Difference between revisions of "Apertium, Tvorba novej dvojice jazykov"

From Apertium
Jump to navigation Jump to search
 
(10 intermediate revisions by one other user not shown)
Line 3: Line 3:
   
 
Tento dokument popíše, ako vytvorit novú dvojicu jazykov pre Apertium, systém pre strojový preklad, od začiatku.
 
Tento dokument popíše, ako vytvorit novú dvojicu jazykov pre Apertium, systém pre strojový preklad, od začiatku.
This HOWTO document will describe how to start a new language pair for the Apertium machine translation system from scratch.
 
   
 
Nepredpokladá žiadne znalosti ohľadom ligvistiky alebo strojového prekladu okrem schopnosti rozlišovať slovné druhy.
 
Nepredpokladá žiadne znalosti ohľadom ligvistiky alebo strojového prekladu okrem schopnosti rozlišovať slovné druhy.
It does not assume any knowledge of linguistics, or machine translation above the level of being able to distinguish nouns from verbs (and prepositions etc.)
 
   
 
==Úvod==
 
==Úvod==
==Introduction==
 
   
 
Apertium je, ako ste si už pravdepodobne uvedomili, systém pre strojový preklad. Nie je to však presné, ide o platformu pre strojový preklad. Poskytuje podklad a nástroje ktoré vám umožnia vybudovať si takýto systém. Jediné, čo musíte robiť, je poskytnúť mu dáta, obsahujúce trojicu slovníkov a pravidlá pre poradie slov a gramatiku.
 
Apertium je, ako ste si už pravdepodobne uvedomili, systém pre strojový preklad. Nie je to však presné, ide o platformu pre strojový preklad. Poskytuje podklad a nástroje ktoré vám umožnia vybudovať si takýto systém. Jediné, čo musíte robiť, je poskytnúť mu dáta, obsahujúce trojicu slovníkov a pravidlá pre poradie slov a gramatiku.
 
Apertium is, as you've probably realised by now, a machine translation system. Well, not quite, it's a machine translation platform. It provides an engine and toolbox that allow you to build your own machine translation systems. The only thing you need to do is write the data. The data consists, on a basic level, of three dictionaries and a few rules (to deal with word re-ordering and other grammatical stuff).
 
   
 
Pre podrobnejší úvod do fungovania celého systému, na stránke [[Publications]] nájdete výborné zdroje.
 
Pre podrobnejší úvod do fungovania celého systému, na stránke [[Publications]] nájdete výborné zdroje.
For a more detailed introduction into how it all works, there are some excellent papers on the [[Publications]] page..
 
   
 
==Čo budete potrebovať==
 
==Čo budete potrebovať==
==You will need==
 
 
   
 
* [[lttoolbox]] (>= 3.0.0)
 
* [[lttoolbox]] (>= 3.0.0)
Line 26: Line 18:
 
* apertium (>= 3.0.0)
 
* apertium (>= 3.0.0)
 
* textový editor (alebo XML editor)
 
* textový editor (alebo XML editor)
 
* [[lttoolbox]] (>= 3.0.0)
 
* libxml utils (xmllint etc.)
 
* apertium (>= 3.0.0)
 
* a text editor (or a specialised XML editor if you prefer)
 
   
 
Inštaláciu týchto programov popisuje dokumentácia projektu Apertium.
 
Inštaláciu týchto programov popisuje dokumentácia projektu Apertium.
This document will not describe how to install these packages, for more information please see the documentation section of the Apertium website.
 
   
 
==Z čoho pozostáva jazyková dvojica?==
 
==Z čoho pozostáva jazyková dvojica?==
==What does a language pair consist of?==
 
   
Apertium je shallow-transfer systém pre strojový preklad. To znamená, že pracuje zo slovníkmi a pravidlami na preklad, na rozdiel od deep-transfer systémov, ktoré vykonávajú plnú syntaktickú analýzu. Pravidlá obyčajne popisujú operácie nad skupinami lexikálnych jednotiek, nie nad syntaktickými stromami. V podstate obsahuje trojicu slovníkov:
+
Apertium je systém s plytkým prenosom pre strojový preklad. To znamená, že pracuje zo slovníkmi a pravidlami na preklad, na rozdiel od systémov s hlbokým prenosom, ktoré vykonávajú plnú syntaktickú analýzu. Pravidlá obyčajne popisujú operácie nad skupinami lexikálnych jednotiek, nie nad syntaktickými stromami. V podstate obsahuje trojicu slovníkov:
 
#Morfologický slovník pre jazyk xx obsahuje pravidlá pre skloňovanie a časovanie slov v jazyku xx. V našom príklade sa bude nazývať <code>apertium-sh-en.sh.dix</code>
 
#Morfologický slovník pre jazyk xx obsahuje pravidlá pre skloňovanie a časovanie slov v jazyku xx. V našom príklade sa bude nazývať <code>apertium-sh-en.sh.dix</code>
 
#Morfologický slovník pre jazyk yy obsahuje pravidlá pre skloňovanie a časovanie slov v jazyku yy. V našom príklade sa bude nazývať code>apertium-sh-en.en.dix</code>
 
#Morfologický slovník pre jazyk yy obsahuje pravidlá pre skloňovanie a časovanie slov v jazyku yy. V našom príklade sa bude nazývať code>apertium-sh-en.en.dix</code>
 
#Dvojjazyčný slovník obsahuje spojenia medzi slovami a symbolmi oboch jazykov. V našom príklade sa bude nazývať <code>apertium-sh-en.sh-en.dix</code>
 
#Dvojjazyčný slovník obsahuje spojenia medzi slovami a symbolmi oboch jazykov. V našom príklade sa bude nazývať <code>apertium-sh-en.sh-en.dix</code>
Apertium is a shallow-transfer type machine translation system. Thus, it basically works on dictionaries and shallow transfer rules. In operation, shallow-transfer is distinguished from deep-transfer in that it doesn't do full syntactic parsing, the rules are typically operations on groups of lexical units, rather than operations on parse trees. At a basic level, there are three main dictionaries:
 
# The morphological dictionary for language xx: this contains the rules of how words in language xx are inflected. In our example this will be called: <code>apertium-sh-en.sh.dix</code>
 
# The morphological dictionary for language yy: this contains the rules of how words in language yy are inflected. In our example this will be called: <code>apertium-sh-en.en.dix</code>
 
# Bilingual dictionary: contains correspondences between words and symbols in the two languages. In our example this will be called: <code>apertium-sh-en.sh-en.dix</code>
 
   
 
Oba jazyky vo dvojici môžu byť rovnako cieľ aj zdroj prekladu.
 
Oba jazyky vo dvojici môžu byť rovnako cieľ aj zdroj prekladu.
In a translation pair, both languages can be either source or target for translation, these are relative terms.
 
