Prelegerea 3

Notiuni de morfologie

3.1 Structura morfologica a cuvintelor

Regulile de formare ale cuvintelor - care pornesc de la o anumita structura a acestora- difera de la o limba la alta, atat prin numarul lor cat si prin complexitate. Acestereguli permit uneori ca pe baza unei radacini sa se formeze un numar impresionantde cuvinte nrudite. Limbile aglutinate (germana, maghiara, finlandeza) folosescmult acest procedeu. In limba finlandeza de exemplu, pornind de la radacina unuisubstantiv se pot forma prin procedee morfologice cateva mii de cuvinte valide siinterpretabile de catre un vorbitor nativ. Pentru verbe se pot genera uneori peste10.000 de forme diferite ale aceluiasi cuvant. Fenomenul este similar - la o scaramai redusa - si pentru limbile neaglutinate. De pilda, n limba rusa prin conjugareaunui verb se pot obtine n jur de o suta de forme, cifra aproximativ valabila sipentru limba romana (daca luam n considerare si formele compuse). Deci cuvinteleevidentiaza o anumita structura ce furnizeaza o mare bogatie informationala carenu poate fi ignorata.

In structura unui cuvant se poate distinge o parte constanta si una variabila.Statutul de parte constanta ntr-un cuvant nu este absolut, ci relativ la o anumitafamilie de derivati morfologici.

Definitia 3.1 ([5]) Orice cuvant este format dintr-o radacina la care se adaugaunul sau mai multe afixe. Afixele pot fi prefixe, sufixe si desinente.

Radacina este elementul neanalizabil din punct de vedere morfologic, fiind co-muna mai multor cuvinte cu sens nrudit (desi pot apartine unor parti de vorbirediferite).

Prefixul este afixul adaugat naintea radacinii. In limba romana prefixele aunumai valoare lexicala, de elemente cu care se formeaza cuvinte noi.

Sufixele sunt afixe adaugate la sfarsitul radacinii; ele sunt de doua feluri: sufixelexicale (sufixe cu valoare lexicala care conduc la formarea de cuvinte noi) si sufixegramaticale (cu valoare gramaticala, care ajuta la formarea de forme flexionare).Daca o radacina are mai multe sufixe, primele care se scriu sunt sufixele lexicale,apoi cele gramaticale.

Radacina mpreuna cu prefixele si sufixele formeaza tema. Spre deosebire deradacina, tema este comuna numai formelor unuia si aceluiasi cuvant. De exemplu,

29

30 PRELEGEREA 3. NOTIUNI DE MORFOLOGIE

n familia cuvantului parte exista radacina part din care se pot crea o multime deteme: partas-, mparti, mpartas- etc, caracteristice fiecarui cuvant.

Desinentele sunt sufixe gramaticale care se adauga dupa radacina sau temapentru a arata:

numarul si cazul (la substantive); genul, numarul si cazul (la adjective); persoana si numarul (la verbe).

Spre deosebire de prefixe si sufixe care pot intra mai multe n compozitia unuicuvant, o forma gramaticala nu poate contine decat o singura desinenta.

3.2 Prelucrarea morfologica a cuvintelor

Dupa cum am specificat n prelegerea precedenta, lingvistica computationala cuprin-de actualmente doua maniere diametral opuse privind abordarea problemelor legatede structura cuvintelor; ele sunt paradigma procedurala cu formele sale deriva-tiva si flexionara, respectiv paradigma declarativa.

Pozitia adoptata fata de analiza cuvintelor determina n mare parte organizarea sicontinutul dictionarului, care este elementul central al prelucrarii la nivel morfologic.

Dictionarul este recunoscut unanim ca fiind o componenta esentiala a oricaruisistem de prelucrare a limbajului natural. In contrast cu limbajele de programarecare necesita dictionare mici, continand elemente lexicale neambigue, limbajele na-turale se sprijina pe volume lexicale incomparabil mai mari, elementele de dictionarfiind rareori univoce din punct de vedere morfologic, sintactic si mai ales semantic.

Problemele apar chiar din momentul definirii continutului unui dictionar; ele suntgenerate de diversitatea orientarilor teoretice si practice, de specificitatea fiecareilimbi naturale, de gradul de detaliu si profunzime la care se ajunge n prelucrarealimbajului, de investitia de munca si de resursele hard si soft aflate la dispozitie.

Definitia 3.2 Conform paradigmei derivative, dictionarul cuprinde doar radacinilecuvintelor mpreuna cu toate afixele caracteristice (lexicale si gramaticale).

