Building FrameNet in Czech

Mgr. Jiří Materna, Ph.D.

Rigorózní práce

Anotace:

Cílem práce je navrhnout metodologii budování doménově nezávislého valenčního lexikonu češtiny založeného na formalismu nazvaném Frame Semantics a vytvořit jádro takového lexikonu, které bude obsahovat nejčastější česká slova nesoucí informaci o sémantickém rámci. Tyto rámce budou exemplifikovány ve speciálním korpusu. Základním předpokladem zamýšlené metody je možnost použití většiny rámců z anglického FrameNetu i pro češtinu. Tento předpoklad vychází z faktu, že rámce FrameNetu mají povahu sémantických tříd odkazujících k prototypickým situacím, nicméně je třeba ho empiricky ověřit. Mezi úkoly, které si práce klade za cíl vyřešit tedy patří mimo jiné zodpovězení otázky typologických rozdílů mezi češtinou a angličtinou (zejména ve vztahu k valencím), a především navržení způsobu řešení jazykových odlišností. Pro řešení problému vytváření nových rámců specifických pro češtinu a pro zajištění konzistence mezi rámci v češtině hodlám použít korpusovou lingvistiku. Konkrétně bych rád prozkoumal vztah mezi rámci FrameNetu a rámci vytvářenými v projektu CPA (Corpus Pattern Analysis) za účelem navržení korpusovými daty řízené metodologie pro vytváření konzistentních rámců s maximálním pokrytím reálných textů. Jedním z cílů projektu Berkeley FrameNetu je exemplifikace všech rámců na korpusových datech. Za tímto účelem plánuji pro český FrameNet vytvořit poloautomatický nástroj sloužící k identifikaci rámců a sémantických rolí v sémanticky neoznačkovaném textu.

Abstract:

The aim of the thesis is to propose a methodology of building domain independent lexicon of valency possibilities of the Czech language based on Frame Semantics, and to create a core of that lexicon exemplified in a corpus. The core should comprise the most frequent frame-bearing Czech words. A fundamental assumption of the method is that the most of the English FrameNet frames can be reused for the semantic analysis of Czech. The assumption takes advantage of the nature of frames as coarse-grained semantic classes, which refer to prototypical situations. Nevertheless, the assumption that these situations are applicable across languages should be empirically verified. Among the issues that the thesis should address is the analysis of cases of typological differences between Czech and English (in particular with respect to valencies), and answering questions about how to solve the cross-linguistic divergences. To treat with the problem of creating new frames specific for the Czech language as well as the issue of ensuring consistency I plan to employ corpus linguistics. In specific, I would like to explore the relationship between FrameNet frames and CPA (Corpus Pattern Analysis) frames in order to develop a corpus-driven methodology of ensuring consistency and high coverage of Czech FrameNet frames. One of the objectives of the Berkeley FrameNet project is the exemplification of all its semantic frames in a FrameNet corpus. Therefore, one of the things I plan to do within the scope of the thesis is the development of a semi-automatic tool which should serve for identifying semantic frames and semantic roles in raw texts.

Keywords

FrameNet, Frame Semantics, WordNet, VerbaLex

Jazyk práce: angličtina

Datum vytvoření / odevzdání či podání práce: 21. 10. 2010

Obhajoba závěrečné práce

• Obhajoba proběhla 11. 1. 2011
• Oponent: Dr. Maciej Piasecki, RNDr. Markéta Lopatková, Ph.D.

Masarykova univerzita

Fakulta informatiky

Rigorózní řízení / obor:
Informatika / Umělá inteligence a zpracování přirozeného jazyka