Prinsipp for lemmatisering av samiske språk

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 på sørsamisk cubanske, juni, og det kan være behov for det i nordsamisk også.

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 NomAg-tagger, fordi det er systematikk for store grupper av lemmaer.

Nom	Gen	norsk	norm-fst-analyse
lohkki	lohki	lokk	lohkki+N+Sg+Nom
lohkki	lohkki	lesar	lohkki+N+NomAg+Sg+Nom
beassi	beasi	reir	beassi+N+Sg+Nom
beassi	beassi	never	beassi+G3+N+Sg+Nom

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 fra sørsamisk:
  • govledh+Hom1 - kl. IV å høre 0 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 skilje mellom dei ulike paradigmene.

• Eksempler:
  • sihkar+v1:sihkar
  • sihkar+v2:sihkkar

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