Prinsipp for lemmatisering av sørsamisk

-land vs. -laante

Det er variasjon mellom Bergsland, Bergslaante, Småland, Smålaante i sørsamisk tekst. Her er politikken for leksikonet

1. Forma i leksikon er Bergslaante:Bergs^ LAANTE-sur ;
2. Lemma er Bergslaante, Smålaante
3. Forma -land i Nom Sg blir merka +Use/NG
4. Former på -land i oblike former blir merka +Err/Orth

Lemma som ikkje skal inn i stavekontrollen - +Err/Lex

Bakgrunnen for dette er ord i leksikon som ikkje er skal inn i stavekontrollen, men som likevel skal bli generert. Døme på slike ord er cubanske, juni.

Desse blir merka med +Err/Lex i leksikon. Dei kjem med i genereringsfilene, men ikkje i den normative fila.

Leksikalsk homonymi: identifisere riktig lemma

Lemmaene er homonyme, men det er samantisk forskjell og forskjellige bøyningsparadigmer. I nordsamisk skiller vi de fleste med G3- og Actor-tagger, fordi det er systematikk for store grupper av lemmaer. Når det er snakk om enkelttilfeller, gir vi disse arbitrære taggar +Hom1, +Hom2, … (nummerert oppover ad lib). Taggane blir lagt inn i leksikon før POS, men burde flyttast til etter POS i kompileringa.

• Eksempler:
  • govledh+Hom1 - kl. IV å høre
  • govledh+Hom2 - kl. V å høres

Varianter under samme lemma: sortere bøyningsformer til riktig grunnform - v1, v2 osv

Ortografiske varianter av samme lemma, dvs. grunnform og ihvertfall deler av bøyingsparadigmet, bør i fst sorteres under samme lemma. Men vi legger til en tag for å kunne sortere bøyningsparadigmene til riktig grunnform.

Vi brukar taggane +v1, +v2, … (nummerert oppover ad lib) for å skille mellom de ulike paradigmene.

• Eksempler:
  • rektore+v1:rektore
  • rektore+v2:rektovre

Hvis grunnformen er den samme, men det er to mulige bøyningsparadigmer, bruker vi ikke denne merkinga.