DEPENDENSSTRUKTURER I CONSTRAINT GRAMMAR SYNTAKS FOR PORTUGISISK. Eckhard Bick. Abstract

Transkript

1 DEPENDENSSTRUKTURER I CONSTRAINT GRAMMAR SYNTAKS FOR PORTUGISISK Eckhard Bick Institut for Lingvistik, Århus Universitet, Nordre Ringgade, DK Århus C tel: , fax: , e- mail: lineb@hu m. aa u. dk Abstract The paper prese n t s some syntactic aspects of an auto m a tic gram m a r - and lexicon - based parser for unres tricte d Portug ue s e text, ultima tely inten de d for applicatio n s like corpora tagging, gram m a r teaching and machine tran sla tio n. Gram m a tical rules are formulated in the Constraint Grammar formalism (CG) and focus on disambiguation and robu s t n e s s. In spite of using a highly differen tia t e d tag set, the parse r yields correct ne s s rates - for unrest ricte d and unknown text - of over 99% for morp hology/pos and 97-98% for syntax (where work is still in progres s), even when geared to full disam big u a tio n. Among other things, argu me n t struct u r e, depen d e n cy relations and subclau se function are treate d in an innovative way, and the autho r argues that the struct u r al infor m a tio n conten t of a "flat" CG- based syntactical descrip tio n can be augme n t e d in such a way that auto m a tic tran sfo r m a t io n into traditional tree struc t ur e s (like in DCG and PSG) is made possible. The parser uses valency and sema n tical class infor ma tio n from the lexicon, but disa m bigu a tio n on these levels is still experi me n t al. The syste m runs at about 100 words / s e c on a 100 MHz Pentiu m based Linux syste m, when using all levels. Morphological and POS disam bigu a tio n alone approac h 1000 words / sec.

2 1. Oversigt I denn e artikel præse n te r e s en morfologisk- syntak tisk parser for fri portugisisk tekst, hvor der anvende s Constr aint Gram m a r til disa mbiguering af ikke kun ordklas se r og morfologiske tags, men også depen de n s - og valensfor h ol d, samt ledsæt ni nger s funktion. Parsere n er udviklet som led i min Ph.D.- forskning om autom a tis k analyse af portugisisk. Projektet har en leksikografisk baggrun d (beskrevet i mit cand.mag.- speciale) og et maskin over s æ t t els es - persp ek tiv, men i det følgende vil det være det syntak tis ke niveau, der står i forgru n d e n. Især vil jeg diskute re de særlige egenskaber ved en funktionelt udrettet, "flad" dependensgram m a tik, og vurdere mulighede r n e for en auto m a tis k transfor m a tio n til egentlige træs tr u k t u r e r. Selv om arbejdet med parsere n ikke er afsluttet endn u, vil jeg forsøge en evaluering af nogle foreløbige kvantitative resultate r. Endeligt skal en række eksem pels æ t ni nge r og omfatte n d e taglister gøre det muligt for læseren selv at vurdere parsere n s notationelle koncept i forhold til andre systemer. 2. Baggrund De fleste ord i natursprogstekster er - isoleret set - flertydige med hensyn til ordklass e, bøjning, syntaktis k rolle, seman tisk indhold m.m. Det er sætningskonteksten (foruden den indholdsmæssige samenhæng og læserens "viden om verden"), der afgør hvorda n ordet skal forstås. Constraint Gra m m a r (CG), som den er udviklet af Helsinki- skolen (fx. Karlsson et.al., 1995) er en gram m a tis k metode der søger at genne mf ør e en såda n éntydiggørelse (disambiguering) ved at opstille regler for hvilken af et ords mulige læsninger der skal vælges og hvilke læsninger der skal forkaste s i en given sætningsko n t e k s t. I selve parsere n bliver reglerne kompileret til et comp u t e r p r og r a m, der som input tager tekst hvor hvert ord har fået tilføjet tags for alle dets mulige morfologiske og ordklas se - læsninger af en leksiko n - baseret tagger. Som outp u t leveres for hver ordfor m kun én taglinie, med den korrekte grundfor m, ordklas se m.m. (1) "<nu nca >" "nunca" ADV "<como >" "como" <rel > ADV "como" <inter r > ADV "como" KS "como" <vt> V PR 1S VFIN "<peixe >" "peixe" N M S "<$. >" [ADV=adverbiu m, KS=subor dineren de konjunktion, V=verbu m, N=subs t a ntiv, PR=præ se n s, S=singularis, M=mask ulin u m, 1=1. pers o n, VFIN=finit verbu m, <rel > = r elativu m, <interr > = interrogativum, <vt> = m o notransitiv] De fire læsninger af ordfor m e r n 'como' kaldes i CG- terminologien en kohorte. En typisk CG- regel til disam biguering af denn flertydighe d er fx. følgende: 2

3 =! (VFIN) (NOT *- 1 VFIN) (NOT *1 VFIN) [vælg (=!) for enhver ordform (@w) læsningen VFIN (finit verbum) hvis der ikke (NOT) - hverken til venstre (*- 1) eller til højre (*1) - findes et andet ord der kan være VFIN.] 1 Ved først at tilføje ("mappe") alle 2 mulige syntaktiske funktioner til ordfor m e n udfra dens ordklas se, bøjning m.m., og herefter at disam biguer e den ne syntaktiske flertydighe d, kan Constr ain t Gram m a r også bruges til syntak tis k parsing, som det fx. er sket i Bank- of- English- projektet (200 millioner ord, Järvinen, 1994). (3) "<nu nca >" "nunca" "<como >" "como" <vt> V PR 1S "<peixe >" "peixe" N @SC=subjekt pr æ di pr æ dikativ] Tilføjelsen af de mulige syntaktis ke tags (@) har i eksem plet resulteret i firedob belt syntak tis k ambiguitet for peixe. Læsningen som direkte objekt (@ACC) kan udvælges positivt med en =! - regel der udnytter verbets transitivitet, men den kan lige så godt fremstå indirekte 3, - ved at være den sidste overlevende læsning, efter at CG- regler har forkastet de andre: =0 (@SUBJ) (0 N) (NOT *- 1 V3) (NOT *1 V3) [forkast (=0) subjektlæ s ni ngen hvis ordet (0) er et substa ntiv (N) og der ikke findes et verbum i 3. =0 (@SC) (NOT *- 1 <vk>) (NOT *1 <vk>) [forkast subjektpr æ dikativlæs ningen (@SC) hvis der ikke findes et kopulaverbu m (<vk>) i =0 (@OC) (NOT *- (NOT [forkast objekt pr æ dikativlæ sningen (@OC) hvis der ikke findes et direkte objekt (@ACC) i sætningen] 4 1 Reglen er forenklet, idet den foruds æ t t er at enhver periode indeholder minds t ét finit verbum, hvad der ikke altid er tilfældet i overskrifter, udråb o.l. Reglen kan gøres mere sikker ved at kræve et punkt u m (*1 PUNKTUM) eller udnytte den mulige valensrelation mellem det transitive comer og den 'sikre' NP peixe (0 <vt >) (1C NP). 2 Også i mapping - fasen anvendes constraint- regler, og listen over mulige syntaktiske funktioner for et bestem t ord kan således gøres kontekst- afhæ ngig (og dermed kortere). 3 Det er denne indirekte disam biguering, der er mest karakteristisk for Constraint Grammar, og her ligger en vigtig årsag til metodens robust he d: selv sjældne eller ufuldst æ n dige konstruktioner vil få minds t én analyse - nemlig den der overlever flest forbud s regler. Parseren foretrække således som regel en struktur, der er "næsten rigtig" frem for en, der er "temmelig forkert". 4 Alle anførte regler gør brug af "ubundne" kontekstbetingelser: *- 1 = kontekstbetingelsen søges opfyldt fra og med det 1. ord til venstre (et eller andet sted til venstre) *1 = kontekst beti ngelsen søges opfyldt fra og med 1. ord til højre (et eller andet sted til højre) Man kan også bruge "bundne" kontekstbetingelser, fx - 2 = andet ord til venstre, 3 = tredje ord til højre. De "bundne" kontekstbeti ngelser kan i princippet gengives som n- gram- regler (som brugt i mange probabilistiske parsere), mens de "ubund ne" (*- kontekst er) er mere CG- 3

