyelvszet ea.
31/68
SDP SPARSE DATA PROBLEM
gpi tanuls: mindent lehet tanulni, ha elg nagy a korpuszSDP: nincs tallat, vagy nagyon kevs tallat van5-nl kevesebbet ltalban rtkelhetetlennek tartjuk
a statisztikai gpi fordts ltalban az SDP miatt nem
megyhapax legomena: ami 1 fordul eloSinclair: egy sz jelentsnek lershoz 150 plda kell
plda: rekurzivits center embedding maximum 2
(Karlsson 2006) vges korpusz esetn minden jelensgre lesz hatr . . .
korpusz-alap mdszerrel nem mondhatunk olyat, hogymindig, vagy soha
Mi a korpusznyelvszet? Mi a korpusz? Tpusok, pldk Korpuszok ptse Statisztika Alkalmazs
http://find/http://goback/ -
8/4/2019 Korpusznyelvszet ea.
32/68
GYAKORISG
Hnyszor fordul elo egy adott sz, nyelvtani szerkezet?
mit szmolunk: token s typemekkora a korpusz vs. hnyklnbzo sz van benne klnbzo: szalak szerint /szto szerint stb.
relatv gyakorisg = abszolt gyakorisg / mintamret
Zipf trvnye: c = fr ra
n-gramgyakorisgoknagy nesetn az SDP problmba tkznk
Mi a korpusznyelvszet? Mi a korpusz? Tpusok, pldk Korpuszok ptse Statisztika Alkalmazs
http://find/http://goback/ -
8/4/2019 Korpusznyelvszet ea.
33/68
KOLLOKCIKERESS: MI S SALIENCE
Mely szavakkal milyen gyakran fordul elo egy adott sz?
kollokcik keressre klasszikus mrtk:mutual information
MI(x, y) = log2Nf(x, y)
f(x) f(y)sok, ha a kt elem a vletlenszerunl gyakrabban vannakegytt kollokci
A MI a ritka elemeket rszesti elonyben, ezrt korrigljk
a vizsglt elem (y) gyakorisgnak a logaritmusval:salience(Kilgarriff 2001)
S(x, y) = log2f(y) MI(x, y)
Z-score, log likelihood, minimum sensitivity . . .
Mi a korpusznyelvszet? Mi a korpusz? Tpusok, pldk Korpuszok ptse Statisztika Alkalmazs
http://find/http://goback/ -
8/4/2019 Korpusznyelvszet ea.
34/68
KOLLOKCIKERESS: MI S SALIENCE
Mire j?
tbbszavas kifejezsek a sztrrs szmra
sz tbb jelentst kitallni (igazat, tippet, hangot, otthontad)
hasonl szavak klnbsgt kitallni (emelkedik / no)
Mi a korpusznyelvszet? Mi a korpusz? Tpusok, pldk Korpuszok ptse Statisztika Alkalmazs
http://find/http://goback/ -
8/4/2019 Korpusznyelvszet ea.
35/68
1 MI A KORPUSZNYELVSZET?
2 MI A KORPUSZ?
3 TPUSOK, PLDK
4 KORPUSZOK PTSE
5 STATISZTIKA
6 ALKALMAZS
Mi a korpusznyelvszet? Mi a korpusz? Tpusok, pldk Korpuszok ptse Statisztika Alkalmazs
http://find/http://goback/ -
8/4/2019 Korpusznyelvszet ea.
36/68
ALKALMAZS
A kt alapveto megkzeltsnyelvszeti vizsglatok alapja
tanul- s teszteloanyag NLP rendszerekhez
Mely terleteken hasznljk
ler s kontrasztv nyelvszet
lexikogrfia (volt)
terminolgia (volt)
fordtstmogats ( kln ea.)
gpi fordts ( kln ea.)
nyelvoktats (lesz most)
Mi a korpusznyelvszet? Mi a korpusz? Tpusok, pldk Korpuszok ptse Statisztika Alkalmazs
http://find/http://goback/ -
8/4/2019 Korpusznyelvszet ea.
37/68
PLDK KONKRT ALKALMAZSRA
ha a prhuzamos korpuszban a prhuzamos helyen nemtalljuk meg egy tbbszavaskifejezs-jellt egy szavnak asz szerinti fordtst se, akkor gyans, hogy
nem-kompozicionlis, s gy valban TSZK (Kis et al.2004)
ismeretlen sz paradigmja megllapthat a korpuszbanelofordul alakok eloszlsa s a paradigmk alapjn; avgzodseloszlsbl az is kiszurheto, ha egy ragozott
alaknak tuno sz valjban egy msik (ismeretlen) szalapalakja (Forsberg et al. 2006)
Mi a korpusznyelvszet? Mi a korpusz? Tpusok, pldk Korpuszok ptse Statisztika Alkalmazs
http://find/http://goback/ -
8/4/2019 Korpusznyelvszet ea.