   
 
Taktiež existujú dva súbory pre pravidlá prepisu. Tieto pravidlá riadia poradie slov vo vete, ako napr. chat noir -> cat black -> black cat. Naviac riadia zhody v rode, čísle atď. Tieto pravidlá môžu vkladať alebo mazať lexikálne položky, ako bude popísané neskôr. Tieto súbory sú:
 
Taktiež existujú dva súbory pre pravidlá prepisu. Tieto pravidlá riadia poradie slov vo vete, ako napr. chat noir -> cat black -> black cat. Naviac riadia zhody v rode, čísle atď. Tieto pravidlá môžu vkladať alebo mazať lexikálne položky, ako bude popísané neskôr. Tieto súbory sú:
 
There are also two files for transfer rules. These are the rules that govern how words are re-ordered in sentences, e.g. chat noir -> cat black -> black cat. It also governs agreement of gender, number etc. The rules can also be used to insert or delete lexical items, as will be described later. These files are:
 
   
 
* pravidlá pre prepis z jazyka xx do jazyka yy, popisujúce zmeny jazyka xx pri preklade do jazyka yy. V našom príklade budú v súbore <code>apertium-sh-en.sh-en.t1x</code>
 
* pravidlá pre prepis z jazyka xx do jazyka yy, popisujúce zmeny jazyka xx pri preklade do jazyka yy. V našom príklade budú v súbore <code>apertium-sh-en.sh-en.t1x</code>
 
* pravidlá pre prepis z jazyka yy do jazyka xx, popisujúce zmeny jazyka yy pri preklade do jazyka xx. V našom príklade budú v súbore <code>apertium-sh-en.en-sh.t1x</code>
 
* pravidlá pre prepis z jazyka yy do jazyka xx, popisujúce zmeny jazyka yy pri preklade do jazyka xx. V našom príklade budú v súbore <code>apertium-sh-en.en-sh.t1x</code>
 
* language xx to language yy transfer rules: this file contains rules for how language xx will be changed into language yy. In our example this will be: <code>apertium-sh-en.sh-en.t1x</code>
 
* language yy to xx language transfer rules: this file contains rules for how language yy will be changed into language xx. In our example this will be: <code>apertium-sh-en.en-sh.t1x</code>
 
   
 
Veľké množstvo jazykových dvojíc má aj ďalšie súbory, no tu sa nimi nebudeme zaoberať. Vyššie popísané súbory stačia na vytvorenie funkčného systému.
 
Veľké množstvo jazykových dvojíc má aj ďalšie súbory, no tu sa nimi nebudeme zaoberať. Vyššie popísané súbory stačia na vytvorenie funkčného systému.
Many of the language pairs currently available have other files, but we won't cover them here. These files are the only ones required to generate a functional system.
 
   
 
==Dvojica jazykov==
 
==Dvojica jazykov==
==Language pair==
 
   
 
Ako ste už možno zistili z názvov súborov, tento návod použije ako príklad Srbochorváčtiny do Angličtiny, aby vysvetlil spôsob tvorby základného systému. Nie je to ideálna dvojica, pretože systém pracuje lepšie pre príbuzné jazyky, no nebude to problém pre jednoduché príklady použité v dokumente.
 
Ako ste už možno zistili z názvov súborov, tento návod použije ako príklad Srbochorváčtiny do Angličtiny, aby vysvetlil spôsob tvorby základného systému. Nie je to ideálna dvojica, pretože systém pracuje lepšie pre príbuzné jazyky, no nebude to problém pre jednoduché príklady použité v dokumente.
As may have been alluded to by the file names, this HOWTO will use the example of translating Serbo-Croatian to English to explain how to create a basic system. This is not an ideal pair, since the system works better for more closely related languages. This shouldn't present a problem for the simple examples given here.
 
   
 
==Krátka poznámka o pojmoch==
 
==Krátka poznámka o pojmoch==
==A brief note on terms==
 
   
 
Je zopár pojmov, ktoré treba chápať pre tvorbu novej dvojice.
 
Je zopár pojmov, ktoré treba chápať pre tvorbu novej dvojice.
There are number of terms that will need to be understood before we continue.
 
   
 
Prvý je ''lemma''. Lemma je základný tvar slova, ako býva uvedená v slovníkoch. Napríklad lemma slova mačkami je ''mačka''. V Angličtine to bude väčšinou jednotné číslo podstatného mena, alebo neurčitok slovesa bez to.
 
Prvý je ''lemma''. Lemma je základný tvar slova, ako býva uvedená v slovníkoch. Napríklad lemma slova mačkami je ''mačka''. V Angličtine to bude väčšinou jednotné číslo podstatného mena, alebo neurčitok slovesa bez to.
The first is ''lemma''. A lemma is the citation form of a word. It is the word stripped of any grammatical information. For example, the lemma of the word cats is ''cat''. In English nouns this will typically be the singular form of the word in question. For verbs, the lemma is the infinitive stripped of to, e.g. the lemma of ''was'' would be ''be''.
 
   
Ďalší pojem je ''symbol''. V kontexte systému Apertium, symbol je gramatická vlastnosť. Slovo mačky je množné číslo podstatného mena, preto bude mať symbly podstatné meno a plurál. Na vstupe a výstupe modulov pre Apertium, symboly bývajú väčšinou určené medzi ostrými zátvorkami:
+
Ďalší pojem je ''symbol''. V kontexte systému Apertium, symbol je gramatická vlastnosť. Slovo mačky je množné číslo podstatného mena, preto bude mať symboly podstatné meno a plurál. Na vstupe a výstupe modulov pre Apertium, symboly bývajú väčšinou určené medzi ostrými zátvorkami:
The second is ''symbol''. In the context of the Apertium system, symbol refers to a grammatical label. The word cats is a plural noun, therefore it will have the noun symbol and the plural symbol. In the input and output of Apertium modules these are typically given between angle brackets, as follows:
 
   
 
* <code><n></code>; for noun.
 
* <code><n></code>; for noun.
 
* <code><pl></code>; for plural.
 
* <code><pl></code>; for plural.
   
Iné príklady symbolov sú <sg> singular, <p1> prvá osoba, atď. Napísané v ostrých zátvorkách, symboly môžu byť označované ako tagy. Je vhodné poznamenať, že v časti dvojíc jazykov sú menjá symbolov vytvorené skrátením Katalánčiny, ako napríklad vbhaver, vb (verb) a haver ("mať" v Katalánčine). Symboly sú definované v <sdef> tagoch a používane v <nowiki><s></nowiki> tagoch.
+
Iné príklady symbolov sú <sg> singular, <p1> prvá osoba, atď. Napísané v ostrých zátvorkách, symboly môžu byť označované ako tagy. Je vhodné poznamenať, že v časti dvojíc jazykov sú mená symbolov vytvorené skrátením Katalánčiny, ako napríklad vbhaver, vb (verb) a haver ("mať" v Katalánčine). Symboly sú definované v <sdef> tagoch a používane v <nowiki><s></nowiki> tagoch.
Other examples of symbols are <sg> singular, <p1> first person, <pri> present indicative, etc. When written in angle brackets, the symbols may also be referred to as tags. It is worth noting that in many of the currently available language pairs the symbol definitions are acronyms or contractions of words in Catalan. For example, vbhaver — from vb (verb) and haver ("to have" in Catalan). Symbols are defined in <sdef> tags and used in <nowiki><s></nowiki> tags.
 
   
 
Tretí výraz je ''paradigma''. V systéme Apertium, paradigma popisuje príklad, ako sa určitá skupina slov ohýba. V morfologickom slovníku sú lemmy spojené s paradigmami, ktoré nám dovolujú popisovať, ako sa daná lema ohýba bez toho, aby sme museli vypisovať všetky koncovky.
 