4 CG- gram m a tikker er først og frem me s t blevet beskrevet for engelsk (fx. Karlsso n et.al., 1991), men der findes - i hvert fald på det morfologiske niveau - projekter for flere andre sprog fra såvel den germa n s k e, roma ns ke og finno- ugriske sprogfa milie (svensk, tysk, frans k, finsk m.m.). En moden CG- gram m a tik for det morfologiske niveau (ordklass e - disambigue ringe n m.m.) består typisk af regler. For engelsk opgives fejlprocente r på under 0.3% ved en disam bigueringsgra d på 94-97% (Voutilainen, 1992). 3. "Flade" træstrukturer i CG- syntak s 3.1 Syntaktisk form og syntaktisk funktion I min parser, som i andre Constr aint Gram m a r - syste me r, benytter jeg mig af en "flad" repr æ s e n t a tio n af syntaktis k strukt u r. Beskrivelsen indeholder infor m a tio n om både syntaktisk funktion (fx argume n t e og konstit ue n t s t r u k t u r (syntaktisk form ). Den sidste bliver markeret ved hjælp af dependens markører (<, >) som er rettet mod det pågældende syntag m e s hoved og samler konstit u e n te n til en kohær e n t helhed med implicitte syntagm egr æ n s e r. Hvor hovedet ikke er hovedverbe t, bliver det anført ved pilespidsen (fx N for nominal- hoved, A for adjekt - hoved 5 ). Dependensmarkører bliver enten hæftet til de funktionelle @N<PRED), eller står, ved visse beste m m e r led, alene for [bestemmer - ] prænominal). Idet hvert ord således kun behøver at "huske" sin umiddelba r e depen d e n s r ela tio n (dvs. hvad det selv er depen d e n t til), kan hele den syntak tis ke stru k t u r beskrives lokalt (som ordrelateret tag), - som i en uro, hvor den enkelte tråd kun "kender" nøjagtig 2 af uroens mange faste dele: i den ene ende den stang den selv hænger i (hovedet, som dependens markøren peger på) og i den anden ende det objekt (eller den stang) der hænger i tråden (dependenten, som dependens markøren peger væk fra). Hvis bare man skriver ned for hver del i uroen hvilken anden del den skal hænge i, kan man faktisk godt skære den i stykker og gemme den i en skotøjsæske - den strukturelle information bevares 6. Jeg vil her skelne mellem 3 hovedtyper af konstituentstrukturer, som efterfølgen de eksem plificeres: specifikke. 5 Ved et adjekt hoved forstår jeg kernen i et adjektiv- eller adverbialsyntag me. Også attributivt brugte participier tilhører adjektkategorien. 6 At den strukt urelle information både markeres og processeres lokalt (på ordplan) er faktisk kongstanken i CG's syntaktiske filosofi, og jeg vil i afsnit 3 diskutere fordelene (og ulemperne) ved en sådan "flad" beskrivelse, og vise hvordan selv mere komplekse depende nt er (ledsætninger m.m.) kan håndteres på denne måde. 7 Reglen udsiger, at der i et syntagme ikke kan være to argumen ter med samme syntaktiske funktion, med mindre der er tale om koordination. Fx kan hovedverbet i et sætnings syntag m e 4

5 a) argumenter b) frie adjunkter c) bestem m er - adjunkter valens valensbunden ikke valensbunden ikke valensbunden blokeringsregel 7 fokuserbarhe d a) Argumentstr uktur: gyldig (dog ikke ved koordin atio n) kan fokuseres /isoleres ved kløvning ikke gyldig kan fokuseres /isoleres ved kløvning ikke gyldig kan ikke isoleres ved kløvning Argume n t Hoved Argume n t João come V VFIN <vt carne João spiser kød. quer V VFIN <x jogar V AUX< [Han/hun] vil spille rico ADJ <+em em ouro rig på guld Dependensforholdet er for argumenternes vedkommende også markeret i tråden s øvre ende: hovedet bærer en valens m a r k ø r: en tag som <vt > ('monot r a n si tivt verbu m'), for eksem pel, "forventer" et direkte objekt (@ACC) et eller andet sted i sætningen 8. Rico em ouro er et eksempel på hvordan beskrivelsen håndter e r flere hierarkiske niveauer: præpo sitione n em er hovedet for et præpositionssyntagme (dette markeres på dependenten ouro men samtidigt selv argume n t for adjektivsyntag m e t s hoved rico (markere t I mods æ t ni ng til engelsk og dans k kan et prono mi n alt subjekt på portugisisk inkorpor e r e s i det finitte verbu m (fx. quer jogar ), og skal derfor beskrives ikke som sætnings ko n s tit ue n t, men som (fakultativ og valens styret) konstitue n t i verbalsyntag m et. b) Struktur med frie adjunkter: Adjunkt Hoved Adjunkt Ontem ele veio V VFIN muito tarde I går han kom meget sent. Zanga d a saíu V sozinh a Sur gik [hun] (ud) alene. således kun styre ét akkusativ- objekt. Reglen gælder netop kun for argumenter og ikke for andre - frie - konstituenter (her kaldet for adjunkter). 8 I en rent syntaktisk samme n h æ n g anses valens m arkører dog for sekund æ re i forhold til de primære tags (@- tagsene), og et ord kan have en lang række af (potentielle) valens m arkører, og stadigvæk være syntaktisk éntydigt beskrevet igennem tag. Kun de (syntaktisk) primære tags skal disam bigueres på det syntaktiske niveau. Valensm arkør disa m biguering kan dog være et nyttig redskab på et højere analyseplan, hvor der tilsigtes polysemi differentiering (jf. afsnit 4). 5