38/68
PLDAMONDATOK KORPUSZBL
lo, valdi nyelvhasznlat nyelvi pldk megfelelo forrsa
konstrult pldk korpuszpldk
korpuszalap pldk Longman, VALBU
a gyakori korpuszpldk a tipikusnyelvhasznlatot
mutatjk
Magyar Nemzeti Szvegtr E-szkincs Hunglish Mazsola Tjkozds
http://find/http://goback/ -
8/4/2019 Korpusznyelvszet ea.
39/68
7 MAGYAR NEMZETI SZVEGTR
8 E-SZKINCS
9 HUNGLISH
10 MAZSOLA
11 TJKOZDS
Magyar Nemzeti Szvegtr E-szkincs Hunglish Mazsola Tjkozds
M N S
http://find/http://goback/ -
8/4/2019 Korpusznyelvszet ea.
40/68
MAGYAR NEMZETI SZVEGTR
MTA Nyelvtudomnyi Intzet KorpusznyelvszetiOsztlyn kszlt
187,6 milli sz
stlusrtegek: sajt, szpirodalom, tudomnyos, hivatalos,
szemlyesregionlis vltozatok: magyarorszgi, szlovkiai,krptlajai, erdlyi, vajdasgi
reprezentatv
szfajilag elemzett (HuMor)egyrtelmustett (statisztikai + szablyalap)
http://corpus.nytud.hu/mnsz
Magyar Nemzeti Szvegtr E-szkincs Hunglish Mazsola Tjkozds
AZ MNSZ FELLETE
http://find/http://goback/ -
8/4/2019 Korpusznyelvszet ea.
41/68
AZ MNSZ FELLETE
Magyar Nemzeti Szvegtr E-szkincs Hunglish Mazsola Tjkozds
MNSZ b
http://find/http://goback/ -
8/4/2019 Korpusznyelvszet ea.
42/68
MNSZ ember
Magyar Nemzeti Szvegtr E-szkincs Hunglish Mazsola Tjkozds
MNSZ ember
http://find/http://goback/ -
8/4/2019 Korpusznyelvszet ea.
43/68
MNSZ ember
Magyar Nemzeti Szvegtr E-szkincs Hunglish Mazsola Tjkozds
MNSZ fut utn
http://find/http://goback/ -
8/4/2019 Korpusznyelvszet ea.
44/68
MNSZ fut utn
Magyar Nemzeti Szvegtr E-szkincs Hunglish Mazsola Tjkozds
MNSZ fut utn
http://find/http://goback/ -
8/4/2019 Korpusznyelvszet ea.
45/68
MNSZ fut utn
Magyar Nemzeti Szvegtr E-szkincs Hunglish Mazsola Tjkozds
MNSZ pasi STLUSRTEG SZERINT
http://find/http://goback/ -
8/4/2019 Korpusznyelvszet ea.
46/68
MNSZ pasi STLUSRTEG SZERINT
Magyar Nemzeti Szvegtr E-szkincs Hunglish Mazsola Tjkozds
MNSZ pasi STLUSRTEG SZERINT
http://find/http://goback/ -
8/4/2019 Korpusznyelvszet ea.
47/68
MNSZ pasi STLUSRTEG SZERINT
Magyar Nemzeti Szvegtr E-szkincs Hunglish Mazsola Tjkozds
http://find/http://goback/ -
8/4/2019 Korpusznyelvszet ea.
48/68
7
MAGYAR NEMZETI SZVEGTR
8 E-SZKINCS
9 HUNGLISH
10 MAZSOLA
11 TJKOZDS
Magyar Nemzeti Szvegtr E-szkincs Hunglish Mazsola Tjkozds
E-SZKINCS
http://find/http://goback/ -
8/4/2019 Korpusznyelvszet ea.
49/68
E SZKINCS
Kortrs szpirodalmi nyelvi adatbzis s hozz kapcsoldelektronikus tananyag a Sulinet rszre. (Sass 2006)
kvantitatv nyelvi vizsglatok, modern nyelvtechnolgiai
eszkztr bemutatsa3 rsz: korpusz + alaktani tblzatok + gyakorisgi listkgyakorisgi listk:
szalak / szto / szfaj szerintadott ktet / szerzoi letmu / teljes korpusz tekintetben
http://corpus.nytud.hu/e-szokincs/gyakorisag
Magyar Nemzeti Szvegtr E-szkincs Hunglish Mazsola Tjkozds
E-SZKINCS A GYAKORISGI LISTK FELLETE
http://find/http://goback/ -
8/4/2019 Korpusznyelvszet ea.
