Difference between revisions of "Basque and Spanish/informe 2008"
Line 12: | Line 12: | ||
*lemas monolingüe euskera: 6.187 (más 5.150 lemas con paradigma asignado pero que están comentados, al no tener ninguna correspondencia en el diccionario bilingüe) |
*lemas monolingüe euskera: 6.187 (más 5.150 lemas con paradigma asignado pero que están comentados, al no tener ninguna correspondencia en el diccionario bilingüe) |
||
*correspondencias en el diccionario bilingüe: 12.259 (muchas de las cuales no están en el monolingüe euskera, por lo que no tienen utilidad por ahora, aunque sí tienen categoría asignada; además de estas 12.000, el bilingüe contiene 7.000 entradas más que no tienen categoría asignada ni están en el bilingüe; se han dejado muchas de ellas pueden ser útiles en el futuro y aprovechables con un poco de trabajo informático) |
*correspondencias en el diccionario bilingüe: 12.259 (muchas de las cuales no están en el monolingüe euskera, por lo que no tienen utilidad por ahora, aunque sí tienen categoría asignada; además de estas 12.000, el bilingüe contiene 7.000 entradas más que no tienen categoría asignada ni están en el bilingüe; se han dejado porque muchas de ellas pueden ser útiles en el futuro y aprovechables con un poco de trabajo informático). |
||
Otra fuente de lemas que puede aprovecharse con un poco de trabajo de procesamiento es el archivo eu_changes_morph.xml de Matxin. Contiene entradas com estas: |
|||
<pre> |
|||
<e><p><l>Europako_Kontseilu[IZE][IZB]</l><r>kontseilu[IZE][ARR]</r></p></e> |
|||
<e><p><l>Amnistiaren_Aldeko_Batzordeak[IZE][IZB]</l><r>batzorde[IZE][ARR]+[NUMP]</r></p></e> |
|||
<e><p><l>txoko_ekologiko[IZE][ARR]</l><r>ekologiko[ADJ][IZO]</r></p></e> |
|||
</pre> |
|||
Nuestro diccionario bilingüe contiene estas entradas: |
|||
<pre> |
|||
</pre> |
|||
*reglas de transferencia: |
*reglas de transferencia: |
||
**t1x: 170 reglas |
**t1x: 170 reglas |
Revision as of 14:13, 21 July 2008
Contents
Apertium eu-es: descripción y cuestiones pendientes
Por qué
El objetivo de apertium-eu-es no es tanto el de generar textos que puedan después ser posteditados sino más bien la de permitir que personas que no conocen el euskara pero sí el español puedan hacerse una idea del significado del texto (es decir, vale más para la asimilación que para la diseminación).
La versión que se está desarrollando está pensada para traducir noticias del diario Berria y el vocabulario se está completandoo para adaptarlo a este dominio.
Los diccionarios de apertium-eu-es provienen de los diccionarios libres de Matxin.
Situación actual
- lemas monolingüe euskera: 6.187 (más 5.150 lemas con paradigma asignado pero que están comentados, al no tener ninguna correspondencia en el diccionario bilingüe)
- correspondencias en el diccionario bilingüe: 12.259 (muchas de las cuales no están en el monolingüe euskera, por lo que no tienen utilidad por ahora, aunque sí tienen categoría asignada; además de estas 12.000, el bilingüe contiene 7.000 entradas más que no tienen categoría asignada ni están en el bilingüe; se han dejado porque muchas de ellas pueden ser útiles en el futuro y aprovechables con un poco de trabajo informático).