Tretí výraz je ''paradigma''. V systéme Apertium, paradigma popisuje príklad, ako sa určitá skupina slov ohýba. V morfologickom slovníku sú lemmy spojené s paradigmami, ktoré nám dovolujú popisovať, ako sa daná lema ohýba bez toho, aby sme museli vypisovať všetky koncovky.
The third word is ''paradigm''. In the context of the Apertium system, paradigm refers to an example of how a particular group of words inflect. In the morphological dictionary, lemmas (see above) are linked to paradigms that allow us to describe how a given lemma inflects without having to write out all of the endings.
 
   
 
Ako príklad užitočnosti paradigiem, keby sme chceli uložiť dve anglické prídavné mená ''happy'' a ''lazy'', namiesto okladania dva krát tej istej veci:
 
Ako príklad užitočnosti paradigiem, keby sme chceli uložiť dve anglické prídavné mená ''happy'' a ''lazy'', namiesto okladania dva krát tej istej veci:
An example of the utility of this is, if we wanted to store the two adjectives ''happy'' and ''lazy'', instead of storing two lots of the same thing:
 
   
 
* happy, happ (y, ier, iest)
 
* happy, happ (y, ier, iest)
 
* lazy, laz (y, ier, iest)
 
* lazy, laz (y, ier, iest)
   
Môžeme jednoducho uložiť jedno a potom povedať "lazy, skloňuje sa ako happy", ale aj shy inflects like happy", "naughty inflects like happy", "friendly inflects like happy", atď. V tomto príklade, happy by bolo paradigmou, modelom pre ohýbanie iných slov. Presná definícia bude vysvetlená o chvíľu. Paradigmy sú definovaný tagom <pardef>, používané tagom <par>.
+
Môžeme jednoducho uložiť jedno a potom povedať "lazy, skloňuje sa ako happy", ale aj shy, skloňuje sa ako happy", "naughty, skloňuje sa ako happy", "friendly, skloňuje sa ako happy", atď. V tomto príklade, happy by bolo paradigmou, modelom pre ohýbanie iných slov. Presná definícia bude vysvetlená o chvíľu. Paradigmy sú definovaný tagom <pardef>, používané tagom <par>.
We can simply store one, and then say "lazy, inflects like happy", or indeed "shy inflects like happy", "naughty inflects like happy", "friendly inflects like happy", etc. In this example, happy would be the paradigm, the model for how the others inflect. The precise description of how this is defined will be explained shortly. Paradigms are defined in <pardef> tags, and used in <par> tags.
 
   
 
==Začíname==
 
==Začíname==
==Getting started==
 
 
 
<!-- Ur yezh indezeuropek eo ar brezhoneg -->
 
<!-- Ur yezh indezeuropek eo ar brezhoneg -->
   
==Jednojazyčné slovníky==
+
===Jednojazyčné slovníky===
===Monolingual dictionaries===
 
 
{{see-also|List of dictionaries|Incubator}}
 
{{see-also|List of dictionaries|Incubator}}
   
 
Začnime tvorbou nášho prvého slovníka. Slovník je XML súbor. Spustite váš textový editor a napíšte:
 
Začnime tvorbou nášho prvého slovníka. Slovník je XML súbor. Spustite váš textový editor a napíšte:
Let's start by making our first source language dictionary. The dictionary is an XML file. Fire up your text editor and type the following:
 
 
   
 
<pre>
 
<pre>
Line 119: Line 78:
 
</pre>
 
</pre>
 
Zatiaľ tento súbor definuje, že chcemem vetvoriť slovník. Aby bol užitočný, treba pridať viac vstupov, prvým je abeceda. Definuje množinu písmen použivaných v Srbochorvátskom slovníku. Bude vyzerať nasledovne, obsahuje všetky znaky Srbochorvátskej abecedy:
 
Zatiaľ tento súbor definuje, že chcemem vetvoriť slovník. Aby bol užitočný, treba pridať viac vstupov, prvým je abeceda. Definuje množinu písmen použivaných v Srbochorvátskom slovníku. Bude vyzerať nasledovne, obsahuje všetky znaky Srbochorvátskej abecedy:
So, the file so far defines that we want to start a dictionary. In order for it to be useful, we need to add some more entries, the first is an alphabet. This defines the set of letters that may be used in the dictionary, for Serbo-Croatian. It will look something like the following, containing all the letters of the Serbo-Croatian alphabet:
 
 
<pre>
 
<pre>
 
<alphabet>ABCČĆDDžĐEFGHIJKLLjMNNjOPRSŠTUVZŽabcčćddžđefghijklljmnnjoprsštuvzž</alphabet>
 
<alphabet>ABCČĆDDžĐEFGHIJKLLjMNNjOPRSŠTUVZŽabcčćddžđefghijklljmnnjoprsštuvzž</alphabet>
Line 125: Line 83:
   
 
Abecedu umiestnite pod tag <dictionary>.
 
Abecedu umiestnite pod tag <dictionary>.
Place the alphabet below the <dictionary> tag.
 
   
 
Ďalej musíme definovať symboly. Začnime so základmi, podstatné meno (n) môže byť v singulári (sg) alebo v pluráli (pl).
 
Ďalej musíme definovať symboly. Začnime so základmi, podstatné meno (n) môže byť v singulári (sg) alebo v pluráli (pl).
Next we need to define some symbols. Let's start off with the simple stuff, noun (n) in singular (sg) and plural (pl).
 
 
<pre>
 
<pre>
 
<sdefs>
 
<sdefs>
Line 137: Line 93:
 
</pre>
 
</pre>
   
Mená symoblov nemusia byť krátke, no pretože ich budete opakovane písať, je výhodné ich skrátiť.
+
Mená symbolov nemusia byť krátke, no pretože ich budete opakovane písať, je výhodné ich skrátiť.
The symbol names do not have to be so small, in fact, they could just be written out in full, but as you'll be typing them a lot, it makes sense to abbreviate.
 
   
 
Naneštastie, nie je to také jednoduché, podstatné mená v Srbochorváčtine skloňuje okrem čísla aj rod a pád. Pre náš príklad však budeme predpokladať, že podstatné mená budú mužského rodu v nominatíve (kompletný príklad nájdete na konci dokumentu).
 
Naneštastie, nie je to také jednoduché, podstatné mená v Srbochorváčtine skloňuje okrem čísla aj rod a pád. Pre náš príklad však budeme predpokladať, že podstatné mená budú mužského rodu v nominatíve (kompletný príklad nájdete na konci dokumentu).
Unfortunately, it isn't quite so simple, nouns in Serbo-Croatian inflect for more than just number, they also inflect for gender and case. However, we'll assume for the purposes of this example that the noun is masculine and in the nominative case (a full example may be found at the end of this document).
 
   
 
Ďalej definujeme časť obsahujúcu paradigmy:
 
Ďalej definujeme časť obsahujúcu paradigmy:
  +
The next thing is to define a section for the paradigms,
 
 
<pre>
 
<pre>
 
<pardefs>
 
<pardefs>
Line 151: Line 105:
 
</pre>
 
</pre>
 
a slovníkovú časť:
 
a slovníkovú časť:
and a dictionary section:
 
 
<pre>
 
<pre>
 
<section id="main" type="standard">
 
<section id="main" type="standard">
Line 158: Line 111:
 
</pre>
 
</pre>
 
Sú dva typy sekcií, štandardná sekcia obsahujúca slová, príklonky atď. Druhý typ je [[inconditional section]], ktorá obyčajne obsahuje iterpunkciu atp. Takúto sekciu ešte nemáme.
 