6 Frie adjunkter er ikke valensstyret og dependensen markeres derfor kun ved dependenten: adjunkt - adverbialer (@ADVL 9 ) peger på hovedverbet, og frie (adjunk t - ) prædika tiver peger på en nominalgr u p p e (ofte subjektet, der igen kan være inkor po r e r et i det finitte verbu m). c) Struktur med bestemmer - adjunkter: Præno min al Hoved Postno min al O DET <art poeta N M S flumine nse grande Den store digter fra Rio. caro ADJ M S demais dyr for [dyr] mais ADV <qua n t interessado PCP M S mere interesseret Bestemmere er de dependenter, der er tættest bundet til syntagmehovedet, og man kan argume n t e r e, at en beste m m e r s syntaktiske funktion netop kun er 'bestem m e r', og at en yderligere præcisering af dens funktionelle rolle (attribu t, kvantifikato r m.m.) allerede fremgår af dens ordklas se - tag og de leksem s p ecifikke sema n tis ke træk. Jeg nøjes derfor med en ren dependens markering (dvs. uden funktionel tag på pilens "åbne" side). 3.2 Syntaktisk information sind hold og ækvivalente træstrukturer Spørgsm ålet er nu, om det på den ene eller ande n måde er muligt, at omdanne den beskrevne flade struktur til en træstruktur, som man kender den fra mere "traditionelle" beskrivelser (DCG 10, PSG 11 m.m.). Og, vil der i så fald være tale om infor ma tion s t a b, eller, modsa t, øget ambiguitet? Begge dele, foreko m m e r det mig. På den ene side ville det koste informationsindhold, at erstatte funktionelle og dependens - tags med en ren konstituentstr uktur ("bracketing") 12, især for verbalkomplementeringen og på leds æt nings niveau, hvor mit syste m er mest differentieret (funktion og depen d e n s markere s), og i noget mindre grad ved ad- N- og ad- A- konstruktionerne (kun dependens markeres, og argument - /adjunkt - skellet ekspliciteres nor malt kun igenne m syntagm e h ove de t s valenstags, og ikke igennem et funktionelt tag for det dependente led, jf. 3.1 c). På den anden side vil nogle tilfælde af under s pe cifikation af depen d e n s f o r h ol d blive synliggjort, når der opbygges en eksplicit træstruktur, som fx: efter postno mi n al der selv indeholde r et nominalt hoved:... o gigante Venceslau comedor de gente famoso... 9 valensbun d n e circum s ta n tielle adverbialer tagges (adverbialobjekt), og præpo sitions synt ag m e r, der ikke kan erstattes med rene adverbier, tagges (præpositionalobjekt). 10 Definite Clause Gramm ar 11 Phrase Structure Gram m ar 12 Selvfølgelig kan man så vælge - når der skal transfor m eres fra "flad" til træ- beskrivelse - at "berige" den klassiske phrase - structure - notation ved at bevare de funktionelle og depende n s - markører fra CG- notationen. 6

7 @N< I denne sætning kan famoso syntaktis k relateres til: - gente (forbydes dog af genus - kongruenskrav) - comedor (den rigtige løsning udfra princippet om syntagmekohæsion eller "close attachment") - Venceslau (usand s y nligt hoved for et adjektiv- post no mi n al, fordi der er tale om et egennavn) - gigante (kernen i den hierarkisk øverste NP- parente s i udtrykket) ii) koordinationsproblemer, fx enkelt- vs. dobbelt- tilhæftning af (postnominal):... cinco homens e quatro mulheres do (prædika tiv) efter mellems t å e n d e nominale gruppe r (som viu o amigo, exausto... - não viu nenhu m a @<PRED Her er den første sætning flertydig ved han- køns - subjekt, hvor præ dika tivet kunne pege på både subjektet eller objektet; den ande n sætning er ligeledes syntaktis k flertydig (denne gang ved hun- køns - subjekt), men ville kunne udrede s sema n tis k (løsninger kan ikke være udmattede). Som det fremgår, ville mulige løsningss tr a tegier involvere fx. kongr ue n s [i (i), i det minds te for portugisisk], minimal attach m e n t [eller minimal coordination], og semantisk kongruens mellem hoved og bestemmer [i (iii)]. Samtidigt er det dog vanskeligt at se hvorda n nogen som helst primæ r t syntak tis k beskrivelse skulle kun n e hån d ter e denn e type ambiguitet, - hvorfor den "flade" beskrivelses "elegante under s p ecifikation" måske end d a burde betragte s som den bedste eller i hvert fald mest pragma tiske løsning. 3.3 Automatisk transformation Følgende skridt kan udgøre skelettet af en algorit me til opbygning af konstituenttr æer udfra en "flad" dependensbeskrivelse som den er foreslået i min parser: 1. Alle adno mi n aler og adverbielle adjekter hæftes til deres hoveder, defineret som det første ord af egnet ordklass e, der mødes i den af dependens markørerne (>, <) angivne retning. De i skridt (1) etablerede syntagm e r vil herefter flyttes og koordiner es som helhed er [skridt (4) og (2)]. 2. Koordinator e r betragtes som intra - syntagm a tisk, hvor et skridt - 1- elemen t skal krydse dem for at finde et hoved af egnet ordklass e. Ellers koordineres funktionsækvivalente ord/synagmer på det højest mulige niveau der ikke bryder unique ne s s princippet. 7

