Målet med ordboksarbeidet

Dette dokumentet drøfter mål og prinsipp for ordboksarbeidet og gir eksempel på hvordan de skal merkes i praksis. Eksempla er fra nordsamisk (sme) og sørsamisk (sma)

Sitat fra møte 23.8.11:

• ordbøkene er nyttige for folk flest
• vise kombinasjonen leksikografi/morfologi
• vi kan samarbeide med de leksikografiske miljøene
• vi trenger transferleksikon for MT

Genererte ordformsorbøker (VD) vs. online-analyse-ordbøker (NDS) vs. Apertium-ordbøker (webdict)

• Apertium-ordbøkene (webdict) inneholder bare grunnform og er smX-nob/fin og motsatt veg
• VD inneholder genererte ordformer og er smX-nob. De kan lastes ned, og fungerer offline, men er avhengige av et ordboksprogram, f.eks. Macdict eller Stardict.
• NDS analyseres online med analyser-dict-gt-desc.hfstol, og genereres med generator-dict-gt-norm.hfstol

Leksikonfiler

Entryene er delt inn i filer etter POS. Det nøyaktige settet av filer varierer fra språk til språk, skriptet som genererer ordbøkene generaliserer over dette og tar med alle filer i katalogen LANG1LANG2/src/*LANG1LANG2.xml, dvs. alle filnamn som slutter på LANG1LANG2.xml.

Flerordsuttrykk

• Man kan legge til ord som bare er ord nr 2 i faste uttrykk, f.eks. hiluid háluid, med hele uttrykket som eksempel.
• Flerordsuttrykk som har annen mening enn hvert enkeltord har, bør man legge ordet i mwe-fila. Hvis uttrykkene skal bøyes, kan det lages statiske paradigmer.

Entryenes struktur

<e> nivå i xml

Enkelte entryer i ordbøkene er merket med kildehenvisning, f.eks. src="nj" (fra Jernsletten), src="sk" (Statens Kartverk), src="gt" (Giellatekno), src="fad" (Fra forvaltningsordbokprosjektet). Default er src="gt". Dokumentasjon for kildetaggene er, eller i alle fall bør være, dokumentert i den relevante dtd-fila eller på dokumentasjonssida for ordboka. Noen av entrynodane er også merka med usage, denne merkinga kan være utdatert.

Meningsgrupper <mg> i xml

Man skiller mellom synonymer og meningsgrupper. Synonymer har samme <mg> (meaning group / meningsgruppe) og samme <tg> (translation group / oversettelsesgruppe). Hvis en entry har flere betydninger, så skilles disse som forskjellige <mg>.

<e src="nj" usage="vd">
   <lg>
      <l pos="N">sudja</l>
      <lc>sujat</lc>
   </lg>
   <mg>
      <tg>
         <t pos="N">årsak</t>
         <t pos="N">grunn</t>
      </tg>
   </mg>
   <mg>
      <tg>
         <t pos="N">skyld</t>
      </tg>
   </mg>
</e>

Oversettelsesgrupper <tg> i xml

Elementet <mg> inneholder en eller flere <tg> (oversettelsesgruppe eller translation group) som igjen kan inneholde:

<t> - et ord

<e usage="vd">
   <lg>
      <l pos="N">ristoabbá</l>
   </lg>
   <mg>
      <tg>
         <t pos="N">gudsøster</t>
      </tg>
   </mg>
</e>

<t> - en frase

 <e usage="vd">
  <lg>
     <l pos="N">áššu</l>
  </lg>
  <mg>
     <tg>
        <t dict="yes" pos="N">glødende vedstykke</t>
     </tg>
  </mg>
</e>

<te> - en forklaring. En forklaring er en setning som forklarer betydningen av et ord, men som ikke kan brukes i for eksempel en oversettelse. Denne brukes KUN hvis <t> ikke kan brukes.

<e usage="vd">
   <lg>
      <l pos="N">boaššobealle</l>
   </lg>
   <mg>
      <tg>
         <te>den side som vender mot boaššu, det vil si den innerste delen av telt, gamme eller hus</te>
      </tg>
   </mg>

Bruk av <re> (restriksjon) i xml

• <re> gir restriksjon for oversettelsen. Oversettelsen vest har restriksjonen om klesplagg, dvs at oversettelsen gjelder klesplagg, og ikke himmelretning.