Otra fuente de lemas que puede aprovecharse con un poco de trabajo de procesamiento es el archivo eu_changes_morph.xml de Matxin. Contiene entradas com estas:
<e><p><l>Europako_Kontseilu[IZE][IZB]</l><r>kontseilu[IZE][ARR]</r></p></e> <e><p><l>Amnistiaren_Aldeko_Batzordeak[IZE][IZB]</l><r>batzorde[IZE][ARR]+[NUMP]</r></p></e> <e><p><l>txoko_ekologiko[IZE][ARR]</l><r>ekologiko[ADJ][IZO]</r></p></e>
Nuestro diccionario bilingüe contiene estas entradas:
- reglas de transferencia:
- t1x: 170 reglas
- t2x: 47 reglas
- t3x: 20 reglas
Diccionarios morfológicos
1. Cambios respecto a Matxin
Se han convertido los diccionarios de Matxin y se han hecho varios cambios. Los principales son:
- las aglutinaciones o "declinaciones" se tratan como formas léxicas separadas, (etxea en Matxin era nombre absolutivo singular, en Apertium es nombre + determinante singular):
gizonentzat : gizon.n + a.det.pl + tzat.post
El absolutivo no se marca
gizonak : gizon.n + a.det.pl
Los determinantes y las posposiciones reciben un lema mnemónico, uno por caso:
gizonei : gizon.n + a.det.pl + i.post Mirenekin : Miren.NP + kin.post katuarentzat : katu.n + a.det.sg + tzat.post
Las posposiciones que puede modificar un sintagma nominal se marcan explícitamente como ko
etxeetako: etxe.n + a.det.pl + ko.post.ko Mikelekin : Mikel.NP + kin.post Mikelekiko : Mikel.NP + kin.post.ko
- se han sacado de los paradigmas los morfemas de derivación, se han dejado sólo los de flexión / aglutinación. Hacían aumentar enormemente el volumen de los diccionarios, ya que se aplicaban en todas las palabras, tanto si la forma derivada existía en el lenguaje real como si no. Algunos morfemas, son, p. ej. -pean (ahopean, kontrolpean, isilpean, lelopean); -arazi (gozarazi, lotsarazi); -txo (aitatxo, apurtxo). Algunas de las posibles palabras derivadas se han introducido en el diccionario como palabras completas. Hay que estudiar si sería conveniente volver a introducir algunos de los morfemas más productivos, como arazi.
2. Elección de categorías: dudas
Possessives
A problem appears with "possessives" like 'nire', 'gure', 'zuen', 'haien', 'bere'. Should they be treated as preadjectives ('izenlagun') or as genitive constructs:
nire: ni.pron.sg + ren.post.ko haien : hura.pron.pl + ren.post.ko
Decisión final: son analizadas con sus morfemas de genitivo para ofrecer un análisis morfológico fiel a la realidad.
Undefined determiners (or quantifiers)
There are some words in basque that could be considered as adjectives or as quantifiers (asko, gehiegi, nahiko, etc.).
Like determiners and unlike adjectives, they can signal the end of a SN. This is a reason why they shouldn't be tagged as adjectives.
They can also be followed by another deteminer ('etxe askoa').
Matxin dictionaries tag them as undefined determiners. We decided to tag them this way, with a distinction for the ones that come usually before the noun, like the adjectives 'izenlagun' (for example, 'nahiko').
Posposiciones aglutinadas y separadas, adverbios, conjunciones
Las posposiciones pegadas a la palabra precedente són analizadas como <post> (etxean - etxe<n>+an<post>) y son traducidas al castellano como preposiciones. Existen otras posposiciones que se escriben como palabras independientes, pero cuya función és igual a la de las posposiciones anteriores, y que se traducen al castellano también como preposiciones. Para estas, se ha escogido la etiqueta <spost> (separate postposition). Estas son, a día de hoy: antzera, menpe, begira, arteraino, aldera, buruz, bitartez, zehar, bila, gorabehera, izan ezik, esker, esku, barik, gabe, inguru, gainero, gain, ustez, iduriko, kanpo, alde, kontra, aurka, aburuz, esanetan, arabera, gero, arte, salbu. Su paradigma incluye las posposiciones pertinentes (kontrako, etc.).
[--85.56.130.83 19:23, 17 July 2008 (UTC): estas posposiciones tienen un problema: que siguen a otras postposiciones. Esto puede afectar en un futuro a restricciones reglas de tipo "forbid". En cualquier caso, las clasificaría de acuerdo con la postposición que les precede. Por ejemplo, las que siguen a z.post, las que siguen a ko.post.ko, etc.]
Por otro lado tenemos lo que hemos etiquetado como conjunciones adverbiales (cnjadv) y los adverbios de genitivo (<adv><gen>). Sus características y función se confunden con las de las posposiciones, por lo que no tenemos muy claro qué hacer con ellas.
Las cnjadv son por ahora: harik eta, arren, eta gero, ez ezik, ezean, ezik, nahiz, ere; -nean, -nez-, -lakoan, -lako.
[--Mlforcada 19:26, 17 July 2008 (UTC): ¡cuidado! Algunas de estas van por delante "harik eta", "nahiz eta"]
Sobre los adverbios de genitivo
Basque has constructions to express positions relative to an object which are based around what we could call positional nouns. For instance the positional noun 'aurre' (front part) is used in 'etxearen aurrean' (in front of the house) or 'etxearen aurretik' (starting at the front of the house). Here is a non-exhaustive list of these positional nouns:
- aurre (front)
- atze (back)
- ondo (side, back)
- albo (side)
- azpi (below)
- gain (on)
- alde (side)
- inguru (around)
- barru (in)
- pare (front of)
These nouns can take the cases -tik, -ra, -rantz/-runtz, -raino, an and ko.