Deci, n acest caz, cuvintele limbii sunt recunoscute sau generate n urma unui procesderivativ.

Obiectii:

Complexitatea mare a proceselor derivative, de regula nedeterministe, ceea ceconduce n multe cazuri la probleme NP-complete.

Dificultatea specificarii algoritmice a unui set complet de reguli derivativecapabile sa acopere fenomenul dinamic al formarii cuvintelor si a prelevariiradacinilor si afixelor semnificative.

Existenta (n multe limbi) de false afixe, ceea ce ngreuneaza procesul de re-cunoastere a radacinilor si chiar a temelor.

3.2. PRELUCRAREA MORFOLOGICA A CUVINTELOR 31

Din punct de vedere semantic, este greu de decis algoritmic formarea si mo-dificarea semnificatiei cuvintelor formate derivativ. De exemplu, este greu dederivat semnificatia cuvantului mpartasanie plecand de la radacina -part-.

Folosind regulile de derivare se pot obtine cuvinte inexistente n fondul lexicalal unei limbi.

Cu toate acestea, avantajul major al unei abordari derivative consta n posibilitateade reducere a dictionarelor (de radacini) la dimensiuni modeste, necesitand un efortconstructiv rezonabil. Pe de-alta parte, chiar unele obiectii pot conduce la avantaje.De exemplu, dinamica unei limbi solicita frecvent introducerea de cuvinte noi; aces-tea se supun regulilor flexionare si derivative deja existente, reguli care se modificamult mai greu (n timp).

Definitia 3.3 Un dictionar construit conform paradigmei declarative va contine(explicit sau nu) toate informatiile structurale ale cuvintelor unei limbi.

Deci, ntr-o abordare declarativa, un dictionar nu va contine radacini sau teme, cicuvinte; de exemplu, odata cu cuvantul program, n dictionar se vor gasi si programe,programele, programul, programului, programelor etc. Informatiile contextuale legatede forma flexionara a unui cuvant sunt reprezentate explicit. Astfel, pentru intrareacorespunzatoare cuvantului programelor, dictionarul va contine explicit informatiide tipul:

forma-normala: program;

numarul: plural;

cazul: genitiv/dativ

articulare: enclitic

. . .

Aceasta este ideea de baza n constructia corpusului unei limbi.Procesul morfo - lexical se va reduce aici la simpla cautare a elementului curent n

dictionar, eliminandu-se complet nedeterminismul ntalnit la abordarea procedurala.Cuvintele nrudite sunt de obicei puse n corespondenta prin asa numitele reguli deredondanta.

Doarece nu ne vom ocupa de aceasta maniera de constructie, nu vom detalia maideparte argumentele pro si contra utilizarii procedurii declarative.

Analiza morfo-lexicala consta din cateva subfaze specifice, care apar explicit nabordarile procedurale. Acestea sunt:

1. Primul obiectiv este prelucrarea individuala a cuvintelor, ceea ce nseamnaidentificarea radacinii sau temei, precum si a afixelor modificatoare. Structurarezultata este numita de obicei atom morfologic.

32 PRELEGEREA 3. NOTIUNI DE MORFOLOGIE

2. Atomii morfologici sunt supusi unui proces reductiv, numit analiza perifras-tica, care are rolul de a identifica formele compuse ale verbelor, gradele decomparatie ale adjectivelor si adverbelor precum si mijloacele analitice de flex-ionare (constructii cu propozitii, conjunctii, articole). Ceea ce se obtine este osecventa de structuri de date numite atomi morfo - lexicali.

3. Atomii morfo - lexicali sunt prelucrati pentru a identifica expresiile compusecu semnificatie lexicala stabila (cum ar fi locutiunile si sintagmele); aceastaprelucrare este numita analiza sintagmatica. Rezultatul final este o lista deatomi lexicali care constituie baza prelucrarilor ulterioare.

Structura atomilor morfologici, morfo - lexicali si lexicali depinde de mai multifactori care se influenteaza reciproc, anume:

Teoria lingvistica (sintactica, semantica, pragmatica) pe care se cladeste sis-temul de prelucrare al limbajului natural;

Situatia conversationala si universul de discurs modelate; Tipul aplicatiei proiectate.In raport cu aceste conditionari, structura si continutul dictionarului pot varia

foarte mult. Un element de dictionar poate contine, nafara radacinii, temei saucuvantului propriu-zis (dupa cum se foloseste paradigma procedurala respectiv de-clarativa):

Un camp etimologic (mai ales la abordarile derivative); Un camp fonologic, descriind structura proozodica (la dictionarele destinatelimbajului vorbit sau la editoarele de texte, unde se foloseste de exemplu ladespartirea n silabe);

Un camp sintactic; Un camp semantic, descriind semnificatiile lexicale asociate radacinii, temeisau cuvantului, relatiile de sinonimie, antonimie, polisemie.