50/68
E SZKINCS A GYAKORISGI LISTK FELLETE
Magyar Nemzeti Szvegtr E-szkincs Hunglish Mazsola Tjkozds
E-SZKINCS KVANTITATV STILISZTIKAI VIZSGLAT
http://find/http://goback/ -
8/4/2019 Korpusznyelvszet ea.
51/68
E SZKINCS KVANTITATV STILISZTIKAI VIZSGLAT
Tamsi ron s Klnoky Lszl szavaiTamsi ronnl: a ktoszavak (mint, ha, vagystb.) sokkalritkbbak
leggyakoribb igk: van, mond van, tudKlnoky Lszlnl: nagyobb szkincs
Nemes Nagy gnes kt muvnek leggyakoribb foneveiSz s sztlansg: vers, sz, klt o, kp, kltszet
Az aranyecset: kz, szem, ecset, ember, nap
Magyar Nemzeti Szvegtr E-szkincs Hunglish Mazsola Tjkozds
http://find/http://goback/ -
8/4/2019 Korpusznyelvszet ea.
52/68
7
MAGYAR NEMZETI SZVEGTR
8 E-SZKINCS
9 HUNGLISH
10 MAZSOLA
11 TJKOZDS
Magyar Nemzeti Szvegtr E-szkincs Hunglish Mazsola Tjkozds
HUNGLISH
http://find/http://goback/ -
8/4/2019 Korpusznyelvszet ea.
53/68
j, nagymret u, illesztett magyar-angol prhuzamos
korpusz. (BME MOKK, MTA NyTI)54,2 milli sz = 2 milli mondatforrsok szvegtpusok
szpirodalomEU joganyagok
szoftverdokumentcifilmfeliratok beszlt nyelvktnyelvu magazinokpnzgyi jelentsek
http://szotar.mokk.bme.hu/hunglish/search/corpus
alkalmazhat nyelvoktats tmogatsra (Sass 2006)
A Hunglish korpusz egy szkapcsolatokat, kollokcikattartalmaz sztr, valdi nyelvhasznlatbl vett pldkkal.
Magyar Nemzeti Szvegtr E-szkincs Hunglish Mazsola Tjkozds
HUNGLISH KORPUSZALAP NYELVTANTS
http://find/http://goback/ -
8/4/2019 Korpusznyelvszet ea.
54/68
szkincs + nyelvtanszkincsfejleszts sztrknt hasznlhatnyelvtani struktrk vizsglata, megrtse
nll felfedezs motivci
Adott nyelvi elemnek tbbfle megfeleloje lehet, szmtalan
mdon lehet jl fordtani.kollokcikatnyelvtani szablyokata nyelveket (mindkett ot!)
valdipldk valdi szvegkrnyezettel szkrnyezeti vizsglatok
kiprblt mdszerkezdoknek s haladknakrai s nll munkra
Magyar Nemzeti Szvegtr E-szkincs Hunglish Mazsola Tjkozds
HUNGLISH "first of all"
http://find/http://goback/ -
8/4/2019 Korpusznyelvszet ea.
55/68
fi f
Magyar Nemzeti Szvegtr E-szkincs Hunglish Mazsola Tjkozds
HUNGLISH "mr"
http://find/http://goback/ -
8/4/2019 Korpusznyelvszet ea.
56/68
Magyar Nemzeti Szvegtr E-szkincs Hunglish Mazsola Tjkozds
HUNGLISH "nem most jttem le a . . . "
http://find/http://goback/ -
8/4/2019 Korpusznyelvszet ea.
57/68
Magyar Nemzeti Szvegtr E-szkincs Hunglish Mazsola Tjkozds
http://find/http://goback/ -
8/4/2019 Korpusznyelvszet ea.
58/68
7
MAGYAR
NEMZETI
SZVEGTR
8 E-SZKINCS
9 HUNGLISH
10 MAZSOLA
11 TJKOZDS
Magyar Nemzeti Szvegtr E-szkincs Hunglish Mazsola Tjkozds
MAZSOLA
http://find/http://goback/ -
8/4/2019 Korpusznyelvszet ea.
59/68
igei bovtmnyszerkezet vizsglata corpus-driven mdon(Sass 2007)feldolgozsi lpsek:
MNSZtagmondatrabontsrszleges szintaktikai elemzsfunkcionlis szerkezeta mondat modellje: ige + NP(szto+eset)listaopcionalizlsstatisztika salience
Mit tudunk vizsglni?Adott ige illetve igei keret melletti adott pozciban melyszavak fordulnak elo legjellemzobben.
Magyar Nemzeti Szvegtr E-szkincs Hunglish Mazsola Tjkozds
MAZSOLA
http://find/http://goback/ -
8/4/2019 Korpusznyelvszet ea.