Sú dva typy sekcií, štandardná sekcia obsahujúca slová, príklonky atď. Druhý typ je [[inconditional section]], ktorá obyčajne obsahuje iterpunkciu atp. Takúto sekciu ešte nemáme.
There are two types of sections, the first is a standard section, that contains words, enclitics, etc. The second type is an [[inconditional section]] which typically contains punctuation, and so forth. We don't have an inconditional section here.
 
   
 
Takže, náš súbor by mal vyzerať nasledovne:
 
Takže, náš súbor by mal vyzerať nasledovne:
So, our file should now look something like:
 
 
<pre>
 
<pre>
 
<?xml version="1.0" encoding="UTF-8"?>
 
<?xml version="1.0" encoding="UTF-8"?>
Line 180: Line 131:
   
 
Keď teraz máme kostru, môžeme začať pridaním podstatného mena. Podstatné meno bude 'gramofon' (čo znamená gramofón).
 
Keď teraz máme kostru, môžeme začať pridaním podstatného mena. Podstatné meno bude 'gramofon' (čo znamená gramofón).
Now we've got the skeleton in place, we can start by adding a noun. The noun in question will be 'gramofon' (which means 'gramophone' or 'record player').
 
   
 
Prvú vec, ktorú musíme spraviť, je definovať paradigmy, pretožie ešte žiadne nemáme.
 
Prvú vec, ktorú musíme spraviť, je definovať paradigmy, pretožie ešte žiadne nemáme.
The first thing we need to do, as we have no prior paradigms, is to define a paradigm.
 
   
 
Používame nominatív a mužský rod, pridáme teda len paradigmu pre singulár 'gramofon' a plurál 'gramofoni':
 
Používame nominatív a mužský rod, pridáme teda len paradigmu pre singulár 'gramofon' a plurál 'gramofoni':
Remember, we're assuming masculine gender and nominative case. The singular form of the noun is 'gramofon', and the plural is 'gramofoni'. So:
 
 
<pre>
 
<pre>
 
<pardef n="gramofon__n">
 
<pardef n="gramofon__n">
Line 193: Line 141:
 
</pardef>
 
</pardef>
 
</pre>
 
</pre>
Poznámka: tag '<l/>' (ekvivalnetné s <l></l>) znamená, že už netreba pridať ku kmeňu slova v singulári.
+
Poznámka: tag '<l/>' (ekvivalnetné s <l></l>) znamená, že už netreba nič pridať ku kmeňu slova v singulári.
Note: the '<l/>' (equivalent to <l></l>) denotes that there is no extra material to be added to the stem for the singular.
 
 
Možno to vyzerá ako celkom dlhý spôsob, ako to opísať, no je odôvodnený a rýchlo sa vám stane prirodzený. Zrejme vás zaujíma čo znamená <e>, <p>, <l> a <r>. Takže:
 
This may seem like a rather verbose way of describing it, but there are reasons for this and it quickly becomes second nature. You're probably wondering what the <e>, <p>, <l> and <r> stand for. Well,
 
   
  +
Možno to vyzerá ako celkom dlhý spôsob, ako to opísať, no je odôvodnený a rýchlo sa vám stane prirodzený. Zrejme vás zaujíma čo znamená <e>, <nowiki><p></nowiki>, <l> a <r>. Takže:
   
 
* e znamená záznam (entry).
 
* e znamená záznam (entry).
Line 204: Line 149:
 
* l znamená ľavý (left).
 
* l znamená ľavý (left).
 
* r znamená pravý (right).
 
* r znamená pravý (right).
 
* e, is for entry.
 
* p, is for pair.
 
* l, is for left.
 
* r, is for right.
 
   
 
Prečo pravý a ľavý? Morfologický slovík bude skompilovaný do konečného automatu. Kompilácia zľava doprava analyzuje slová, a kompilácia zprava doľava vytvára z analýzy slová. Napríklad:
 
Prečo pravý a ľavý? Morfologický slovík bude skompilovaný do konečného automatu. Kompilácia zľava doprava analyzuje slová, a kompilácia zprava doľava vytvára z analýzy slová. Napríklad:
Why left and right? Well, the morphological dictionaries will later be compiled into finite state machines. Compiling them left to right produces analyses from words, and from right to left produces words from analyses. For example:
 
 
<pre>
 
<pre>
 
* gramofoni (left to right) gramofon<n><pl> (analýza)
 
* gramofoni (left to right) gramofon<n><pl> (analýza)
Line 217: Line 156:
 
</pre>
 
</pre>
   
Teraz sme definovali paradigmu, potrebujeme ju spojiť s príslošnou lemmou, gramofon. Vložíme to teda do sekcie ktorú sme definovali.
+
Teraz sme definovali paradigmu, potrebujeme ju spojiť s príslušnou lemmou, gramofon. Vložíme to teda do sekcie ktorú sme definovali.
Now we've defined a paradigm, we need to link it to its lemma, gramofon. We put this in the section that we've defined.
 
   
 
Záznam pre túto sekciu vyzerá nasledovne:
 
Záznam pre túto sekciu vyzerá nasledovne:
The entry to put in the <section> will look like:
 
 
<pre>
 
<pre>
 
<e lm="gramofon"><i>gramofon</i><par n="gramofon__n"/></e>
 
<e lm="gramofon"><i>gramofon</i><par n="gramofon__n"/></e>
 
</pre>
 
</pre>
Rýchle rekapitulovanie pre skratky:
+
Rýchle rekapitulovanie skratiek:
A quick run down on the abbreviations:
 
   
 
* lm znamená lemma.
 
* lm znamená lemma.
Line 233: Line 169:
   
   
  +
Tento záznam popisuje lemmu slova gramofon, a jej koreň, gramofon, a paradigmu ktorá skloňuje gramofon_n. Rozdiel medzi lemmou a koreňom je že lemma je slovo v základnom tvare a koreň je jeho časť, ku ktorej sa pridávajú rôzne prípony. Bude to jasnejšie keď ukážeme záznam, kde sú tieto dve rozdielne.
* lm, is for lemma.
 
* i, is for identity (the left and the right are the same).
 
* par, is for paradigm.
 
 
Tento záznam popisuje lemmu slova gramofon, a jej koreň, gramofon, a paradigmu ktorá skloňuje gramofon_n. Rozdiel medzi lemmou a koreňom je že lemma je slovo v základnom tvare a koreň je jeho časť, ku ktorej sa pridávajú rôzne prípony. Bude to jasnejšie keď ukážeme záznam kde sú tieto dve rozdielne.
 
This entry states the lemma of the word, gramofon, the root, gramofon and the paradigm with which it inflects gramofon__n. The difference between the lemma and the root is that the lemma is the citation form of the word, while the root is the substring of the lemma to which stems are added. This will become clearer later when we show an entry where the two are different.
 
   
 
Teraz sme pripravenú vyskúšať náš slovník. Uložte ho, a vráťte sa do príkazového riadku. Najprv ho potrebujete skomilovať (s lt-comp) a potom otestovať (s lt-proc).
 
Teraz sme pripravenú vyskúšať náš slovník. Uložte ho, a vráťte sa do príkazového riadku. Najprv ho potrebujete skomilovať (s lt-comp) a potom otestovať (s lt-proc).
We're now ready to test the dictionary. Save it, and then return to the shell. We first need to compile it (with lt-comp), then we can test it (with lt-proc).
 