Un camp pragmatic, sepcificand constructii uzuale, interpretari preferentialesau probabile, modificari ale semnificatiilor lexicale generale, etc.

3.3 Morfologia pe doua nivele

Cea mai cunoscuta teorie din zona paradigmei derivative este morfologia pe douanivele, prezentata prima oara de Kimmo Koskenniemi n teza sa de doctorat din1983. Ea s-a impus mai ales datorita fundamentarii teoretice solide si usurintei deimplementare.

In esenta, modelul lui Koskenniemi foloseste doua nivele n reprezentarea cuvin-telor:

1. Nivelul de suprafata, corespunzator aparitiei cuvintelor n text;

3.3. MORFOLOGIA PE DOUA NIVELE 33

2. Nivelul lexical, corespunzator ortografierii cuvintelor n dictionar.

Esenta teoriei consta n utilizarea unor reguli care ncearca sa generalizeze fenome-nele morfologice prin corelarea reprezentarii nivelului lexical cu reprezentarea desuprafata.

Definitia 3.4 Fiind date doua alfabete finite nevide si , se numeste pereche -simbolica un element (a, b) .

In notatia consacrata, perechea simbolica (a, b) este reprezentata de a : b n carecaracterul : este un metasimbol al modelului.

Se numeste secventa de perechi simbolice o succesiune (posibil vida)

a1 : b1, a2 : b2, . . . , an : bn

de perechi simbolice.O multime L ( ) se numeste limbaj de perechi simbolice peste si .

Fiind date alfabetele si si o secventa S de perechi simbolice, o secventa< P1, . . . , Pn > de perechi simbolice se numeste partitie a lui S daca si numai dacaS = P1P2 . . . Pn.

Definitia 3.5 O regula morfologica pe doua nivele peste alfabetele si esteun cuplu < P,C > unde P este o pereche simbolica iar C este o multime nevidade perechi < LC,RC > unde LC si RC sunt expresii regulate peste numitecontexte stangi respectiv drepte.

O expresie context EC satisface la dreapta (stanga) o secventa S de perchi simbolicedaca si numai daca exista o partitie < P1, P2 > a lui S astfel ncat P2 (respectiv P1)apartine multimii descrise de EC.

3.3.1 Reguli morfologice cu doua nivele

Exista doua tipuri de reguli morfologice de baza pe doua nivele; anume:

1. Regula de restrictionare contextuala (RRC).

O regula RRC de formaI : i b : b c : c

semnifica faptul ca perechea simbolica I : i este legala (corecta) doar n con-textul perechilor simbolice b : b si c : c care obligatoriu preced respectiv succedperechea simbolica I : i.

Ca o observatie, s-a folosit ca separator al celor doua componente< P,C >din definitia formala a unei reguli morfologice pe doua nivele.

2. Regula de restrictionare a formei de suprafata (RRS).

O regula RRS de formaI : i b : b c : c

34 PRELEGEREA 3. NOTIUNI DE MORFOLOGIE

specifica faptul ca ori de cate ori apar contextele respective (b : b la stanga sic : c la dreapta) si se cunoaste simbolul din (I n formula), atunci el esteobligatoriu asociat cu simbolul specificat din (i n formula).

Ca o observatie, s-a folosit ca separator al celor doua componente< P,C >din definitia formala a unei reguli morfologice pe doua nivele.

Inafara acestor doua reguli, se mai foloseste si un al treilea tip de regula care are caseparator . O regula P Q este echivalenta cu pereche de reguli P C siP C.

Sa comentam semnificatia simbolurilor folosite n regulile morfologice cu douanivele:

Alfabetul se numeste alfabetul lexical si contine:

Coduri pentru literele alfabetului limbii naturale a carei morfologie se descrie;

Simbolul + pentru separarea morfemelor;

Metasimboluri (notate cu litere latine mari) pentru notarea submultimilor lui. De exemplu, C poate defini multimea consoanelor din , iar V - multimeavocalelor.

Alfabetul se numeste alfabetul de suprafata si contine:

Literele si diacriticele ce pot apare n grafia unui cuvant;

Metasimboluri pentru submultimi din ;

Simbolul vid .