      <mg>
         <tg>
            <re>om klesplagg</re>
            <t pos="N">vest</t>
         </tg>
      </mg>

• <re> kan også brukes for å markere kasusbetydning, f.ek.s bevegelse til.
• for stedsnavn angir den kommune eller fylke

Bruk av <style> i xml (ikke implementert)

F.eks. litterær, uhøflig etc.

Lemmaet har ikke paradigme: pg="no" i xml (gjelder bare VD)

I filer som skal blir generert pga POS-merkinga (N, V, A, Num), skal lemmaer som likevel ikke skal genereres, eller som bare har en form, merkes med attributten pg="no".

Bruk av v1, v2 osv. i lexc (gjelder bare VD)

• Ett lemma kan ha flere normative skrivemåter. I fst merkes disse med felles lemma, men skilles ved hjelp av taggene v1, v2 osv:
  • tunealla+v1:tunealla
  • tunealla+v2:tunnealla
• Til ordboksfilene legges kun det lemmaet som er valgt som felles lemma i fst. I tillegg må man merke hvor mange v-merkinger den har i fst. Dette gjøres ved å legge attributten vmax="" til <l>:

      <lg>
         <l pos="g3" vmax="2">tunealla</l>
      </lg>

• Ved hjelp av v1- og v2-taggene, kan man sortere ordformene til riktig oppslagsord (tunealla vs. tunnealla) og presentere reine miniparadigmer.

Bruk av lsub i xml (gjelder bare VD)

Elementet lsub legges til i <lg> for vanlige ikke-normative skrivemåter. Hvis forskjellen i skrivemåte bare er f.eks. a vs. á, kan dette løses med regulære uttrykk. Hvis det skal genereres paradigme for ikke-normativ skrivemåte, må lemmaet være i fst. Vi skal ikke presentere miniparadigme for lsub. Det må gjøres klart for brukeren at dette er en ikke-normativ skrivemåte.

<e usage="vd">
   <lg>
      <l pos="N">balloŋŋa</l>
      <lsub extrapage="yes" pos="N">balluvdna</lsub> 
      <!!-- extrapage="yes" er default -->
      <!!-- the extrapage attribute is now obsolete when v1,v2 is implemented:-->
      <!!-- 1. lsub is alway extrapage="no" (no need of the extrapage attribute anymore)-->
      <!!-- 2. in the pair v1-v2, one lemma is the entry in the dict and the other is generated automatically, "lsub with extrapage="yes" so to say -->
   </lg>
   <mg>
      <tg>
         <t pos="N">ballong</t>
      </tg>
   </mg>
</e>


   <lg>
      <l pos="N">kantuvra</l>
      <lsub extrapage="no" pos="N">kántuvra</lsub>
   </lg>

Bruk av l_ref i xml (gjelder bare VD)

Elementet l_ref legges til i for å vise til ander lemmaer som kan være nyttige for brukeren. Lemmaet skal merkes med POS, f.eks. `seavagiella_n`. `l_ref` brukes for å:

• vise til det lemmaet som bør brukes i følge termordlister etc. I slike tilfeller merkes kun det lemmaet som man vil vise fra, og ikke det lemmaet som man viser til:

      <lg>
         <l pos="N">giehtagiella</l>
         <l_ref>seavagiella_n</l_ref>
      </lg>

• gjøre brukeren oppmerksom på at det er en annen semantisk inndeling på samisk enn på oversettingsspråket. F.eks. vai vs. dahje, eller dudno vs. din. I slike tilfeller merkes begge lemmaene med l_ref:

      <lg>
         <l pos="cc">dahje</l>
         <l_ref>vai_cc</l_ref>
      </lg>
og
      <lg>
         <l pos="cc">vai</l>
         <l_ref>dahje_cc</l_ref>
      </lg>

Evt. bruk av flere typer referanser - dette er tanker, og er ikke implementert

Initialt i <mg>:

• <syn lemmaID="buohccebiila" /> → vise til eit synonym
• <ant lemmaID=""> ↛ vise til eit antonym
• <hyponym> ↓ vise til eit meir spesifikt ord
• <hypernym> ↑ vise til eit meir overordna ord
• <obs> vær obs på dette (bajimussii -> bajimusas) !!

Eksempler

Man kan legge inn kildetilvisning som attributt for <x> og <xt>, f.eks. hvis ordet ikke er vanlig i bruk:

<x src="S.B. Johansen 2010: Sárá beaivegirji s. 21">... dakkár ilgadis 
olmmošlágan filbmasivdnádus, mii lea eambbo robohtalágan go olbmolágan.</x>

Generere paradigme eller ikke (gjelder bare VD)

Noen av filene er statiske og noen blir det generert paradigmer av. Det er filer for pronomener med innskrevne paradigmer, og disse filenes navn avgjør at innholdet ikke blir generert.