 
<pre>
 
<pre>
 
$ lt-comp lr apertium-sh-en.sh.dix sh-en.automorf.bin
 
$ lt-comp lr apertium-sh-en.sh.dix sh-en.automorf.bin
 
</pre>
 
</pre>
My malo vypísať:
+
By malo vypísať:
Should produce the output:
 
 
<pre>
 
<pre>
 
main@standard 12 12
 
main@standard 12 12
 
</pre>
 
</pre>
 
Pri kompilovaní zľava doprava vyrábame analyzátor. Vytvorme teda aj generátor.
 
Pri kompilovaní zľava doprava vyrábame analyzátor. Vytvorme teda aj generátor.
As we are compiling it left to right, we're producing an analyser. Lets make a generator too.
 
 
<pre>
 
<pre>
 
$ lt-comp rl apertium-sh-en.sh.dix sh-en.autogen.bin
 
$ lt-comp rl apertium-sh-en.sh.dix sh-en.autogen.bin
 
</pre>
 
</pre>
 
V tomto štádiu, by mal príkaz vypísať presne to isté.
 
V tomto štádiu, by mal príkaz vypísať presne to isté.
At this stage, the command should produce the same output.
 
   
 
Teraz ho môžeme otestovať. Spustite lt-proc na analyzátore:
 
Teraz ho môžeme otestovať. Spustite lt-proc na analyzátore:
  +
We can now test these. Run lt-proc on the analyser.
 
 
<pre>
 
<pre>
 
$ lt-proc sh-en.automorf.bin
 
$ lt-proc sh-en.automorf.bin
 
</pre>
 
</pre>
 
Na otestovanie, napíšte gramofoni (gramofóny) a sledujte výsledok:
 
Na otestovanie, napíšte gramofoni (gramofóny) a sledujte výsledok:
  +
Now try it out, type in gramofoni (gramophones), and see the output:
 
 
<pre>
 
<pre>
 
^gramofoni/gramofon<n><pl>$
 
^gramofoni/gramofon<n><pl>$
Line 270: Line 197:
   
 
Anglický slovník by sa konštruoval obdobne, len by sa nahradilo slovo gramofon anglickým výrazom gramophone a zmenil by sa tvar plurálu. Čo ak by ste však chceli použiť správnejšie slovo 'record player'? To vysvetlíme neskôr.
 
Anglický slovník by sa konštruoval obdobne, len by sa nahradilo slovo gramofon anglickým výrazom gramophone a zmenil by sa tvar plurálu. Čo ak by ste však chceli použiť správnejšie slovo 'record player'? To vysvetlíme neskôr.
Now, for the English dictionary, do the same thing, but substitute the English word gramophone for gramofon, and change the plural inflection. What if you want to use the more correct word 'record player'? Well, we'll explain how to do that later.
 
   
 
Teraz by ste mali mať v priečinku dva súbory:
 
Teraz by ste mali mať v priečinku dva súbory:
You should now have two files in the directory:
 
   
 
* apertium-sh-en.sh.dix obsahujúci základný srbochorvátsky morfologický slovník, a
 
* apertium-sh-en.sh.dix obsahujúci základný srbochorvátsky morfologický slovník, a
 
* apertium-sh-en.en.dix obsahujúci základný anglický morfologický slovník
 
* apertium-sh-en.en.dix obsahujúci základný anglický morfologický slovník
 
* apertium-sh-en.sh.dix which contains a (very) basic Serbo-Croatian morphological dictionary, and
 
* apertium-sh-en.en.dix which contains a (very) basic English morphological dictionary.
 
 
   
 
===Dvojjazyčný slovník===
 
===Dvojjazyčný slovník===
===Bilingual dictionary===
 
   
 
Teraz mámem dva morfologické slovníky, ďalší krok je tvorba dvojjazyčného slovníka, opisujúceho mapovanie medzi slovami. Všetky slovníky používaju ten istý formát, špecifikovaný v DTD, dix.dtd.
 
Teraz mámem dva morfologické slovníky, ďalší krok je tvorba dvojjazyčného slovníka, opisujúceho mapovanie medzi slovami. Všetky slovníky používaju ten istý formát, špecifikovaný v DTD, dix.dtd.
So we now have two morphological dictionaries, next thing to make is the bilingual dictionary. This describes mappings between words. All dictionaries use the same format (which is specified in the DTD, dix.dtd).
 
   
 
Vytvorte nový súbor, apertium-sh-en.sh-en.dix, a pridajte základnú kostru.
 
Vytvorte nový súbor, apertium-sh-en.sh-en.dix, a pridajte základnú kostru.
Create a new file, apertium-sh-en.sh-en.dix and add the basic skeleton:
 
 
<pre>
 
<pre>
 
<?xml version="1.0" encoding="UTF-8"?>
 
<?xml version="1.0" encoding="UTF-8"?>
Line 306: Line 224:
 
</pre>
 
</pre>
 
Teraz potrebujeme pridať záznam na preklad medzi dvoma slovami:
 
Teraz potrebujeme pridať záznam na preklad medzi dvoma slovami:
Now we need to add an entry to translate between the two words. Something like:
 
 
<pre>
 
<pre>
 
<e><p><l>gramofon<s n="n"/></l><r>gramophone<s n="n"/></r></p></e>
 
<e><p><l>gramofon<s n="n"/></l><r>gramophone<s n="n"/></r></p></e>
 
</pre>
 
</pre>
 
Pretože tu bude veľa takýchto záznamov, bývajú obyčajne kvôli čitateľnosti písané na jeden riadok. Znova používame 'l' a 'r'. Pri kompilácii zľava dostaneme preklad Srbochorváčtina → Angličtina a pri kompilácii zprava dostaneme preklad Angličtina → Srbochorváčtina.
 
Pretože tu bude veľa takýchto záznamov, bývajú obyčajne kvôli čitateľnosti písané na jeden riadok. Znova používame 'l' a 'r'. Pri kompilácii zľava dostaneme preklad Srbochorváčtina → Angličtina a pri kompilácii zprava dostaneme preklad Angličtina → Srbochorváčtina.
Because there are a lot of these entries, they're typically written on one line to facilitate easier reading of the file. Again with the 'l' and 'r' right? Well, we compile it left to right to produce the Serbo-Croatian → English dictionary, and right to left to produce the English → Serbo-Croatian dictionary.
 
   
 
Keď je toto hotové, spustite nasledujúce príkazy:
 
Keď je toto hotové, spustite nasledujúce príkazy:
So, once this is done, run the following commands:
 
 
<pre>
 
<pre>
 
$ lt-comp lr apertium-sh-en.sh.dix sh-en.automorf.bin
 
$ lt-comp lr apertium-sh-en.sh.dix sh-en.automorf.bin
Line 326: Line 241:
 
</pre>
 
</pre>
 
Aby ste vygenerovali morfologické analyzátory (automorf), morfologické generátory (autogen) a vyhľadávač slov (autobil, bil ako bilingválny).
 
Aby ste vygenerovali morfologické analyzátory (automorf), morfologické generátory (autogen) a vyhľadávač slov (autobil, bil ako bilingválny).
To generate the morphological analysers (automorf), the morphological generators (autogen) and the word lookups (autobil), the bil is for "bilingual".
 