Exemplul 3.1 Pentru ilustrarea notatiei folosite n modelul lui Koskenniemi, saconsideram regula urmatoare:

e : {=: C2 < +: V :=>}{< C :C V :V > < +: e :e >}{c :c < +: a : t : t >}

In aceasta regula, = , V , C , C2 , V . Perechile sim-bolice nchise ntre paranteze unghiulare reprezinta secvente, iar perechile simbolicecuprinse ntre acolade reprezinta alternative.

Deci perechea simbolica e : este legala numai daca apare n contextele listaten partea dreapta a regulii, n pozitia indicata de simbolul . Fiecare context are oparte stanga si o parte dreapta, care sunt fie perechi simbolice fie expresii regulatecu perechi simbolice.

Interpretarea regulii (vom explicita doar componenta a relatiei ) esteurmatoarea: transcrierea unui element lexical (morfem, lema, radacina) ntr-unulde suprafata se face prin nlocuirea simbolului lexical e cu caracterul de suprafata (deci se sterge litera e n procesul de generare a formei grafemice) daca apare unadin variantele urmatoare:

3.3. MORFOLOGIA PE DOUA NIVELE 35

a. Simbolul lexical e este precedat n reprezentarea lexicala de un simbol din clasa= care n transcrierea de suprafata apartine clasei C2 si este urmat de undelimitator morfemic (+) care se va sterge n reprezentarea de suprafata; dupaacest delimitator urmeaza un simbol lexical din clasa V care se rescrie n formade suprafata printr-un simbol din clasa =;

b. Simbolul lexical e este precedat n reprezentarea lexicala de doua simboluri dinclasele C respectiv V , care se vor rescrie n simbolurile de suprafata apartinandacelorasi clase; el este urmat de un delimitator morfemic (care se va sterge)si simbolul lexical e care ramane nemodificat n reprezentarea de suprafata;

c. Simbolul lexical e este precedat n reprezentarea lexicala de simbolul c (scrisn reprezentarea de suprafata); el este urmat de de secventa lexicala formatade delimitatorul morfemic, simbolul a (sters n reprezentarea de suprafata) sisimbolul t (nemodificat n reprezentarea de suprafata).

Vom mai da un exemplu - practic - de folosire a acestui model.

Exemplul 3.2 Regula de geminatie consonantica (dublarea consoanei finale a unuimorfem) n limba engeza este:

+ : CG=: CGV : V

unde

CG {b,d, f ,g, l,m,n,p, r, s, t},V {a, e, i,u}.Sa urmarim cum functioneaza aceasta regula, atat n generarea cat si analiza unuicuvant:

Fie morfemul refer apartinand dictionarului. Generarea gerunziului (sau tre-cutului) presupune selectarea morfemului +ing (sau +ed) astfel ncat prin con-catenare se obtine sirul lexical refer+ing (sau refer+ed) deoarece delimitatorulmorfemic + apare n contextul cerut de regula precedenta: r CG, i(e) V, nreprezentarea de suprafata simbolul din CG substituind simbolul +. Se obtine astfelforma referring (sau reffered).

In analiza cuvantului referring (sau referred), dupa separarea sufixului ing(respectiv ed), este necesara verificarea faptului ca n cuvantul analizat acest subsireste chiar morfemul +ing (de exemplu, n cuvinte ca sting, king, el nu este unmorfem). Aceasta presupune ca n reprezentarea lexicala obtinuta prin partitionareaimplicita a cuvantului analizat

< r :r e :e f : f e :e r :r >+:r < i : i n :n g :g >

simbolurile lexicale se reprezinta n morfeme existente n dictionar. Deoarece re-fer si +ing sunt morfeme lexicale, iar regula de geminare consonantica permiterescrierea unui simbol de suprafata din CG n +, analiza cuvantului referring casuma morfemelor refer respectiv +ing este corecta.

36 PRELEGEREA 3. NOTIUNI DE MORFOLOGIE

3.3.2 Gramatica morfologica pe doua nivele

Definitia 3.6 Un set de reguli morfologice pe doua nivele permite contextual osecventa S de perechi simbolice daca si numai daca pentru fiecare partitie

< P1, a :b, P2 >

a lui S este valabila una din urmatoarele afirmatii:

Nu exista n R nici o regula de forma < a :b, C >; In R exista cel mult o regula de aceasta forma, cu C continand o pereche decontexte < LC,RC > astfel ncat P1 LC, P2 RC.