8 3. Ledsætningsgrænser introduceres, hvor 2 ukoordinerede argumenter kommer i konflikt pga. blokeringsreglen, og mellem dependensmarkører (af sam me niveau) der peger i mods at t e retninger. 4. Argu me n t e r og adju n k te r på (led)sæt ning s niveau (hvad enten de er ord, syntag me r eller hierarkisk lavereståe n d e ledsæt ni n ger) hæftes til (hovedverbum) i den udpegede retning, medmindre der er en mellemstående ledsætningsgrænse - i dette tilfælde vælges det førstkom efter den anden (komplementære) ledsætningsgrænse, osv. Den gradvise introd u k tio n af hierarkiske parentes e r (eller træforgre nings se k tio ne r) kunne tænkes at foregå som i følgende eksem pel: a) rå "flad" notation: O pai de o menino que venceu comprou dez cervejas. <rel> b) tilhæfting af prænominaler: (O pai ) de ( o menino) que venceu comprou (dez cervejas). <rel> c) tilhæftning af postno minal relativ og etablering af PP: (O pai ) ( de (( o menino) que venceu )) comprou (dez cervejas). <rel> d) afsluttet dependen sbeskrivelse af sætningens førest NP: ((O pai ) ( de (( o menino) que venceu ))) comprou (dez cervejas). <rel> e) (led)sætningsgr æ nse r (markeret ved - ) introduceres pga. sammen stø d af ukoordineret og (uniquene ss princip), samt subjekt / o bjekt - tilhæftning: (((O pai ) ( de (( o menino) - (que venceu)- ))) comprou (dez cervejas)). <rel> Jeg har skrevet et Perl 13 - program, der realiserer nogle af disse principper 14 og transformerer den flade ordbaserede syntaktiske struktur til en mere traditionel træstruktur, hvor konstituenthierarkiet og syntagmegrænserne synliggøres, og hvor de kompleks e konstitue n t e r med deres form og funktio n indføjes som selvstæ n dige størrelser imellem orden e. Nedenstående en analyseret sætning før og efter transformationen: (5) anlyseret tekst, i "flad", ordba se r e t CG- notation: 13 Et progra m m e rings s p rog, der er særligt velegnet til strengma nip ulation og sproglige opgaver. 14 Program m e t er eksperimentelt, og opbygger - hvor CG- beskrivelsen unders pecificerer - kun én ud af flere mulige træstrukturer. 8

9 ordfor m grundfor valens & ordklasse & syntaks m semantik bøjning *a [a] <art > DET F crise [crise] <sit > N F apura [apurar] <vt > <sn > V PR 3S VFIN o [o] <art > DET M paladar [paladar] <ano s t > <fh > N M de [de] <sa m - > o [o] <- sam> <art > DET M consumid [consu mir <DERS - or> N M or ] e [e] valoriza [valorizar] <vt > <sn > V PR 3S VFIN o [o] <art > DET M dono [dono] <H > N M de [de] restaurant [restauran <inst > N M e te] que [que] <rel > SPEC N< pilota [pilotar] <vt > <vh > V PR 3S VFIN a [a] <art > DET F própria [próprio] <jn > ADJ F cozin h a [cozin ha] <ejo > N F [ordklasser: DET=deter miner, N=noun, V=verb, PRP=pre position, KC=coordinating conjunction, SPEC=specifier- pronoun, ADJ=adjektiv; bøjning: S=singular, P=plurar, M=male, F=female, PR=present, 3S=third person singular; derivation: <DERS - or> = s u ffiksderivation på '- or'; no main o nt of N< =finite subclause functioning as postnominal; valens: <art > = a rticle, <rel> =relative, <vt> = m o n o transitive verb; semantik: <H> =h u m a n, <sit> = situation, <ejo> =functional place, <inst > =institution, <anost > = a n atomical bone structure; selektionsregler: <fh> = h u m a n feature, <sn> = h as non- human subject, <vh > = h a s always human subject, <jn > has non- huma n head; ortografi: <sa m - >&<sam > = fi rst and second part of fused expression] 9

10 (6) samme tekst, efter transformation til træstruktur, med indføjede syntagm e - tags og hierarkis k F S *a [a] <art > F S crise [crise] PR 3S IND VFIN apura [apurar] <vt > <sn M S o [o] <art > M S paladar [paladar] <anost > <fh> de [de] <sam - > M S o [o] < - sam> <art > M S consumid [consumir] <DERS - or> e PR 3S IND VFIN valoriza [valorizar] <vt > <sn M S o [o] <art > M S dono [dono] <H> de [de] M S restaurant [restaurante] <inst > e M/F S/P que [que] <rel > PR 3S IND pilota [pilotar] <vt > <vh > VFIN F S a [a] <art > F S própria [próprio] <jn > F S cozinha [cozinha] <ejo > [@H=head, np= n ou n phrase, pp= p r e po sitional phrase, fcl=finite clause, ':'=sepa rator for function and form] 4. Hvilken slags Constraint Grammar I princip p et er CG en robu s t disa mbigue ring sfilosofi, der ikke på én gang genererer en hel analyse med en beste m t "lovlig" sætnings s t r u k t u r, men acceptere r ethvert input og mejsler bort hvad der ikke kan være del af nogen (tilladt) strukt u r. Her er hverken mejsletek nikke n (regelsætte t) eller mejsleredskaberne (regel- compilerne) bestemt af CG- idéen som sådan. Hver billedhugger bestemmer selv hvordan han vil forme sit værk. Og dog... Historisk set uds pringe r CG fra morfologisk analyse, de fleste syste me r benytter sig af en morfologisk toniveau - analyse (TWOL, jf. Koskennie mi, 10

11 1983) som præp r oce s s o r, og fokusere r på morfologiske træk og ordklass er. Den gram m a tis ke beskrivelse er derfor i høj grad ordbase r e t og impleme n te r e s ved at hæfte tags til ordfor m e r. "Flad" syntaks er en naturlig konsekven s af dette. Men uden specielle depen de n s f or bin d els er kan en såda n flad beskrivelse kun fungere tilfreds s tillende, hvor et enkelt ord bærer hele vægten af et syntagm e s funktion. Der vil uvægerligt være proble mer med depen de n s f o r h ol d der involverer flere forskellige syntaktiske niveauer. Således løber en CG- beskrivelse uden (funktionelle) ledsæt ni ngst ags ind i vanskelighede r som følgende:? (Led)sætningsgr æ n s e r, selv hvor de synliggøres, er ikke udlagt hierarkisk, hvorfor der kan være proble mer med uklare sætnings tilhør sfor h ol d (fx efter indsku d t e relativsæt ni nger).? Visse valenst r æ k "udfyldes" ikke altid, som fx. i tilfælde af "manglende" subjek t på engelsk ('Visiting the Louvre was not his only reason for coming to Paris'), eller manglen de akkusa tiv- objekter ( that/ q u e / a t - sætninger efter "kognitive" verber).? "Overskyden d e" argume n t e r pga. uklare tilhørsfor h old mht. sætnings hie r a r ki, som i O perigo de os inimigos atacare m à noite era imanente., hvor både perigo og inimigos er subjekter, noget der er imod blokerings regel, og kun kan løses ved at løfte det andet subjekts hovedverb u m (atacare m) ud af matrixsæ t ni nge n og beskrive det som (ledsætnings - )argument til den forudgående præposition 'de'.? Nedsat informationsindhold i sammenligning med en træstruktur (jf. ovenfor). Jeg mener at det ved at skelne mellem CG som disam bigue ringste k nik på den ene side, og den udmejslede gram m a tiske beskrivelse på den anden side, er muligt at skabe en form for flad repr æs e n t a tio n der er funktionelt ækvivalent til træstrukturer og som kan håndtere argument - og valensstrukturer på en hierarkisk måde. Min metode har været (a) at forsyne alle de syntaktiske tags med "retted e" depen d e n s m a r k ø r e r (jf. ovenfor), og (b) at hæfte 2 tags til de centrale forbinderord ("complementizer" som: subordinerende konju n k tio n e r, relativer og interrogativer) i finitte og absolut te ledsæt nin ge r, samt til infinitiver, gerundier og participier i infinitte ledsætninger 15. Disse ord vil så bære både en "indadven d t" tag (@...) der beskriver deres funktion i ledsæt ni ng e n, og en "udadven d t" tag (@#...) der beskriver ledsæt ninge n s egen ledfunktion i sætningens dependens hierarki. Teknisk set tags tags som to adskilte lister, således at "indadven d t e" og "udadven d t e" tags kan disam bigue re s uafhæ ngig af hinan de n, af distinkte regelmod ule r. (7) Sabe [saber] <vq> V PR 3S que [que] os [o] <art > DET M proble ma s [proble ma] N M 15 En anden metode til funktionel tagging af ledsæ tninger beskrives af Voutilainen (1994). Her er det hovedverbet, der bærer ledsæ tni ngens tag (...@), mens dependen s f or h olde ne gøres mere eksplicitte ved at indsæt te markører for ledsæt ni ngsgræ n s er, og ved at skelne mellem argument er af henhol dsvis finitte og infinitte verbaler. 11