   
 
===Pravidlá prenosu===
 
===Pravidlá prenosu===
===Transfer rules===
 
   
   
 
Teraz máme dva morfologické slovníka a dvojjazyčný slovník. Všetko, čo potrebujeme, sú pravidlá na prenos podstatných mien. Súbory popisujúce tieto pravidlá majú vlstný DTD (transfer.dtd), ktorý môžete nájsť v balíčku Apertium. Ak potrebujete vytvoriť pravidlo, často je dobrý nápad nazrieť do súborov pravidiel iných jazykových dvojíc. Veľa pravidiel môže byť znovu použitých aj medzi jazykmi. Napríklad, tento konkrétky popísaný nižie by bol užitočný pre každý jazyk so zamlčaným podmetom
 
Teraz máme dva morfologické slovníka a dvojjazyčný slovník. Všetko, čo potrebujeme, sú pravidlá na prenos podstatných mien. Súbory popisujúce tieto pravidlá majú vlstný DTD (transfer.dtd), ktorý môžete nájsť v balíčku Apertium. Ak potrebujete vytvoriť pravidlo, často je dobrý nápad nazrieť do súborov pravidiel iných jazykových dvojíc. Veľa pravidiel môže byť znovu použitých aj medzi jazykmi. Napríklad, tento konkrétky popísaný nižie by bol užitočný pre každý jazyk so zamlčaným podmetom
So, now we have two morphological dictionaries, and a bilingual dictionary. All that we need now is a transfer rule for nouns. Transfer rule files have their own DTD (transfer.dtd) which can be found in the Apertium package. If you need to implement a rule it is often a good idea to look in the rule files of other language pairs first. Many rules can be recycled/reused between languages. For example the one described below would be useful for any null-subject language.
 
   
 
Začnime ako obyčajne so základnou kostrou:
 
Začnime ako obyčajne so základnou kostrou:
  +
Start out like all the others with a basic skeleton:
 
 
<pre>
 
<pre>
 
<?xml version="1.0" encoding="UTF-8"?>
 
<?xml version="1.0" encoding="UTF-8"?>
Line 350: Line 262:
   
 
Pridajme teda potrebné sekcie:
 
Pridajme teda potrebné sekcie:
  +
Lets add the necessary sections:
 
 
<pre>
 
<pre>
 
<section-def-cats>
 
<section-def-cats>
Line 360: Line 272:
 
</pre>
 
</pre>
 
Pretože iba skloňujeme podstatné mená v singulári a pluráli, potrebujeme pridať kategóriu pre podstatné mena a atribút pre číslo:
 
Pretože iba skloňujeme podstatné mená v singulári a pluráli, potrebujeme pridať kategóriu pre podstatné mena a atribút pre číslo:
  +
As we're only inflecting, nouns in singular and plural then we need to add a category for nouns, and with an attribute of number. Something like the following will suffice:
 
   
 
Do section-def-cats pridajte:
 
Do section-def-cats pridajte:
  +
Into section-def-cats add:
 
 
<pre>
 
<pre>
 
<def-cat n="nom">
 
<def-cat n="nom">
Line 371: Line 283:
   
 
Toto zachytí všetky podstatné mená (lemmy nasledované <n>, potom hocičím) a pomenuje ich "nom" (neskôr to využijeme).
 
Toto zachytí všetky podstatné mená (lemmy nasledované <n>, potom hocičím) a pomenuje ich "nom" (neskôr to využijeme).
This catches all nouns (lemmas followed by <n> then anything) and refers to them as "nom" (we'll see how thats used later).
 
   
 
Do sekcie section-def-attrs, pridajte:
 
Do sekcie section-def-attrs, pridajte:
  +
Into the section section-def-attrs, add:
 
 
<pre>
 
<pre>
 
<def-attr n="nbr">
 
<def-attr n="nbr">
Line 389: Line 300:
 
</pre>
 
</pre>
 
Prvý definuje atribút nbr (číslo), ktoré môže byť buď singulár alebo plurál.
 
Prvý definuje atribút nbr (číslo), ktoré môže byť buď singulár alebo plurál.
The first defines the attribute nbr (number), which can be either singular (sg) or plural (pl).
 
   
 
Druhý definuje atribút a_nom (atribút podstatné meno).
 
Druhý definuje atribút a_nom (atribút podstatné meno).
The second defines the attribute a_nom (attribute noun).
 
   
 
Ďalej potrebujeme pridať sekciu pre globálne premenné:
 
Ďalej potrebujeme pridať sekciu pre globálne premenné:
Next we need to add a section for global variables:
 
 
<pre>
 
<pre>
 
<section-def-vars>
 
<section-def-vars>
Line 402: Line 310:
 
</pre>
 
</pre>
 
Tieto premenné sú používané na ukladanie alebo prenos atribútov medzi pravidlami. Na teraz potrebujeme len jedno,
 
Tieto premenné sú používané na ukladanie alebo prenos atribútov medzi pravidlami. Na teraz potrebujeme len jedno,
These variables are used to store or transfer attributes between rules. We need only one for now,
 
 
<pre>
 
<pre>
 
<def-var n="number"/>
 
<def-var n="number"/>
 
</pre>
 
</pre>
 
Nakoniec, potrebujeme pridať pravidlo, ktoré vyberie podstatné meno a vypíše ho v správnom tvare. Budeme potrebovať sekciu pravidiel...
 
Nakoniec, potrebujeme pridať pravidlo, ktoré vyberie podstatné meno a vypíše ho v správnom tvare. Budeme potrebovať sekciu pravidiel...
Finally, we need to add a rule, to take in the noun and then output it in the correct form. We'll need a rules section...
 
 
<pre>
 
<pre>
 
<section-rules>
 
<section-rules>
Line 414: Line 320:
 
</pre>
 
</pre>
 
Zmením tempo z predchádzajúcich príkladov, len sem vložím toto pravidlo a potom ho opíšem.
 
Zmením tempo z predchádzajúcich príkladov, len sem vložím toto pravidlo a potom ho opíšem.
Changing the pace from the previous examples, I'll just paste this rule, then go through it, rather than the other way round.
 
 
<pre>
 
<pre>
 
<rule>
 
<rule>
Line 433: Line 338:
   
 
Prvý tag je zrejmý, definuje pravidlo. Druhý tag, pattern, v zásade hovorí: "použi toto pravidlo, ak nájdeš tento vzor". V tomto príklade tento vzor pozostáva z jediného podstatného mena (definovného kategóriou nom). Všimnite si, že vzor je napárovaný s najdlším výskytom najprv. Takže ak máte tri pravidlá, prvé zachytáva "<prn><vblex><n>", druhé zachytáva "<prn><vblex>" tretie zachytáva "<n>", a bol zachytený vzor, a vykonané pravidlo bude to prvé.
 
Prvý tag je zrejmý, definuje pravidlo. Druhý tag, pattern, v zásade hovorí: "použi toto pravidlo, ak nájdeš tento vzor". V tomto príklade tento vzor pozostáva z jediného podstatného mena (definovného kategóriou nom). Všimnite si, že vzor je napárovaný s najdlším výskytom najprv. Takže ak máte tri pravidlá, prvé zachytáva "<prn><vblex><n>", druhé zachytáva "<prn><vblex>" tretie zachytáva "<n>", a bol zachytený vzor, a vykonané pravidlo bude to prvé.
The first tag is obvious, it defines a rule. The second tag, pattern basically says: "apply this rule, if this pattern is found". In this example the pattern consists of a single noun (defined by the category item nom). Note that patterns are matched in a longest-match first. So if you have three rules, the first catches "<prn><vblex><n>", the second catches "<prn><vblex>" and the third catches "<n>", the pattern matched, and rule executed will be the first.
 