I de andre filene er det POS-merkinga som avgjør om det blir generert paradigme eller ikke. Lemmaer som ikke skal genereres, eller som bare har en form, merkes med pg="no".

Generere paradigmer (gjelder bare VD)

Alle entryene må være leksikalisert i norm-fst. Hvis ikke, vil de ikke bli generert. F.eks. så vil en entry med grunnform i plural, ikke bli generert hvis grunnformen er i singular i norm-fst. Men man kan ha både sg og pl innføringer i norm-fst for det samme lemmaet hvis det har en annen oversettelse i plural enn i singular.

Det må ikke være noen homonyme entryer (lemma + POS + type + subtype + … annen attributer)!!

For å unngå at dict-fila blir for stor, kan man vurdere hvilke bøyningsformer som skal genereres, f.eks. px eller ikke. Dette gjøres i testing/xcodes.txt-filene.

Filer for generering (gjelder bare VD)

sme-filer for generering:

nounActor_smenob.xml
nounCommon_smenob.xml
nounG3_smenob.xml
nounProper_smenob.xml
nounRevProper_smenob.xml
nounProperPl_smenob.xml
adjective_smenob.xml
verb_smenob.xml
pronIndef_smenob.xml
num_smenob.xml

sma-filer for generering:

a_smanob.xml
n_smanob.xml
v_smanob.xml
num_smanob.xml
pronIndef_smanob.xml
prop_smanob.xml
propPl_smanob.xml

Filer med statiske (innskrevne) paradigmer (mest for VD, men kan også brukes for NDS)

Her kan man velge hvilket grunnord de bøyde formene peker til. F.eks. når det gjelder refleksive pronomener i sme, har vi valgt å peke til akk/gen-formen som grunnform (alccesan peker til iežan).

I entryene for de flekterte formene, blir det en entry for hver sideform.

Det må ikke være noen homonyme entryer (lemma + POS) innafor eller på tvers av filene. Dette kan unngås med å oppgi type (f.eks. ‘dem’) og sg/pl, f.eks.

<l pos="pron" type="dem" nr="sg">dat</l> vs
<l pos="pron" type="dem" nr="pl">dat</l> og
<l pos="pron" type="pers" nr="sg">dat</l>

Dette må også tas hensyn til i lemma_ref, f.eks.

<lemma_ref lemmaID="dat_pron_pers_pl">dat</lemma_ref>

sme-filer med innskrevne paradigmer:

adjstatpar_smenob.xml
div_statisk_smenob.xml
verbNeg_smenob.xml
verbCop_smenob.xml
verbSupNeg_smenob.xml
pronDem_smenob.xml
pronPers_smenob.xml
pronRec_smenob.xml
pronRefl_smenob.xml
pronRel_smenob.xml

sma-filer med innskrevne paradigmer:

misc_stat_smanob.xml
pronPers_stat_smanob.xml
pronRec_stat_smanob.xml
pronRefl_stat_smanob.xml
pronRel_stat_smanob.xml
vCop_stat_smanob.xml
vNeg_stat_smanob.xml

Andre filer

I disse filene genereres ikke lemmaene, og de behøver heller ikke være i norm-fst.

sme-filer:

adverb_smenob.xml
mwe_smenob.xml
other_stat_smenob.xml

sma-filer:

adv_smanob.xml
i_smanob.xml
multiword_smanob.xml
pcle_smanob.xml
po_smanob.xml
pr_smanob.xml

Genererte miniparadigmer til hjelp for brukeren

Miniparadigmene i leksikonoppslaget er hjelp for brukeren. De vil variere fra POS til POS. Man velger former som gir nyttig informasjon til brukeren om hele paradigmet.

Use/NGminip og Allegro i lexc

Ved å legge til +Use/NGminip i lexc, kan man velge bort en del bøyningsformer når man ikke vil presentere alle i miniparadigmet. Dette er f.eks. aktuelt for nordsamiske adjektiver.

Substantiv:

Substantiv kan få attributten illpl=”no” hvis den ikke er så høvelig å presentere i flertall, f.eks. bargguhisvuohta. For sme utelates allegroformen for Sg Gen, som er merka med Allegro-tag: viesu viessu+N+Sg+Gen versus vieso viessu+N+Sg+Gen+Allegro .