12 são [ser] <vk> V PR 3P graves [grave] ADJ M/F $. [@FMV = finite main <ACC = finite subclause, functioning as direct (accusative) object attached to a main verb to the = subor = prenominal = subject for a main verb to the = subject complement for a (copula) verb to the left, V = verb, KS = subordi nating conjunction, DET = determiner, N = noun, ADJ = adjective, PR = present tense, IND = indicative, 3S = third person singular, 3P = third person plural, M = male, F = female, S = singular, P = plural, <art > = article, <vq > = cognitive verb, <vk> = copula verb] 5. Et teleologisk bedømmelsesperspektiv Når man sam m e nligner forskellige syntaktiske beskrivelser, udgør informationsindhold og konstituentstruktur kun to af de mulige bedømmelsesperspektiver, og begge må ses i lyset af et bestemt teoretisk baglan d, som fx funktionel (FG) eller generativ gram m a tik. Det kan imidlertid være interess a n t at se på hvilke praktis ke anvendelser en beste m t beskrivelses m o d el retter sig imod. Her er mit eget pers pektiv maskinover s æ t t else (MT), og aspekter som de følgende vil derfor få tillagt særlig vægt:? Detaljerede ordfølgeuaf h æ n gige funktionelle tags gør det nem me r e at transformere kildesprogsstruktur (SL) til målsprogsstruktur (TL), uden at skulle introd uc er e for mange indviklede transfor m a tio n s r egler. Således kan den danske hoveds æ t ni ngs - ordfølge SVO med subjekt i forfeltet etableres direkte på trods af den mere frie portugisiske ordstilling: (8a) O mais (8b) o mais (8c) - > mere Det er af stor betydning for polyse midifferen tieringe n at vide, hvilket af et ords potentielle valens m ø n s t r e der er blevet realiseret i en given (led) sætnings ko n t e k s t, og hvilken sema n tis k klasse udfylder en given valens pla d s (slot). I denne forbindelse får valenstags (og selektions r e s t riktione r) betydning ikke kun som sekund æ r e tags (som udelukkende bruges til at disambiguere morfologiske/syntaktiske tags), men også som selvstæ n dige prim æ re tags, der kan og skal disam biguer e s: (9aa) rever <vt > 'gense' realiseret valens: transitiv <vt > (9ab) rever <vi > 'sive igenne m' realiseret valens: intran sitiv <vi > (9ba) revista < + n > < r r > 'avis' realiseret valens: titel <+n >, semantisk klasse: læsestof <rr > (9bb) revista <CP> 'inspektion' realiseret seman tisk klasse: + CONTROL, + PERFEKTIV 12

13 ? De ovenfor omtalte proble mer med under s p ecifikation af postno mi n aler, koordination og frie nominaladjunkter bliver til et gode, når man betragter dem udfra et MT- perspe ktiv: - for det første er mange af disse tilfælde ekse m pler på "ægte flertydighe d", der kun kan tydes af den fuldt kontek st u alisere d e - men n es k elige - lytter/ l æ s e r (og under alle omst æ n dighe d e r er der tale om ægte syntaktisk flertydighed). - Og for det andet er en række af disse struk t u r elle ambiguitete r (især koordin a tio n (11a) og "kort" (10b) vs. "lang" (10a) tilhæft ning af postno mi n ale præpositionssyntagmer) forholdsvis universelle, dvs. sproguafhængig, således at de kan bevares i oversæ ttelse n, der baseres direkte på den "flade" beskrivelse (10c). (10a) Han hentede ((mande ). (10b) Han hente de (mande )). (10c) Foi buscar o home a a At gøre en såda n flertydighed eksplicit (for et sprogpa r der ellers håndterer den éns) ville kun belaste oversættelsesmodulet med irrelevant ballast. Adjektiviske beste m m e r e, enten postno mi n al eller som frie adju n k te r, er derimo d mere problem a tisk e, idet der kan være kongruensrelationer (11b) mellem hoved og bestemmer: (11a) mæn (11b) home n casad 6. Statistisk evaluering For at kunne afprøve nye og kontrollere gamle regler i min parser har jeg udarb ej d e t et "bench mark"- corp u s (i alt ca ord), hvor der for hver flertydige kohor te markere s med en <Correct!> - tag hvilken læsning der er korrekt. Pga. de mange gentest ni nger har reglerne efterhå n d e n kunnet opnå fuld disambigue ring og fejlproce nte r på under 0.1% for disse arbejds te k s te r. For ukendt tekst er tallene selvfølgelig lavere; alligevel er resultatet ikke irrelevant. Det viser nemligt, at CG- metode n ikke lider under systemim ma nente interference - problemer i samme grad som fx. en probabilistisk tagger baseret på en ren trigram - HMM 16, hvor der (så vidt jeg ved) selv ved gentr æ ni ng og - måling på sam m e corpus sjældent opnås fejlprocenter på under 3%, end ikke for ordklasse - tags Hidden Markov Model, hvor de mulige sætningsa nalyser udtrykkes som (oftest ordklasse - ) tagsekvenser og siden vurderes for deres respektive sandsynlighed: at en ordform skulle bære en given tag beregnes som produktet af a) den leksikale sandsynlighed (ord/ o r d klas se) og b) n- gram- sandsynligheden (for bigrammer fx. ordklasse n/ordklasse n- 1), og hele sekvensen sandsynlighed igen er produkt et af de "individuelle" sandsynligheder for de i sekvensen realiserede tags. 17 I en probabilistisk tagger vil "manuelle" indgreb (håndlavede regler, bias eller priming), designet til at håndtere uregelmæ s sighe der eller sjældne strukturer, ofte resultere i skadelige interferencer, fordi de probabilistiske regler er "majoritet s drevne", og en lille "gevinst" for minoritets tilfældene vil tit føre til tilsvarende større "tab" mht. majoritets tilfæl dene, idet 13

