Prosjekt

2006 var det siste ordinære år for LOGON, da den endelige versjonen av demonstratoren ble fullført, den kan testes her: http://noen.emmtee.net/logon. Bergensgruppen fortsatte sitt arbeid med analyse av norsk. Dette arbeidet kan oppsummeres under overskriftene 1. Grammatikk- og leksikonutvikling, 2. Trebankarbeid og parseseleksjon, 3. SEM-I, 4. Sammensetningsanalyse, og 5. Pre- og post-parsing-prosessering.


1. Grammatikk- og leksikonutvikling (HD)

LFG-grammatikken og dens leksikon ble utvidet til å dekke en lang liste av ytterligere konstruksjoner fra utviklingskorpuset, og mange semantiske analyser ble modifisert for å oppnå harmonisering med analysene i den engelske målgrammatikken. Det følgende er et lite utvalg av konstruksjoner som ble tilføyet eller videreutviklet: Målte komparativer ("100 meter høyere"), attributive partisipp-sammensetninger ("skinnkledd"), frie relativer ("Han tar hva han liker"), frie predikativer ("Han ankom smilende"), koordinert Adv og PP ("Hun gikk langsomt og med forsiktighet"), koordinerte sammensetningselementer ("bjørne- og ulvestammen"), deverbale adjektiver ("mer skjermede forhold"), lokativ modifikasjon av navn ("Bygdin på langs"), refleksiver i NP-tilknyttede PPer ("båtturen i seg selv"), tallintervaller ("de første fem-seks kilometerne"), så+A(+N)+at ("en så god smak at du kommer tilbake"), årstid+år ("vinteren 1970"), pronomen med apposisjon ("vi voksne"), ekstraponerte partisipp-relativer ("Da stod en ny hytte klar, tegnet av NN"), APer som temporale adverbialer ("Drøye 130 år tidligere var firmaet blitt etablert"), gapping ("Petter er syk og Kari frisk"), og en god del flere, i tillegg til leksikonutvidelser.


2. Trebankarbeid og parseseleksjon (VR og PM)

En første runde med disambiguering ble fullført på utviklingskorpuset. Alle flertydige setninger med færre enn 500 ikke-fragmenterte analyser ble (i det minste delvis) disambiguert med LFG Parsebanker (utviklet i Trepil). Parallelt med disambigueringen arbeidet VR med debugging av grammatikk og leksikon i tilfeller der den ønskede analysen ikke var blitt funnet. PM fortsatte sitt arbeid med statistisk parse-rangering basert på trebank-dataene.


3. SEM-I (VR og PM)

SEM-I, eller 'semantic interface', er en innovasjon i LOGON som består av den listen av transfer-relevante semantiske predikater, sammen med deres argumenttyper, som produseres av en grammatikk. Oppdaterte SEM-Ier for kilde- og målgrammatikk utgjør grunnlaget for transfergruppens arbeid. Første versjon av den norske SEM-Ien ble produsert på grunnlag av lemmalister levert av Oslo-Bergen-taggeren. På grunn av unøyaktighet i taggeren mistet vi en god del dekning. Derfor konstruerte vi en database for alle ordformer i utviklingskorpuset. For hver ordform ble alle morfosyntaktiske ord opplistet. Dette gjorde det lettere å finne de lemmaer som skulle inkluderes i SEM-I, enten ved korpussøk eller enkel inspeksjon. Viktigere enn å fjerne usannsynlige ord var det å inkludere ord som taggerens feilaktige gjetninger hadde gjort det umulig å finne. Databasen ble brukt i konstruksjonen av annen fase av SEM-Ien, som dekket tekstene 'Preikestolen' og 'Turglede' i tillegg til de tilbakeholdte delene av 'Jotunheimen', 'Preikestolen' og 'Turglede'. PM genererte deretter den nye (partielle) SEM-Ien automatisk fra databasen. I ettertid ser vi at hele SEM-Ien burde ha vært konstruert på denne måten. Databasen var også nyttig for å finne egennavn fra korpus som trengte oversettelse snarere enn bare overføring uten oversettelse.


4. Sammensetningsanalyse (VR)

Den automatisk genererte filen compounds.logon ble korrigert i tilfeller der noen av de foreslåtte analysene ikke var (de korrekte) substantiv-substantiv-sammensetningene, og SEM-Ien ble oppdatert i henhold til dette. Hensikten med å liste opp visse sammensetninger i compounds.logon er å muliggjøre fleksibel behandling av leksikaliserte sammensetninger, som systemet trenger å gjenkjenne både som leksikaliserte og som analyserbare.


5. Pre- og post-parse-prosessering (PM)

Grensesnittet mellom morfologisk analyse/preprosessering og syntaktisk parsing ble re-implementert på en enklere måte etter at det ble klart at det var mulig å klare seg uten den separate 'morph-server' som ble utviklet tidligere i prosjektet. Andre sider av preprosesseringen ble også forbedret, for eksempel en reimplementering av sammensetningsanalysatoren, og behandlingen av leksikaliserte sammensetninger basert på compounds.logon (se 4). Videre ble koding av strengposisjoner inkorporert i MRS-representasjonene, noe som gjorde det mulig for leddfølgen i kildesetningen å ha innflytelse på rangeringen av mulige oversettelser.