Definitia 3.7 O regula morfologica pe doua nivele , C > permitecoercitiv o secventa S de perechi simbolice daca si numai daca pentru orice partitio-nare posibila a lui S n < P1, a

:b, P2 > si pentru fiecare element < LC,RC > Ccu P1 LC, P2 RC, daca a = a atunci b = b.

O gramatica morfologica cu doua nivele pentru alfabetele , se defineste for-mal printr-o pereche < RRC,RRS > unde RRC este o multime de reguli derestrictionare contextuala peste si , iar RRS este o multime de reguli de restric-tionare a formelor de suprafata peste si .

O pereche simbolica a : b este fezabila ntr-o gramatica cu doua nivele definitapeste alfabetele , daca si numai daca:

a = b si a , sau a , si a : b apare ntr-o regula din gramatica.O pereche a : b apare ntr-o regula ,C > daca:

a = a, b = b sau < LC,RC > C astfel ncat a : b LC RC.

Definitia 3.8 Fiind data o gramatica morfologica cu doua nivele G =< RRC,RRS >, o secventa S de perechi simbolice este generata de G daca si numai daca:

1. Toate perechile simbolice din S sunt fezabile;

2. Orice regula din RRS permite coercitiv S;

3. Multimea regulilor din RRC permite contextual S.

Observatii:

1. Conform definitiei de mai sus, regulile din RRS formeaza o multime conjunc-tiva de restrictii care trebuiesc satisfacute simultan, n timp ce regulile dinRRC formeaza o multime disjunctiva de restrcitii specificand toate contextelelegale posibile.

3.3. MORFOLOGIA PE DOUA NIVELE 37

2. Din definitia multimilor RRC si RRS rezulta ca daca nici o regula nu se aplicaunei perechi simbolice, ea este acceptaa daca si numai daca este fezabila.

Definitia 3.9 Fiind date = s1s2 . . . sn , = I1I2 . . . In si o gramaticamorfologica cu doua nivele G, spunem ca este reprezentarea lexicala a lui n G daca secventa de perechi simbolice I1 :s1 I2 :s2 . . . In :sn este generata de G.

Din definitia de sus se observa restrictia foarte puternica || = ||; ea poate firelaxata permitand ca Ii {}, si {}.

Procesul de prelucrare morfologica n morfologia pe doua nivele poate fi ab-stractizat folosind doua notiuni suplimentare: sistemul de segmentare lexicala sidictionarul.

Definitia 3.10 Un sistem de segmentare lexicala ntr-o morfologie cu doua niveleeste o structura (,, , Lx, f, G) unde:

si sunt alfabetele lexical respectiv de suprafata; 6 este un simbol special; Lx = {L1, . . . , Ln} este o multime de multimi de cuvinte din numita lexicon,fiecare Li fiind un sublexicon;

f : 2L este o functie definita astfel: w Li, f(w) = {Li1 , . . . , Lik} Lx. f(w) se numeste multimea de continuare valida a morfemului lexical w;

G este o gramatica morfologica cu doua nivele.Cu aceasta definitie, procesul de segmentare valida a unui cuvant n elementele

sale lexicale constitutive se descrie natural astfel:

Definitia 3.11 Fiind date cuvantul si reprezentarea sa lexicala, estesegmentat n < I1, . . . , In > daca:

I1 . . . In = unde este sirul din care s-au eliminat eventualele morfemenule;

Li astfel ncat Ii Li, Li Lx, 1 i n; Li+1 f(Ii), 1 i n 1.Pentru ca aceasta schema sa fie operationala, dictionarul - n modelul lui Kosken-

niemi - este structurat n felul urmator: fiecare intrare lexicala (corespunzatoare unuimorfem) contine - pe langa informatiile de natura morfologica si lexicala proprii mor-femului respectiv - una sau mai multe clase de continuare. Acestea definesc tipurilede morfeme care pot fi concatenate la dreapta cu morfemul curent n structura unuicuvant valid. Morfemele nu sunt nregistrate ntr-un singur dictionar, ci sunt grupaten sublexicoane, fieare din acestea corepunzand unei singure clase morfo-sintactice.

In general clasele de continuare induc pe multimea lexicoanelor o structurade graf orientat. Acest lucru se datoreaza faptului ca adesea unele clase morfo-sintactice (sublexicoane) constituie clase de continuare pentru mai multe clase morfo-sintactice.