14 For at opnå maksi m al præcision, har jeg også arbejdet med et større utagget tekstmateriale ( ord fra Borba- Ramsey- corpuset 18 ), både på det morfologiske og det syntaktis ke niveau. Dette var muligt, fordi precision (defineret som overlevende korrekte læsninger : overlevende læsninger i alt) kan appro k si m e r e s ved at nedb ringe ambiguiteten, i hvert fald så længe lejlighed svise bench mark- kørsler sikrer at nye regler kun forkas ter få korrek te tags, og så længe ambiguitete n stadigt er høj. Ambiguitete n kan så måles nemt med auto m a tis ke midler (fx. progra m m e t grep) på en hvilken som helst tekst. Derimod kan recall (defineret som overlevende korrekte læsninger : alle korrekte læsninger ) kun kvantificeres ved optælling i mindre testtek s te r (der findes mig beken d t ikke noget stort analyseret portugisisk corpu s til sam m e n ligning). Indstiller man parsere n til fuld disa mbigue ring (hvor der med undtagelse af de få tilfælde af ægte ambiguitet kun er én overleven d e læsning per ordfor m), kan man her betragte recall tallene som et direkte mål for parsere n s præst a tion, og jeg vil i det følgende bruge det mere generelle udtryk correctness i betydninge n af recall ved 100% disa mbig uerin g. En optælling af fejltyper ne under test- kørslen af en mindre ("ukendt") pros a- tekst på ca ord ("O tesour o" af Eça de Queiroz) gav følgende resultat: fejl i: antal fejl: ordklas se r 16 grundformer 1 Alle morfologis ke 17 (99.3 % correctnes s) verbalfunktion 3 verbers argume n te r 25 præpositioners argumenter 2 Argument struktur 30 bestemmere 13 Bestem m ere 13 adjunkter 11 Adjunkter 11 finitte ledsæt ni nger 6 infinitte ledsæt ni nger 3 absolutte ledsæt ninger 1 Ledsætninger 10 Alle syntaktiske 64 (97.4 % correctnes s) "lokale" syntaktiske fejl pga. morfologiske /ordklasse - fejl - 27 Rent syntaktiske 37 (98.5% correctnes s) opprioriteringen af undt agelserne går ud over de "normale" statistiske regler (jf. Chanod & Tapanainen, 1994). 18 Corpuset indeholder mest brasiliansk materiale, og er i alt på 5 millioner ord. Over ord er offentliggjort på CD som led i ECI- projektet (European Corpus Initiative). 14

15 Man kunne formo de at fejlene var fordelt jævnt over hele tekste n, hvad der - ved en genne m s ni tlig sætningslæ ng de på 15 ord - ville svare til en "fejltæt h e d" af ca. 1 morfologisk fejl i hver tiende sætning, og en syntak tisk i hver tredje. Dette er imidlertid ikke tilfældet. Fejlene optr æ d e r ofte i grup p e r: indlysen d e nok, vil de fleste ord med ordklas sefejl også kun ne findes på listen over syntaktis ke fejl, og mange syntaktis ke fejl vekselvirker med læsninger i naboor de n e, pga. regler der involverer sætningsgr æ n s e - ord, uniquen e s s - princip p e t osv. Således kan en N- V- ordklas sefejl afføde 2 eller 3 syntak tisk e fejl omkring sig. Denne "ophob ning ste n d e n s" for syntak tis ke fejl har en gavnlig sideeffekt på parsere n s robus t h e d (mange sætninger er således helt fejlfrie), og letter desuden grammatikerens arbejde: en korrektur ét sted kan "helbrede" en hel kæde af sekun d æ r e interferen s - fejl. Fejlinterfere nce n betyder også at den syntaktiske parser alene, dvs. når den forsynes med morfologisk fejlfri tekst som input, kan opnå endn u bedre resultater (forskellen er typisk på procentpoint). For at under søge, om fejlprocente r n e varierer i afhæ ngighe d af teksttypen, har jeg også testet parseren på aktuelle avistekster 19 (VEJAmagasinet). Der er igen tale om (for parseren) ukend t, løbende tekst. Artiklerne repræsenterer henholdsvis underholdnings - og kunst - genrerne. Tekst: "VEJA" (videogam e s) 2412 ord Fejltyper: antal fejl % korrekt "VEJA" (kunst) 1837 ord antal fejl % korrekt ialt 4249 ord antal fejl % korrek t Morfologi (alle) % % % ukendte engelske ord i oversk rifter Morfologi (ren) % % % Syntaks (alle) % % % syntaks pga morfologi Syntaks (ren) % % % En nær m e r e genne mga ng af fejltyper ne viser, at de valgte avisteks ter n e adskiller sig fra fiktions p r o s a både leksikalsk og syntaktisk. For det første møder man en stor andel af komplekse egennavne (fx. 'Massach u s e t s Institu te of Technology'), forkor telser ('MIT') og engelske modeo r d (således er det ét enkelt ord, console, der - brugt som ukendt engelsk subs ta n tiv ['spillekon s ol'], og ikke som portugisisk verbu m ['trøste r'] - tegner sig for en tredje del (!) af fejlene i tekste n om video- spil). For det andet er tekster ne - på det syntaktis ke plan - meget rige på frie prædikativer (typisk oplysninger 19 Tal for yderligere 2 avistekster fra VEJA (genrem æ s sigt placeret indenfor politik og sundhe d), viser nogenlun de de sam me fejlprocenter (jf. Bick, 1996). 15

