• Vyhledávání
• Přidávání do slovníku
  • nejde-li něco udělat, poznamenat to do “glosa” a označit třemi hvězdičkami (tedy ***poznámka) k dalšímu ručnímu posouzení
  • je vhodné časté pojmenované entity také přidávat do slovníku, v další verzi programu to poslouží k automatické předanotaci
    • Pro odlišení pojmenovaných entit od ostatních lexémů ve slovníku je potřeba určit typ entity do glosy:
      ***(jméno)
***(instituce)
***(místo)
***(objekt)
***(foreign).

1. v této fázi se zabýváme jen striktně víceslovnými NE: tedy těmi, uvnitř nichž nemá smysl ani závislostní popis, ani funktory. Jednoslovné NE se budou anotovat až v 2. fázi v TrEdu.

—

• TODO Sjednotit (zde i ve sem-ann-u) anglické a české názvy. Třeba person pro jméno žáby je poněkud matoucí. (podle mne není, jde o personifikaci –ps)

• jméno jsou jména pouze osob a zvířat
  ke jménu osoby patří i tituly
  • v případech jako “prezident V. Klaus” nebude 'prezident' anotován jako součást jména. Výraz je totiž do značné míry samostatný, jméno může být i vynecháno. Titul jako součást jména anotujeme jen v případech, kdy nemá samostatný význam, kdy o danou funkci v textu vůbec nejde. V těchto případech je titul typicky zapisován zkratkou. Jméno v těchto případech nemůže být elidováno.

• objekt jsou pojmenované věci, které nejsou lidi, zvířata, instituce a místní názvy
  viz zmínku u biblio.
  • Spadají sem tedy:
    1. kulturní artefakty (názvy knih, filmů, festivalů apod., předpisů, zákonů, …)
    2. názvy výrobků (Intel Pentium Pro)
    3. názvy měn (americký dolar)¹⁾
    4. měrné jednotky (námořní míle)²⁾
    5. názvy chemických sloučenin (oxid hlinitý)
    6. biologické názvy (brouk patří do “čeledi X, druhu Y, skupiny Z”)
  • ČNB Na Příkopech – tím je myšlena budova, nikoli instituce, tudíž je to objekt
• adresa
  problém hranice mezi jméno/instituce + místo a adresa
  přesné pravidlo: adresa musí obsahovat ulici a/nebo doplňující (ne-místní) údaj typu tel./PSČ/fax/e-mail; jinak se anotuje každé zvlášť, tj. např. obvyklá forma jméno a/nebo instituce, město není dostatečně přesně určeno, aby to mohlo být považováno za adresu. Příklady:
  • Petr Novák, ÚFAL – jméno, instituce
  • Worchester & sons, New Haven, Connecticut – instituce, místo
  • ČNB Na Příkopech – objekt, místo (viz objekt)
  • Pavel Přibyl, Nábřežní 35, Plzeň – adresa
  • ÚFAL, Malostranské náměstí 25, Praha 1 – adresa
  • Petr Novák, ÚFAL, Malostranské náměstí 25 – adresa
  • Svoboda, 777 578 975 – adresa
• biblio je pouze bibliografický údaj, čili něco strukturovaného
  jméno knihy (stejně jako jméno filmu) je jen objekt (zadny biblio)
  Kde je hranice? Božena Němcová, Babička, str. 143 budeme posuzovat jak? (Kol. Šidák dostal pokyn označit jako biblio a poznamenat na papír s připomínkami pro nás)
• X slouží primárně pro nezařaditelné entity
  prozatím také pro označování množství, neboť to dosud (TODO) nemá vlastní značku
  • 100 – 200 metrů čtverečních – X, objekt
  • 10 m – nic nic
  • od 10 do 18 let – X je “od 10 do 18”, “let” je nic
  • mezi sedadly 30 a 40 – X je “mezi 30 a 40”, “sedadly” není nic

* Zobrazuje-li se vlevo pod oknem s textem hvězdička (v samostatném rámečku), značí to, že soubor byl změněn a nebyl dosud uložen.
* Program lze spouštět také například takto: ./sem-ann.pl anot/lnd94103_1*.t.gz anot/lnd94103_002.t.gz. Pak program po startu automaticky otevře soubor lnd94103_100.t.gz. Po dokončení práce a uložení souboru klávesa F8 otevře soubor lnd94103_101.t.gz atd. až předposlední soubor bude lnd94103_199.t.gz a poslední lnd94103_002.t.gz. Klávesa F7 umožňuje naopak vracet se k předchozímu vyjmenovanému souboru.