38 PRELEGEREA 3. NOTIUNI DE MORFOLOGIE

Exemplul 3.3 Sa facem o analiza a cuvantului brazi. Printre regulile pe care lepoate folosi procesul de analiza se afla si regula

R1 : d :z {V :V < +: i : i >}

Prin inserarea unui morfem nul se obtine secventa de suprafata brazi, care esteprelucrata, conducand la secventa de perechi simbolice:

< b :b r :r a :a d :z +: i : i >

In continuare se efectueaza separarea folosind ca referinta delimitatorul morfemic+; se obtin astfel doua morfeme brad si + i, care indica faptul ca se analizeazaun substantiv comun, genul masculin (primul morfem), nearticulat, plural (al doileamorfem).

Evident, ar putea exista si alte reguli care se pot aplica, dar morfemele rezultatenu ar fi valide (nu e regasesc n dictionar). In acest fel se elimina variantele incorectede translatare spre nivelul lexical.

Invers, la generarea cuvantului cozi se pleaca de la radacina coad (substantivcomun, genul feminin) iar prin adaugarea morfemului + i (nearticulat plural) seobtine secventa coad+ i. Aplicand acum regula:

R2 : d :z {< o :o a : > < +: i : i >}

se obtine urmatoarea secventa de perechi simbolice:

< c :c o :o a : d :z +: i : i >

Aceasta va duce la sintetizarea secventei de suprafata cozi, din care - prin elim-inarea morfemelor nule - se obtine forma flexata cozi.

Se observa ca n acest caz se putea aplica si regula R1, ceea ce ar fi dus la gener-area unui cuvant incorect; este o exemplificare a uneia din deficientele modelului.

3.4 Morfologia paradigmatica

Al doilea model morfologic procedural prezentat se nscrie n clasa morfologiilor flex-ionare si a fost elaborat de Dr. Dan Tufis de la Institutul de cercetari al AcademieiRomane. Marele sau avantaj consta n naturaletea sa - posibilitatea de a fi dezvoltatprin tehnici ale nvatarii.

Definitia 3.12 Se numeste model morfologic (MM) structura

(C, SC,A, V, F1, F2, F3, P )

unde:

C = {c1, c2, . . . , ci} este o multime de categorii; SC = {sc1, sc2, . . . ,j } este o multime de subcategorii ale categoriilor din C;

3.4. MORFOLOGIA PARADIGMATICA 39

A = {a1, a2, . . . , ak} este o multime de atribute ale subcategoriilor din SC (nraport cu care fenomenul flexionar este relevant);

V = {v1, v2, . . . , vm} este o multime de valori pe care le pot lua atributele dinA;

F1 : C 2SC , F2 : SC 2A, F3 : A 2V sunt aplicatii; P CSC2A2V - numit spatiul paradigmatic flexionar - are proprietateaca pi = (ci, sci, Ai, Vi) P sunt adevarate afirmatiile:1. ci C, sci F1(ci);2. Ai = {ai1 , ai2 , . . . , aik} A, Vi = {vi1 , vi2 , . . . , vik} V ;3. Mi = {mi1 , . . . ,mik} F2(sci) cu viq F3(miq), 1 q k.

Se numeste familie tematica (FT) asociata unui lexem Lxi multimea sortatalexicografic a tuturor cuvintelor obtinute prin flexarea gramaticala a lexemului re-spectiv: FT (Lxi) = {w1, w2, . . . , wm}.

Sa notam cu < X > un sir arbitrar de litere si cu < X >< Y > sirul de litereobtinut prin concatenarea sirurilor < X > si < Y >.

Definitia 3.13 O multime FT (Lxi) este regulata daca si numai daca exista unsubsir < Rq > de lungime q numit radacina, comun tuturor cuvintelor din FT (Lxi)astfel ncat:

1. k,< W > FT (Lxi) =< wk >=< Rq >< tk >;2. < Rq > este cel mai lung subsir cu proprietatea anterioara;

3. q o limita inferioara (constanta ntreaga, dependenta de limba);4. j, 2 j m 1, submultimile {w1, . . . , wj}, {wj+1, . . . , wm} au radacinile

< Rq1 > respectiv < Rq2 > unde < Rq1 > este un subsir (nu neaparat propriu)al lui < Rq2 >.

Partea care ramane dintr-un cuvant din FT (Lxi) dupa ndepartarea radacinii senumeste terminatie (vom folosi termenul de terminatie atat pentru desinente cat sipentru sufixe).

Definitia 3.14 O familie tematica (FT ) a unui lexem Lxi se numeste partialregulata daca exista o partitie FT (Lxi) = {FT1(LXi), . . . , FTk(Lxi)} astfel ncat:

k

j=1

FTj(Lxi) = FT (Lxi);

m,n(m 6= n), FTm(Lxi) FTn(Lxi) = ; j, FTj(Lxi) este regulata si |FTj(Lxi)| > 1.