16 om perso n er, institu tio ne r eller forkor telser, som alder, sted, definition m.m.) og indskudte "overflødige" finitte verber i form af citationsram mer. Fejlproce nter n e skal desude n ses i lyset af det meget differen tiere d e tag- set (jf. 7.1). Således kan parsere n s detaljere d e dependens - og funktionsoplysninger for præpositional- syntagmerne (som fx. post- adverbielt adverbielt @ADVL, præp o sition subjekts p r æ d i k a frit argume n t for forbinde rle give anledning til en lang række potentielle "indbyrde s" fejl, der ville være "usynlige" i en beskrivelse, der smelter disse tags sam me n til en simpel "syntagm a tis k" tag 'PP' (præposition s sy n t ag m e), eller et rudime n t æ r t "funktionelt" 'ADVL' (adverbial). Indbyrde s "forvekslinger" inden for PP- gruppe n står således for 15 tilfælde, eller hele 22%, af de 68 rent syntaktiske fejl i VEJA- teksterne. 7. Parseren 7.1 Tag- sættet Parsere n s tag- sæt indeholder 13 ordklas se - kategorier, der kombine re s med 24 tags for bøjningsfor m e r, ialt flere hund r e de distinkte komplekse tags. I tag- linien 'V PR 3S IND VFIN', for eksem p el, altern er er ordklas se n 'V' således med 12 andre ordklass er, og indenfor V- klassen alterner er 'PR' (præse n s) med 5 andre tider, der hver igen findes i 6 forskellige person - nume r u s forme r for både 'IND' (indikativ) og 'SUBJ' (konjunk tiv). På denne måde beskrives 6x6x2 = 7 2 finitte verbalfor m e r ved hjælp af kun = 1 4 deltags. Denne analytiske karakter af tag- strenge ne gør dem mere "genne m s k u elige", og letter desu de n arbejdet for disam bigu erings - reglerne. I mods æ t n i n g til andre systeme r (jf., for eksem p el, CLAWS- syste me t, som beskrevet i Leech, Garside, Bryant, 1994), skelnes der i tag- strengen skarp t mellem grundfor m e r ("ord"), ordklas se r og bøjnings kategorier. Desude n etableres ordklass e r n e næsten udelukke n d e på morfologisk vis, og holdes der me d adskilt fra de syntaktis ke kategorier. Således defineres et substa n tiv (N) paradigm a tis k som den ordklass e der udviser genus som (invariant) leksemkategori og numerus som (variabel) ordformkategori. Det modsatte gælder for nume r alia (NUM), mens både genus og nume r u s er leksemk a t ego rier for prop ria (PROP), og ordfor m k a t ego rier for adjektiver (ADJ) Pronominer kan opdeles efter sam me skema, i en deter miner - klasse (DET) med de sam me (variable) kategorier som adjektiver, og en "specifier"- klasse (SPEC) af "substantiviske" prono mi ner der udviser de sam me (invariante) kategorier som propria - klassen. Personlige prono mi ner (PERS), som tredje klasse, har 4 ordfor m kategorier: numerus, genus, casus og person. Alle 3 prono minalklasser adskiller sig fra de "rigtige" nominalklasser ved at de ikke tillader derivation. Pronominer som 'o' og 'este', der både kan forekom m e "adjektivisk" og "substantivisk", er efter dette system entydige medlem m er af DET- klassen. Artikel- klassen får heller ikke særst atu s: 'o' er altid DET, uanset om det bruges som "artikel", "adjektivisk demons t rativ" eller "substantivisk demons t r ativ". Tagsene <art > og <de m > optages på taglisten, men de er ikke ordklasse - kategorier, og disam bigueres først på et senere tidspu nkt (valens- niveauet), til brug ved MT. Participiet (V PCP), ordklass ser ne s enfant terrible, er morfologisk markeret som ('- id/ - ad'); men udenfor verbalkæde n overtager det adjektivets ordform ka t egorier, og parseren vælger i dette tilfælde at "fusionere" PCP/ADJ- ambiguiteten: <ADJ> V PCP. 16

17 Det syntaktiske tag- sæt råder over 40 tags for ord/syntagme - funktion og ca. 30 tags for sætningsf u n k tio n (der dækker over tre slags ledsæt ninger: finitte, infinitte og absolutte [=verballøse]). Også her er det virkelige antal af distink te tag- strenge meget højere, fordi det ord der bærer ledsæt nin ge n s tag, jo også skal marke res for dets ledsæt nings - interne funktion. Systeme r n e for valens og sema ntik er under udvikling, og det er derfor vanskeligt at angive nøjagtige tal for tag- sætte ne s størrelse. Omtrentlige tal er ca. 100 for valensklas se r (især for verber), og ca. 200 for sema n tis ke klasser (især for substa n tiver). De sema n tis ke klasser er baseret på 16 "atomar e" træk (som, fx., ±HUM). 7.2 Parserens tekniske data Den portugisiske parser består af en række progra m m o d u le r, der - bortset fra lingsofts sproguaf h æ n gige compiler for CG- regler - er skrevet af mig selv i programmeringssprogene C og Perl. Parseren omfatter følgende moduler på det morfologisk- syntaktiske niveau 21 : 1. et morfologisk analyse - program (beskrevet i Bick, 1995), som beha n d le r orth og rafisk præp r oce s s e ri ng, ordklass e, bøjning, derivation, faste udtryk (polyleksikalier) og inkor po r e r e n d e verber. Analyse- modulet støtter sig til et håndbygget leksikon med enheder, der dækker over ca lekseme r og udgør en tilpasset elektronisk version af ordbogs m a t e riale fra forfatte re n s cand.mag.- speciale om leksikografi (Bick, 1993) 2. en morfologisk disambiguator med 1700 Constr aint Gram m a r regler 3. en syntaktisk "mapper" med 400 konteks t b a se r e d e regler der "mapper" (alle mulige) syntaktiske funktione r udfra en ordfor m s morfologiske/ordklasse - tags 4. en syntaktisk disambiguator med 1500 Constraint Gram m a r regler 5. en disambiguator for valens og semantiske klasser (med 2200 Constraint Grammer regler, eksperimentel) En fuldst æ n dig gram m a tis k analyse på alle niveauer håndte r e r ca. 100 ord/ s e c på en 100 MHz Pentiu m - baseret Linux- maskine. Den morfologiske/ordklasse - disambiguering alene opnår hastigheder i nærheden af 1000 ord/sec. Systemet kan afprøves igenne m en interaktiv brugerflade på følgende web- adresse: /ling.hu m.aau.dk / ~ eck hard /Linguistics.html. Større prøvetek s te r til auto m a tisk analyse (i ISO Latin- 1 format) kan også sende s via e- mail til eckhard@ling.hu m.a a u.dk under emnet portpars (tekste n skal begynde med ordet parsmail på første og afsenderens returadresse på anden linie, og afslutte s med ordet parsslut på en linie for sig). 8. Perspekti v 21 Hertil kommer eksperimentelle moduler for portugisisk - dansk MT: polysemidisa m biguering, oversæt telse af disam biguerede grundfor m er, portugisisk- dansk syntaktisk transfor m a tion og en generat or for dansk morfologi. 17