   
 
Pre každý vzor existuje akcia, ktorá produkuje výstup. Tento výstup je lexikálna jednotka (lu).
 
Pre každý vzor existuje akcia, ktorá produkuje výstup. Tento výstup je lexikálna jednotka (lu).
For each pattern, there is an associated action, which produces an associated output, out. The output, is a lexical unit (lu).
 
   
 
Tag clip umožnuje používateľovi vybrať a manipulovať atribúty a časti zdrojového jazyka (side="sl"), alebo lexikálne poločky cielového jazyka (side="tl").
 
Tag clip umožnuje používateľovi vybrať a manipulovať atribúty a časti zdrojového jazyka (side="sl"), alebo lexikálne poločky cielového jazyka (side="tl").
The clip tag allows a user to select and manipulate attributes and parts of the source language (side="sl"), or target language (side="tl") lexical item.
 
   
 
Skompilujme a otestuje to. Pravidlá prenosu sú skompilované s :
 
Skompilujme a otestuje to. Pravidlá prenosu sú skompilované s :
Let's compile it and test it. Transfer rules are compiled with:
 
 
<pre>
 
<pre>
 
$ apertium-preprocess-transfer apertium-sh-en.sh-en.t1x sh-en.t1x.bin
 
$ apertium-preprocess-transfer apertium-sh-en.sh-en.t1x sh-en.t1x.bin
 
</pre>
 
</pre>
 
Čo vygeneruje súbor <code>sh-en.t1x.bin</code>.
 
Čo vygeneruje súbor <code>sh-en.t1x.bin</code>.
Which will generate a <code>sh-en.t1x.bin</code> file.
 
   
 
Teraz sme takmer pripravení otestovať náš systém pre strojový preklad. Chýba jedna dôležitá časť na určenie slovných druhov (tzv. PoS tagger), no to bude rýchlo vysvetlené. Zatiaľ ho môžeme otestovať v takomto stave:
 
Teraz sme takmer pripravení otestovať náš systém pre strojový preklad. Chýba jedna dôležitá časť na určenie slovných druhov (tzv. PoS tagger), no to bude rýchlo vysvetlené. Zatiaľ ho môžeme otestovať v takomto stave:
Now we're ready to test our machine translation system. There is one crucial part missing, the part-of-speech (PoS) tagger, but that will be explained shortly. In the meantime we can test it as is:
 
   
 
Najprv, analyzujme slovo, gramofoni:
 
Najprv, analyzujme slovo, gramofoni:
First, lets analyse a word, gramofoni:
 
 
<pre>
 
<pre>
 
$ echo "gramofoni" | lt-proc sh-en.automorf.bin
 
$ echo "gramofoni" | lt-proc sh-en.automorf.bin
Line 459: Line 357:
 
</pre>
 
</pre>
 
Teraz by PoS tagger vybral správnu verziu podľa slovného druhu, ale keďže ho ešte nemáme, použijeme malý gawk script (vďaka Sergiovi) ktorý vypíše prvú možnosť.
 
Teraz by PoS tagger vybral správnu verziu podľa slovného druhu, ale keďže ho ešte nemáme, použijeme malý gawk script (vďaka Sergiovi) ktorý vypíše prvú možnosť.
Now, normally here the POS tagger would choose the right version based on the part of speech, but we don't have a POS tagger yet, so we can use this little gawk script (thanks to Sergio) that will just output the first item retrieved.
 
 
<pre>
 
<pre>
 
$ echo "gramofoni" | lt-proc sh-en.automorf.bin | \
 
$ echo "gramofoni" | lt-proc sh-en.automorf.bin | \
Line 466: Line 363:
 
</pre>
 
</pre>
 
Teraz pokračujme s pravidlom pre prenos:
 
Teraz pokračujme s pravidlom pre prenos:
Now let's process that with the transfer rule:
 
 
<pre>
 
<pre>
 
$ echo "gramofoni" | lt-proc sh-en.automorf.bin | \
 
$ echo "gramofoni" | lt-proc sh-en.automorf.bin | \
Line 473: Line 369:
 
</pre>
 
</pre>
 
Čo vypíše:
 
Čo vypíše:
It will output:
 
 
<pre>
 
<pre>
 
^gramophone<n><pl>$^@
 
^gramophone<n><pl>$^@
 
</pre>
 
</pre>
   
* 'gramophone' anguage (side="tl") lemma (lem) at position 1 (pos="1").
+
* 'gramophone' je lemma (lem) v cielovom jazyku (side="tl") na pozícii 1 (pos="1").
* '<n>' is the target language a_nom at position 1.
+
* '<n>' je a_nom v cielovom jazyku na pozícii 1.
* '<pl>' is the target language attribute of number (nbr) at position 1.
+
* '<pl>' je atribút číslo (nbr) v cielovom jazyku na pozícii 1.
   
   
  +
Vyskúšajte zakomentovať niektoré tagy clip, znovu skompilovať a sledovať, čo sa stane.
* 'gramophone' is the target language (side="tl") lemma (lem) at position 1 (pos="1").
 
* '<n>' is the target language a_nom at position 1.
 
* '<pl>' is the target language attribute of number (nbr) at position 1.
 
   
  +
Takže, teraz máme výstup z prenosu, ostáva len vygenerovať ohnuté tvary na cielový jazyk. Na to použijeme lt-proc, ale v móde generácie (-g), nie analýzy.
Try commenting out one of these clip statements, recompiling and seeing what happens.
 
   
So, now we have the output from the transfer, the only thing that remains is to generate the target-language inflected forms. For this, we use lt-proc, but in generation (-g), not analysis mode.
 
 
<pre>
 
<pre>
 
$ echo "gramofoni" | lt-proc sh-en.automorf.bin | \
 
$ echo "gramofoni" | lt-proc sh-en.automorf.bin | \
Line 498: Line 390:
 
gramophones\@
 
gramophones\@
 
</pre>
 
</pre>
And c'est ca. You now have a machine translation system that translates a Serbo-Croatian noun into an English noun. Obviously this isn't very useful, but we'll get onto the more complex stuff soon. Oh, and don't worry about the '@' symbol, I'll explain that soon too.
 
   
  +
A je to! Teraz máte systém pre strojový preklad, ktorý prekladá srbochorvátske podstatné meno na anglické podstatné meno. Očividne ešte nie je veľmi mocný, no dostaneme sa ku komplikovaniejším záležitostiam. Taktiež zachvíľu vysvetlím symbol '@'.
Think of a few other words that inflect the same as gramofon. How about adding those. We don't need to add any paradigms, just the entries in the main section of the monolingual and bilingual dictionaries.
 