Bøyning	Eksempel
	viessu
Sg+Gen	viesu (ikke Allegro)
Sg+Ill	vissui
Pl+Ill	viesuide (ikke hvis illpl=”no” )

Propernouns sme - sg:

Hvis det er flere <mg>, brukes <t> fra den første <mg> som oversetting i miniparadigmet

Bøyning	Kontekst	Eksempel	Oversettelse
-	-	Norga	Norge
Sg+Gen	X bokte	Norgga bokte	via Norge
Sg+Ill	-	Norgii	til Norge
Sg+Loc	-	Norggas	i/fra Norge

Propernouns sme - pl:

Hvis det er flere mg, brukes <t> fra den første mg som oversetting i miniparadigmet

Bøyning	Kontekst	Eksempel	Oversettelse
-	-	Iččát	Ingøy
Pl+Gen	X bokte	Iččáid bokte	via Ingøy
Pl+Ill	-	Iččáide	til Ingøy
Pl+Loc	-	Iččáin	i/fra Ingøy

Propernouns sma - sg:

Hvis det er flere <mg>, brukes <t> fra den første <mg> som oversetting i miniparadigmet

Bøyning	Kontekst	Eksempel	Oversettelse
-	-	Nöörje	Norge
Sg+Gen	X baaktoe	Nöörjen baaktoe	via Norge
Sg+Ill	-	Nöörjese	til Norge
Sg+Ine	-	Nöörjesne	i/på Norge
Sg+Ela	-	Nöörjeste	fra Norge

Propernouns sma - pl:

Hvis det er flere <mg>, brukes <t> fra den første <mg> som oversetting i miniparadigmet

Bøyning	Kontekst	Eksempel	Oversettelse
-	-	Bealjehkh	Sylan
Pl+Gen	X baaktoe	Bealjehki baaktoe	via Sylan
Pl+Ill	-	Bealjehkidie	til Sylan
Pl+Ine	-	Bealjehkinie	i/på Sylan
Pl+Ela	-	Bealjehkijstie	fra Sylan

Verb sme:

For verb har vi lagt til kontekst til bøyningsformene. Det er merket i leksikonet hvilken type kontekst som skal brukes, f.eks. context:"mun"

Bøyning	Kontekst	Eksempel
	context:”mun”	boahtit
Ind+Prs+Sg1	(odne mun) X	(odne mun) boađán
Ind+Prt+Sg1	(ikte mun) X	(ikte mun) bohten
Ind+Prs+ConNeg	(in) X	(in) boađe

For verb som det ikke er naturlig med menneskelig subjekt for:

Bøyning	Kontekst	Eksempel
-	context:”dat”	ciellat
Ind+Prs+Pl3	(Plural) X	(Plural) cillet
Ind+Prt+Sg3	(ikte dat) X	(ikte dat) cielai
Ind+Prs+ConNeg	(ii) X	(ii) ciela

For verb som bare brukes i Sg3 (vær-verb):

Bøyning	Kontekst	Eksempel
-	context:”upers”	bieggat
Ind+Prs+Sg3	(odne) X	(odne) bieggá
Ind+Prt+Sg3	(ikte) X	(ikte) biekkai
Ind+Prs+ConNeg	(ii) X	(ii) biekka

For resiproke verb :

Bøyning	Kontekst	Eksempel
-	context:”sii”	deaivvadit
Ind+Prs+Pl3	(odne sii) X	(odne sii) deaivvadit
Ind+Prt+Pl3	(ikte sii) X	(ikte sii) deaivvadedje
Ind+Prs+ConNeg	(eai) X	(eai) deaivvat

Verb sma:

Bøyning	Kontekst	Eksempel
Inf	-	båetedh
Ind+Prs+Sg1	(daan biejjien manne) X	(daan biejjien manne) båatam
Ind+Prs+Sg3	(daan biejjien dïhte) X	(daan biejjien dïhte) båata
Ind+Prs+Pl3	(daan biejjien dat) X	(daan biejjien dat) båetieh
Ind+Prt+Sg1	(jååktan manne) X	(jååktan manne) böötim båetiejim
Ind+Prs+ConNeg	(ij) X	(ij) båetieh
PrfPrc	(lea) X	(lea) båateme
Ger	(lea) X	(lea) båetieminie
VGen	X	båetien

Adjektiver:

Ved å legge til +Use/NGminip i fst, kan man velge bort en del bøyningsformer når man ikke vil presentere alle i miniparadigmet. Dette er ikke minst aktuelt for adjektiver.