18 Parseren kan sammenfattende beskrives som et leksikon- og gram m a tik b a se r e t syste m, der beskriver ord og sætninger med hensy n til både form og funktion, hvor dens notationelle særpr æ g ligger i dens ordbas er e d e "flade" gengivelse af syntaktisk stru k t u r. Den bagvedliggen d e formalis m e, Constraint Gram m a r, har vist sig også for Portugisisk at muliggøre lave fejlproce nter, en høj hastighe d samt en meget robust hån d tering af fri tekst. Selve metod e n synes i øvrigt til en vis grad at være "niveau ne u t r al", idet jeg med success har kun net anven de den på stadigt "højere" analyse- niveauer: ledsætningsfunktion, valens- og semantisk disam biguering (samt herigenne m polyse mire solu tion). Systemet s formelle og indholds m æ s s ige egenska be r må formode s at have stor betydning for mulige anvendelses o m r å d e r, og jeg vil afslutte n d e disku te r e systemet udfra den ne synsvinkel. Nedens t åe n d e tabel viser hvilke af parsere n s egensk ab er jeg tillægger betyd ning ved anvend else n indenfo r beste m te opgaveom r å d e r (af hvilke nogle for øvrigt kan afprøves på ovennævnte web- site). EGENSKABER corpus - arbejde grammatis k stavek ontr ol grammatik - formidling maskinovers ættels e indholdsmæs sige: 1. leksikon- baseret beskriver form og dependens 3. beskriver funktio n 4. flad syntaks formelle / m etodis ke: 5. lav fejlprocent høj hastighed robust metodemæssigt niveauneutral 9. ordbaseret notation REALISERING alle CGsystem er engelsk VISL 22 (portugisis k) portugisisk - dansk informations - ekstraktion? Mens både stavekontrol, maskinoversættelse og informationsekstraktion profiterer af detaljere de leksikalske oplysninger (1), har kun de sidste to applikatio n er brug for en meto de der tillader også en vis sema n tisk analyse 22 VISL står for 'visual interactive syntax learning' og er et CTU- støttet projekt på Odense Universitet (Institut for Sprog og Kommunikation). Projekts prog er engelsk, tysk og fransk, med portugisisk som foreløbig "modelspr og" i opstart - fasen. 18

19 (8). Gram m a tikfor mi dlinge n udskiller sig fra de andre felter ved at lægge mere vægt på parsere n s indholds m æ s s ige (2, 3) end dens formelle egenska b er, og især tidsfak to re n (6) og robus t h e d e n (7) spiller en mind r e rolle, idet der typisk vil arbejdes med korte fejlfrie tekster (enkelte sætninger). Den flade ordbas e r e de notation (4, 9) har den pædagogiske fordel, at kategorier, funktion m.m. kan markere s direkte i den løbende tekst, fx. igennem farvenotation, understregning, sub- /superscript - indices, eller i form af en slags "meta- tekst" 23 - linie. Ved det lingvistiske corpus - arbejde værds æ t t e s ligeledes den flade notation, omen d på en anden baggru n d: strengs øg ning so p e r a tio n e r lettes betydeligt og gøres mere fleksible. Blandt de formelle egenskabe r er corpus - arbejdet og informationsekstraktion de områder der har størst gavn af parserens høje hastighed (6), mens fejlprocenten (5) er vigtigst for de tekstproducerende - og dermed læserkontrollerede - systemer (stavekontrol og maskinoversættelse). 23 En horisont al metateks t not a tion kunne fx se ud som i følgende sætning: Having read the letter from Italy she called her Swedish friend immediately. x:a> v:x< d:>n s:<o prp:n< n:p< pe:s> v:v d:>n adj: >N s:<o adv: <A [hvor notationen er ordklasse:funktion, og x=hjæl peverbu m, v=verbu m, d=deter miner, s=substantiv, prp=præposition, n=proprium, pe=personligt pronomen, adj=adjektiv, adv=adverbium, A>/A< = a dverbial, X<=ikke - første led i verbalkæde, >N=præn o minal, <O=direkte objekt, N<=postnominal, P<=styrrelse af præposition, S>=subjekt, V=finit hovedverbu m] 19

20 Appendiks I: Sætningseksempler E. Bick, Dependensstrukturer i CG- Syntaks for Portugisisk a) halvgrafisk træ- notation med eksplicit syntagm e - *depois [depois] <+de > de [de] F S uma [um] <card > F S década [década] em =vigor [em =vigor] <a dj > M S o [o] <art > M S estilo [estilo] <ak > M S gastronô mic o [gastrô n o m o] <DERS - ico > <jn> M/F S/P que [que] <rel > IMPF 1/3S IND VFIN supervaloriz [supervaloriza r] <vt > <vh > ava M S o [o] <art > M S requinte [requinte] <a m > de [de] <sam - > F S a [a] <- sam> <art > F S decoração [decoração] <CP > <ac > - $\, sob [sob] M S o [o] <art > M S comando [comando] <s > <CI> de [de] <+hum > VFIN M P profissionai s [profissional] <pr of > M/F S/P que [que] <rel > <que - hum > não [não] <dei > <seto p > IMPF 3P IND eram [ser] <vk> <sh > de [de] <sam - > < +top > M S o [o] < - sam> <art > M S ramo [ramo] <anbo > <stok > <fag> - $\, 20

21 @FMV:V PR 3S IND VFIN vive [viver] <vt > <va +STED> F S a [a] <art > F S hora [hora] <dur > <temp > de [de] <sam - > F S a [a] <- sam> <art > F S verdade [verdade] <feat > <ss > <a m > <sh > $. 21

22 b) "flad notation" uden eksplicit syntagm e - markering (For overskuelighede n s skyld er grundfor m e r n e og de fleste seku n d æ r e tags fjernet i eksem pler n e; desu d e n er der foretaget hierarkis k indryk ning ved de syntak tis ke tags for at vise depen d e n s - markø re r n e s funktion.) Não existe V PR 3S IND em PRP <sam - a DET F S <art > <- história N F de PRP <sam - o DET <art > <- mundo N M ocidental ADJ M/F nada SPEC M comparáv el ADJ M/F S <+a a PRP <sam - o DET M S <+rel > sam> que SPEC M/F S/P N< os DET M P <art brasileiro N M s realizara V PS/MQP 3P IND m em PRP <sam - esse DET M S <- ano N M $. O DET M S <art cientista N M/F político ADJ M diz V PR 1S IND <+interr por que SPEC M/F S/P <inter r os DET M P <art brasileiro N M s devem V PR 3P se PERS M/F 3S/P ACC <refl orgulhar V INF 0/1 <de^vrp > de $1992 NUM M/F P <card e 22