60/68
Mire j?
lexikogrfiai munkhoznagymretu korpuszok sszegezni kell az informcit
(Word Sketch)vals nyelvi adatok objektv, idiolektustl fggetlenmunkaj jelents, j hasznlat felfedezse teljesebb sztr
gpi fordt lexikonja
magyar WordNetterv: szemantikai igeosztlyozshoz
Magyar Nemzeti Szvegtr E-szkincs Hunglish Mazsola Tjkozds
A MAZSOLA FELLET HASZNLATA
http://find/http://goback/ -
8/4/2019 Korpusznyelvszet ea.
61/68
http://corpus.nytud.hu/mazsola
Kzztett korpuszok:
3-10 szavas mondatok (8mi sz)
Magyar Nemzet (12mi sz)Index frum (18mi sz)
Magyar Nemzeti Szvegtr E-szkincs Hunglish Mazsola Tjkozds
http://find/http://goback/ -
8/4/2019 Korpusznyelvszet ea.
62/68
Magyar Nemzeti Szvegtr E-szkincs Hunglish Mazsola Tjkozds
MAZSOLA STLUSRTEGEK SSZEHASONLTSA
http://find/http://goback/ -
8/4/2019 Korpusznyelvszet ea.
63/68
PLDAad -t kereta Magyar Nemzetben s az Index frumban
eltrsek
Magyar Nemzeti Szvegtr E-szkincs Hunglish Mazsola Tjkozds
MAZSOLA IGK SZEMANTIKAI OSZTLYOZSA
http://find/http://goback/ -
8/4/2019 Korpusznyelvszet ea.
64/68
no nvekedik
alany: szm arny r alany: szm arny rdeklods-bAn: mrtk v -bAn: mrtk v-rA:forint szzalk dupla -rA:v-vAl: szzalk forint -vAl: szzalk forint
emelkedik drgul
alany: szm r rfolyam alany: rszvny TVK kenyr-bAn: mrtk v -bAn: mrtk forgalom-rA:forint jogero szzalk -rA:forint
-vAl: szzalk forint -vAl: szzalk forint
nyjt, megad, knlreagl, vlaszol, felel
Magyar Nemzeti Szvegtr E-szkincs Hunglish Mazsola Tjkozds
http://find/http://goback/ -
8/4/2019 Korpusznyelvszet ea.
65/68
7 MAGYAR NEMZETI SZVEGTR
8 E-SZKINCS
9 HUNGLISH
10 MAZSOLA
11 TJKOZDS
Magyar Nemzeti Szvegtr E-szkincs Hunglish Mazsola Tjkozds
TJKOZDS
http://find/http://goback/ -
8/4/2019 Korpusznyelvszet ea.
66/68
intzmnyek:
Birmingham COBUILDLinguistic Data Consortium (LDC)European Language Resources Association (ELRA)
folyiratok:
International Journal of Corpus Linguistics (1996-)Corpus Linguistics and Linguistic Theory (2005-)Corpora (2006-)magyar: nincs
konferencik:
EMNLP 1996 ta venterendezi: SIGDAT (SIG on linguistic data and corpus-basedapproaches to NLP)LRECmagyar: MSZNY nem specilisan korpusz!
Magyar Nemzeti Szvegtr E-szkincs Hunglish Mazsola Tjkozds
TJKOZDS
http://find/http://goback/ -
8/4/2019 Korpusznyelvszet ea.
67/68
knyvek:McEnery & Wilson: Corpus Linguistics (1996)Kennedy: An Introduction to Corpus Linguistics (1998)Tognini-Bonelli: Corpus Linguistics at Work (2001)Oakes: Statistics for Corpus Linguistics (1998)
Brew & Moens: Data-Intensive Linguistics (2004?)magyarul: Szirmai: Bevezets a korpusznyelvszetbe(2005)
cikkek: minden NLP cikkben van korpusz :)
Magyar Nemzeti Szvegtr E-szkincs Hunglish Mazsola Tjkozds
TJKOZDS
http://find/http://goback/ -
8/4/2019 Korpusznyelvszet ea.
68/68
knyvek:McEnery & Wilson: Corpus Linguistics (1996)Kennedy: An Introduction to Corpus Linguistics (1998)Tognini-Bonelli: Corpus Linguistics at Work (2001)Oakes: Statistics for Corpus Linguistics (1998)
Brew & Moens: Data-Intensive Linguistics (2004?)magyarul: Szirmai: Bevezets a korpusznyelvszetbe(2005)
cikkek: minden NLP cikkben van korpusz :)
kedvencem . . .Wolfgang Teubert: My version of corpus linguisticsInternational Journal of Corpus Linguistics 10:1 (2005), 1-13.
http://find/http://goback/