Deci, o familie tematica partial regulata este caracterizata de k radacini.

40 PRELEGEREA 3. NOTIUNI DE MORFOLOGIE

Definitia 3.15 Multimea terminatiilor obtinute dintr-o familie tematica (regulatasau partial regulata) se numeste familie paradigmatica FP .

Daca notam cu T reuniunea tuturor FP , se obtine notiunea centrala a modelului,respectiv paradigma flexionara Q n modul urmator:

Q = {(t1, p1), (t2, p2), . . . , (tk, pk)} 2TP ; FPi astfel ncat FPi = {t1, t2, . . . , tk}.

Pentru a simplifica notatia, vom folosi n continuare paranteze unghiulare numaicand va fi necesar de evidentiat (des)compunerea unei forme flexate.

Fie FLmultimea obtinuta din reuniunea a k familii tematice, numita fond lexical:

FL =k

j=1

FT (Lxi)

.Vom numi dictionar neinterpretat al fondului lexical FL multimea

DN = {R1, R2, . . . , Rp}cu proprietatea ca oricare Ri este o radacina a unei familii tematice FTj din FL.

Aplicatia I : FL 2DNP se numeste interpretarea fondului lexical FL nmodelul morfologicMM n cadrul caruia este definit P . Se observa ca interpretareaunui cuvant poate sa nu fie unica, fapt natural la nivelul analizei izolate a cuvantului.Acest lucru se datoreaza ambiguitatii (intriseci sau extrinseci) legate de omografie.Interpretarea I abstractizeaza procesul de analiza morfologica.

Abstractizarea procesului invers, de generare a formelor flexate, este reprezentatade aplicatia G : DN P FL.

3.4.1 Organizarea terminatiilor

Conform definitiilor anterioare, un cuvant este privit - din punct de vedere structural- ca o juxtapunere a unei parti fixe (tema) si a unei parti variabile (terminatia). Incadrul terminatiei nu se mai face distinctie ntre sufixe si desinente. Un cuvantpoate coincide cu tema sa, caz n care spunem ca are terminatie nula. Conceptulde tema are un continut lexical, dar unui cuvant i pot corespunde mai multe teme,cum sunt de exemplu verbele neregulate.

Terminatiile sunt organizate arborescent, fiecare nod al arborelui fiind etichetatcu cate o litera care intra n compozitia unei terminatii. Un drum care pleacade la radacina arborelui (corespunzatoare terminatiei nule) la o frumza semnificauna sau mai multe terminatii obtinute prin concatenarea literelor asociate nodurilorparcurse. Exista posibilitatea (n limba romana) ca un drum n arbore sa reprezintemai multe terminatii, care se ncheie la diferite noduri ale drumului.

Definitia 3.16 Se numeste nod terminal orice nod al arborelui de terminatii cuproprietatea ca prin concatenarea literelor asociate nodurilor parcurse pe drumul dela radacina la nodul respectiv se obtine o terminatie valida.

3.4. MORFOLOGIA PARADIGMATICA 41

Tabelul 3.1: Arbore de terminatii

a c z

esurie

aeouel

ii

QQQQQs

PPPPPPPPPq

+

AAAU

QQQQQs ? ?

AAAU

AAAU

JJJ^

? ?

Nivel 0

Nivel 1

Nivel 2Nivel 3

Nivel 4

In Tabelul 3.1 este reprezentat un fragment al arborelui de terminatii specifice limbiiromane; nodurile terminale sunt notate cu simbolul .

Nodurile care apar pe nivelul 1 al arborelui sunt etichetate cu litere ce pot aparepe ultima pozitie a unei terminatii. Literele care eticheteaza nivelul 2 n arbore potapare ca penultime litere n terminatii, dar numai daca sunt urmate de literele careeticheteaza nodurile de pe nivelul 1. Adancimea arborelui este egala cu lungimeacelei mai lungi terminatii. Deci ilea, lea, ea, a, eia, uia, ia, ora, ua, iesc, esc, asc,ez sunt terminatii valide (citirea se face de la nodurile terminale spre radacina).

Nodurile terminale au asociate informatii referitoare la partile de vorbire simarcile morfologice carora le sunt caracteristice terminatiile definite de nodurilerespective. Astfel, nodului l de pe drumul a e l i, care defineste terminatialea i sunt asociate informatiile substantiv feminin, articulat enclitic, cazul nomi-nativ/acuzativ - cum este situatia n cuvintele calea, pielea, si respectiv numeralordinal, masculin - ca n cuvintele doilea, zecelea.