Bøyning	Uten +Use/NGminip	Med +Use/NGminip
A+Sg+Nom	heittot	heittot
A+Attr	heittogis heittohis (bivttas)	heittogis (bivttas)
A+Pl+Nom	heittogat heittohat	heittogat
A+Comp+Attr	heittogit heittogut heittoget heittogat heittohit heittohut heittohet heittohat	heittoget heittogat
A+Comp+Sg+Nom	heittogit heittogut heittoget heittogeabbo heittogat heittogabbo heittohit heittohut heittohet heittoheabbo heittohat heittohabbo	heittogeabbo heittogabbo
A+Superl+Sg+Nom	heittogeamos heittogamos heittoheamos heittohamos	heittogeamos heittogamos

For adjektiver har vi lagt til kontekst til attributtformen bare for sme. Det er merket i leksikonet hvilken kontekst som skal brukes, f.eks. context:"olmmoš". Hvis context="", så vil det ikke bli oppgitt attributtform.

Bøyning	Kontekst bare for sme	Eksempel
-	context:”báddi”	guhkki
A+Attr	X (báddi)	guhkes (báddi)
A+Pl+Nom	-	guhkit
A+Comp+Attr	-	guhkit
A+Comp+Sg+Nom	-	guhkit
A+Superl+Sg+Nom	-	guhkimus

Numeraler:

For numeraler har vi lagt til kontekst til pl bare for sme. Alle har den samme konteksten:

Bøyning	Kontekst bare for sme	Eksempel
-	context:”gápmagat”	guokte
Num+Pl+Nom	X (gápmagat)	guovttit (gápmagat)
Num+Pl+Gen	X (gápmagiid)	guvttiid (gápmagiid)

Ubestemte pronomener (+Pron+Indef):

(samme miniparadigme som for substantiver)

Bøyning	Eksempel
-	muhtun
Sg+Gen	muhtuma
Sg+Ill	muhtumii
Pl+Ill	muhtumiidda

Innskrevne paradigmer

Dette er mest for VD, men kan også brukes for NDS.

Pronomener:

Pron Pers, Refl, Rec, Rel og Dem . Vi skriver paradigmet inn i filen:

Singular for seg:
Sg+Akk	
Sg+Gen	
Sg+Ill
Sg+Loc
Sg+Com
Ess


Plural for seg:
Pl+Akk
Pl+Gen
Pl+Ill
Pl+Loc
Pl+Com
Ess

Negasjonsverb:

Sg1
Sg2
Sg3
Du1
Du2
Du3
Pl1
Pl2
Pl3

Homonyme entrier

Det må ikke være noen homonyme entryer (lemma + POS) innafor eller på tvers av filene (dette gjelder bare VD). Vær OBS på at det kan være homonymi med lemmaer i norm-fst, uten at begge er med i dict. For å få generert riktig bøyningsparadigme til dict-entryen, må de behandles på samme måte, selv om bare det ene lemmaer er med i dict.

Ikke-systematisk homonymi - eksempel fra sma

<l> elementet får attributten hid="Hom1" eller hid="Hom2". Lemmaene er merka tilsvarende i norm-fst.

Systematisk homonymi - ekesmpler fra sme

Nom	Gen	norsk	norm-fst-analyse
lohkki	lohki	lokk	lohkki+N+Sg+Nom
lohkki	lohkki	lesar	lohkki+N+NomAg+Sg+Nom

Her må den ene merkes med tag (actor) i genereringa fra norm-fst. Med denne tagen kan de unngår man homonymi i dict. I xml-filene:

1.
    <e src="nj" usage="vd">
      <lg>
         <l pos="N">lohkki</l>
      </lg>
      <mg>
         <tg>
            <t pos="N">lokk</t>


2.
    <e src="nj" usage="vd">
      <lg>
         <l pos="N" type="NomAg">lohkki</l>
      </lg>
      <mg>
         <tg>
            <t pos="N">leser</t> 

En annen systematisk homonymi:

Nom	Gen	norsk	norm-fst-analyse
beassi	beasi	reir	beassi+N+Sg+Nom
beassi	beassi	never	beassi+N+G3+Sg+Nom

Vi har følgende tagger for substantiver:

tagger	fil
N+NomAg	-
N	-
N+G3	-
N+G7	-
N+Prop	-