Máme několik dalších nejasností, zatím jsme se shodli na následujících řešeních:

• Obecně: frazém je to, co nelze lexikálně variovat (dopravní přestupek/*dopravní hřích) a co není odlučitelné (*dopravní závažný přestupek).
  1. obojí je obvyklé, ale když alespoň jedno neplatí, neznamená to ještě, že o frazém v nějakém smyslu nejde.
     1. Máme dost různých kreativních užití (“ne Rudé, ale Šedé právo”; nový význam spojení “Sarajevský atentát”), některé jsou pak časem více či méně lexikalizované. Otázka je, jak “ad hoc” frazémy značit.Prozatím navrhuji zanést jej do Semlexu a do pozn. uvést od jakého frazému je odvozen, pokud je to zřejmé (je-li ten původní kiž v SemLexu, tak ID).
     2. neodlučitelnost je také sporná. Zaprvé je možná (a běžná) elipsa (Sarajevský atentát → Sarajevo). To ale není odloučení. Ovšem i rozvití části frazému je ale možné. Co možné není, je porušení přímé závislosti všech částí frazému, neboli rozdělení (přerušení) jeho syntaktického stromu jiným uzlem.
• Apelativa jako “ulice”, “náměstí” (např. ve spojení “Staroměstské náměstí” i “náměstí Míru”) apod. jsou součástí pojmenovaných entit
  1. ano –ps
• slovo “zákon” je součástí názvu (zákon o daních, podle zákona 1456/18, Sb.)
  1. souhlas. –ps
• NE typu „galerie Václava Špály“: je to místo, když se tím míní místo; ale když je tam personifikace, je to INSTITUCE (GVŠ koupila obraz x jdu do GVŠ)
  1. ano, přesně tak si to představuji. –ps
• devět sekund, pět let, 20 hodin – jde o čas ?(shodli jsme se, že „rok 1994“ značíme celé jako čas), nebo máme postupovat analogicky podle „10 metrů“ a neanotovat?
• Problém značení variabilních frazémů (dostal x měsíců natvrdo) a nekonečně rozvinutelných frazémů (“výkonná rada oddělení obvodního úřadu pro míru nezaměstnanosti”)
  1. variabilní: zavést “dostat měsíců natvrdo” apod. vzhledem k syntakt. struktuře se najdou všechny výskyty. Ovšem do poznámky uvést, že to rozvití “měsíců” je obligatorní. Horší je, že zde může variovat i měsíců/let a “natvrdo a podmíněně”. Prozatím nezbyde, než to vše mít jako samostatná hesla SemLexu, ale optimální to není. MOC DOBRÝ PŘÍKLAD. DÍKY. –ps
  2. rozvíjitelné: označit celek, zavést jej do SemLexu. Jeho frazeologické části jsou zajímavý problém do budoucna, ale zcela samostatný. Lexikografická záležitost. Alespoň dokud nenajdete lepší příklad

• značky autorů pod článkem navrhuji značit jako entity reprezentující jména osob (–ps)

Ještě technický problém: občas některé lexémy naprosto nevysvětlitelně nelze označit a program hlásí, že “vybraný text nemá smysl anotovat”(přitom to jsou ale výrazy, které prokazatelně smysl anotovat má), několikrát se to stalo i u celého souboru. (PŠ+PV)

1. potřebujeme přesný údaj, kde se to stalo. Jinak chybu nemůžeme opravit. (–ps)

• první příklad, se kterým jsem se dnes setkal: v souboru ln95047_134.t.gz se (což se stává) opakuje poslední věta dvakrát; v obou případech nelze označit druhou půlku telefonního čísla (= součást adresy). (pš)
• další příklad: soubor ln95047_137, 6. odstavec, výraz “nemocniční zařízení”: lze označit jen “nemocniční”, nikoli “zařízení”. (pš)