When these nouns appear with one of these postpositions, they have the function of an adverb (aurrean -> in front of) and the preceding noun appears in genitive (etxearen aurrean).
En el diccionario se han añadido las palabras resultantes de combinar estos nombres posicionales con estas posposiciones, y se les ha asignado las etiquetas <adv><gen> (excepto 'aldera' que se ha puesto como <spost> únicamente).
[--Mlforcada 19:26, 17 July 2008 (UTC): no me gusta adv.gen; creo que en euskara se pueden clasificar bastante bien las categorías de las palabras según a qué palabras siguen y a qué palabras preceden. Por ejemplo, "aurreko" debe seguir a un genitivo o absolutivo y estar seguido de componentes de SN, mientras que "aurrean" puede ir seguido de cualquier cosa (categoría similar al adverbio). No parece lógico que tengan la misma categoría .]
Posposiciones separables
Son posposiciones que aparecen a continuación de un SN o SP (es decir, SN más una posposición). El sintagma resultante puede tener la función de adverbio (por lo tanto, de complemento circunstancial), o de adjetivo si se utiliza la forma con -ko:
después de un SN en genitivo
- GEN kontra[ko] (against)
- GEN aurka[ko] (against)
- GEN alde (for)
- GEN arabera (according to)
después de un SN en absolutivo o en otros casos:
- ABS|PART gabe[ko] (without)
- ABS|ERG| salbu (except)
- INSTR gain (in addition to)
- DAT esker (thanks to)
- ADL (ABS) arte (until)
- ABS inguru (around)
Verbos
Sólo se han convertido y tratado las formas verbales del modo indicativo. Falta decidir los símbolos morfológicos y los lemas, así como tratar en el transfer adecuadamente, de los modos subjuntivo, potencial, condicional e imperativo.
Las categorías de los verbos son: sintéticos (vbsint), léxicos (o analíticos) (vblex) y perifrásticos (vbper).
Cosas pendientes
las palabras 'ohi' y 'bide' no tienen categoría definitiva asignada ni se traducen correctamente. En comparación con ellas, 'ote' está etiquetado como 'part' y se traduce bien.
Tagger
- palabras que desambigua mal porque analiza en todas sus partes y no como una sola palabra. El apilamiento de colas que realiza el tagger favorece la interpretación larga. Son candidatas a lexicalización en el tsx. Entre paréntesis aparece la forma errónea que da Apertium.
- dagoeneko: ya (*del que está)
- zergatik: por qué (*desde el impuesto)
- artean: entre (*en el arte)
- dena: todo (*el que es)
- arren:aunque (*de los palmos/de los de macho)
- gutxienez: por lo menos (*por lo menos por los) (aquí el tagger escoge la categoría correcta pero añade al final la cola de la otra)
- kultura: cultura (*al culto)
- zurekin: contigo (*con las maderas)
- aterako dira: saldrán (*a la puerta son)
- hartzen du: coge (*de los de oso tiene)
- ezagutzen dugu: conocemos (*de los concimientos tenemos)
Una posible solución para aterako dira, hartzen du y problemas análogos es añadir los verbos auxiliares (dira, etc.) en el paradigma de los verbos, de modo que la interpretación verbal sea la única posible.
Las posposiciones como artean también podrían añadirse a los paradigmas de las demás posposiciones, de manera que se eliminarían las demás interpretaciones.
Transferencia
Apertium eu-es funciona con tres módulos de transferencia.
Operaciones en el primer módulo:
Cosas pendientes
- El sistema no puede generar verbos reflexivos en castellano. Habría que etiquetarlos de alguna manera en el diccionario bilingüe, el monolingüe o en el módulo de transferencia, y hacer la generación de los pronombres reflexivos.
Ejemplo:
jaiki: levantarse gerturatu: acercarse ahalegindu: esforzarse zaletu: aficionarse bere buruaz beste egin: suicidarse
En algunos casos habría que distinguir entre usos transitivos e intransitivos de los verbos (verbos NOR, NOR-NORK, NOR-NORI, NOR-NORI-NORK)
hurbildu zen: se aproximó hurbildu zuen: aproximó lotsatu zen: se avergonzó
Lo que también valdría para la elección del lema correcto:
atera zen: salió atera zuen: sacó