Terminatia ea, inclusa n lea este nsa si mai ambigua:

Verb, prezent, conjunctiv, persoana 3, singular/plural;

Verb, imperfect, persoana 3, singular;

Verb, infinitiv;

Substantiv, feminin, articulat enclitic, caz nominativ/acuzativ.

Exemple de cuvinte n care apare terminatia ce poarta aceste informatii ar fi: sastea, mergea, a cadea, cartea, etc. De remarcat ca pronumele personal ea nu poatefi interpretat ca o terminatie, deoarece tema ar fi nula lucru neacceptat conform

42 PRELEGEREA 3. NOTIUNI DE MORFOLOGIE

definitiilor anterioare. Cu cat se urca n arbore, gradul de nedeterminism creste;astfel, terminatiilor a si le sunt asociate 33 respectiv 47 interpretari.

3.4.2 Dictionarul

Din punct de vedere logic, dictionarul este o colectie ordonata a multimii de repre-zentanti ai fondului lexical prelevat. Un reprezentant al unui element lexical esteo colectie structurata de informatii, numita intrare lexicala. Intrarile lexicale suntdeci ordonate logic dupa unul sau mai multe campuri - considerate chei - alestructurii de reprezentare. Cea mai frecventa cheie este cea corespunzatoare formeicuvantului retinut n dictionar, caruia i se ataseaza intrarea lexicala: radacina, temasau cuvantul. Fiecare tema prezenta n dictionar are atasate una sau mai multe des-

Tabelul 3.2: Structura unei intrari n dictionar

< intrare lexicaa >::= < tema >(< lexem >

< parte de vorbire >< descriere morfologica >

(< descriere sintactica >(< descriere semantico-pragmatica >)

)

)+

crieri. O descriere consta dintr-un identificator unic n dictionar, care corespundenotiunii de lexem, un cod care identifica partea de vorbire asociata lexemului, o ca-racterizare morfologica a lexemului, precum si una sau mai multe descrieri sintacticesi semantico-pragmatice asociate. Formal, o intrare lexicala este de forma data nTabelul 3.2.

Unei teme i pot corespunde mai multe lexeme. De exemplu, pentru tema muncvor exista lexemele a munci (verb) si munca (substantiv).

Campurile si asociate unui lexemsunt unice. Omografele vor fi diferentiate prin identificatori lexemici diferiti; deexemplu, pentru tema duc care are asociate doua lexeme omografe (duce - a cara, atransporta, si duce - rang nobiliar), distinctia ntre lexeme se va face prin intermediulunui indice numeric: duce1, duce2.

Doua sau mai multe teme distincte pot avea asociate acelasi lexem, situatie cores-punzatoare n dictionar sinonimiei. De asemenea, polisemia este asigurata prin posi-bilitatea de a avea mai multe descrieri semantico-pragmatice pentru acelasi lexem.Informatiile din dictionar corespunztoare acestor campuri (sintactic si semantic) nusunt folosite n faza analizei morfo - lexicale, ci n fazele ulterioare.

Bibliografie

[1] Allen, J. - Natural Language Understanding, The Benjamin/Cummings Publ.Co. Inc, 1995

[2] Atanasiu, A - Bazele Informaticii; suport de curs pentru anul II seral; TipografiaUniversitatii, 1987;

[3] Atanasiu, A. - Modele matematice n scrierea compilatoarelor; Ed. Olimp, 1996.

[4] Craciun, Dragos- Analizor morfologic pentru limba romana, Lucrare de licenta,1997

[5] Gramatica Limbii Romane, Editura Academiei, 1966

[6] Joshi, A.K., Levi, L.S., Takahashi, M. - Tree Adjunct Grammars, J. Comput.Syst. Sci. 10(1), 1975.

[7] Joshi, A.K. - How much context-senzitivity is necessary for Characterizing Struc-tural description - Tree Adjoining Grammars; n Natural Language Processing- Theoretical Computational and Psychological Perspectives, Cambridge Uni-versity Press, 1985.

[8] Joshi, A.K. - The relevance of Tree Adjoining Grammar to generation; n Nat-ural Language Generation, Martinus Nijhoff Publishers, Dordrecht, 1987

[9] Schabes, Y. - Mathematical and Computational aspects of Lexicalized Gram-mars; Eight European Summer School in Logic, Language and Information,Praga, 12-23 August 1996

43