   
  +
Nájdite iné slová, ktoré sa skloňujú ako gramofon. Skúste ich pridať. Nepotrebujeme pridávať žiadne paradigmy, len záznamy do hlavnej sekcie jednojazyčných a dvojjazyčného slovníka.
==Bring on the verbs==
 
  +
  +
==Slovesá==
  +
  +
Teraz máme systém, ktorý dokáže prekladať podstatné mená, no nie je veľmi užitočný, chceme prekladať aj slovesá a celé vety! Začnime so slovesom vidieť, aglicky see, srbochorvástky videti. Srbochorváčtina je, na rozdiel od Angličtiny, jazyk so zamlčanými podmetmi, čo znamená že väčšinou nepoužíva osobné zámená pred časovaným slovesom. I see sa do Srbochorváčtiny preloží ako vidim.
   
Ok, so we have a system that translates nouns, but thats pretty useless, we want to translate verbs too, and even whole sentences! How about we start with the verb to see. In Serbo-Croatian this is videti. Serbo-Croatian is a null-subject language, this means that it doesn't typically use personal pronouns before the conjugated form of the verb. English is not. So for example: I see in English would be translated as vidim in Serbo-Croatian.
 
   
 
* Vidim
 
* Vidim
 
* see<p1><sg>
 
* see<p1><sg>
* I see
+
* I see
   
Note: <code><p1></code> denotes first person
+
Poznámka: <code><p1></code> označuje prvú osobu.
   
  +
Toto sa stane dôležitým pri pravidlách prenosu pre slovesá. Ďalšie príklady jazykov so zamlčaným podmetom sú: Španielčina, Rumunčina a Polština. Taktiež to spôsobuje, že hoci potrebujeme pridať len sloveso do srbochorvátskeho slovníku, do anglického slovníku musíme pridať naviac aj zámená.
This will be important when we come to write the transfer rule for verbs. Other examples of null-subject languages include: Spanish, Romanian and Polish. This also has the effect that while we only need to add the verb in the Serbo-Croatian morphological dictionary, we need to add both the verb, and the personal pronouns in the English morphological dictionary. We'll go through both of these.
 
   
The other forms of the verb videti are: vidiš, vidi, vidimo, vidite, and vide; which correspond to: you see (singular), he sees, we see, you see (plural), and they see.
+
Ďalšie tvary slovesa videti : vidiš, vidi, vidimo, vidite, vide, korešpondujúce s anglickými tvarmi : you see (singular), he sees, we see, you see (plural), they see.
   
There are two forms of you see, one is plural and formal singular (vidite) and the other is singular and informal (vidiš).
+
Existujú dva tvary you see, plurál a formály singulár vidite (vykanie) a neformálny singular vidiš (tykanie).
  +
Ideme preložiť vetu "Vidim gramofoni" do "I see gramophones". V záujme miesta, pridáme informáciu len na tento príklad, a necháme vypĺňanie ostatných tvarov časovaného slovesa ako cvičenie pre čitateľa.
   
  +
Pozorný čitatel si už zrejme uvedomil že nemôžeme preložiť vidim gramofoni pretože to nie je gramaticky správna srbochorvátska veta. Správna veta by bola vidim gramofone, podstatné meno je totiž v akuzatíve. Budeme musieť pridať aj tento tvar, no teraz nepotrebujeme informáciu o pádoch, pridáme ho len ako ďalšiu možnosť pre plurál. Takže len skopírujte 'i' blok a zmente 'i' na 'e'.
We're going to try and translate the sentence: "Vidim gramofoni" into "I see gramophones". In the interests of space, we'll just add enough information to do the translation and will leave filling out the paradigms (adding the other conjugations of the verb) as an exercise to the reader.
 
   
  +
Prvú vec, ktorú musíme spraviť, je pridať viac symbolov. Najprv pridáme symbol pre sloveso, ktorý budeme nazývať "vblex" (čo značí lexikálne sloveso, na rozdiel od napr. pomocných slovies). Sloveso má osobu, čas a číslo, takže pridajme symboly aj pre ne. Potrebujeme preložiť "I see", takže osoba bude "p1" a čas "pri", prítomný.
The astute reader will have realised by this point that we can't just translate vidim gramofoni because it is not a grammatically correct sentence in Serbo-Croatian. The correct sentence would be vidim gramofone, as the noun takes the accusative case. We'll have to add that form too, no need to add the case information for now though, we just add it as another option for plural. So, just copy the 'e' block for 'i' and change the 'i' to 'e' there.
 
   
First thing we need to do is add some more symbols. We need to first add a symbol for 'verb', which we'll call "vblex" (this means lexical verb, as opposed to modal verbs and other types). Verbs have 'person', and 'tense' along with number, so lets add a couple of those as well. We need to translate "I see", so for person we should add "p1", or 'first person', and for tense "pri", or 'present indicative'.
 
 
<pre>
 
<pre>
 
<sdef n="vblex"/>
 
<sdef n="vblex"/>
Line 528: Line 422:
 
<sdef n="pri"/>
 
<sdef n="pri"/>
 
</pre>
 
</pre>
  +
Potom, čo sme to spravili, urobíme to isté s podstatnými menami, pridáme paradigmu pre časovanie slovies. Prvý riadok bude:
After we've done this, the same with the nouns, we add a paradigm for the verb conjugation. The first line will be:
 
 
<pre>
 
<pre>
 
<pardef n="vid/eti__vblex">
 
<pardef n="vid/eti__vblex">
 
</pre>
 
</pre>
The '/' is used to demarcate where the stems (the parts between the <l> </l> tags) are added to.
+
'/' tu značí kde budú pridané prípony (medzi tagmi <l> a </l>).
   
  +
Potom časovanie pre prvú osobu singuláru bude:
Then the inflection for first person singular:
 
 
<pre>
 
<pre>
   
Line 540: Line 434:
   
 
</pre>
 
</pre>
The 'im' denotes the ending (as in 'vidim'), it is necessary to add 'eti' to the <r> section, as this will be chopped off by the definition. The rest is fairly straightforward, 'vblex' is lexical verb, 'pri' is present indicative tense, 'p1' is first person and 'sg' is singular. We can also add the plural which will be the same, except 'imo' instead of 'im' and 'pl' instead of 'sg'.
+
'im' je koncovka (ako vo 'vidim'), je potrebné pridať 'eti' do sekcie <r>, pretože to bude useknuté. Zvyšok je jednoduchý, 'vblex' je lexikálne slovesok, 'pri' je prítomný čas, 'p1' je prvá osoba a 'sg' je singulár. Môžeme rovnako pridať plurál, len 'imo' miesto 'im' a 'pl' miesto 'sg'.
  +
  +
Po tomto potrebujeme pridať lemmu, paragdigmu mapujúcu do hlavnej sekcie:
   
After this we need to add a lemma, paradigm mapping to the main section:
 
 
<pre>
 
<pre>
 
<e lm="videti"><i>vid</i><par n="vid/eti__vblex"/></e>
 
<e lm="videti"><i>vid</i><par n="vid/eti__vblex"/></e>
 
</pre>
 
</pre>
  +
Poznámka: obsah <nowiki><i> </i></nowiki> je koreň, nie lemma.
 
Note: the content of <nowiki><i> </i></nowiki> is the root, not the lemma.
 
Note: the content of <nowiki><i> </i></nowiki> is the root, not the lemma.
   
  +
Tým sme nateraz dokončili prácu na srbochorvátskom slovníku, skompilujme a otestujme ho.
Thats the work on the Serbo-Croatian dictionary done for now. Lets compile it then test it.
 
  +
 
<pre>
 
<pre>
 
$ lt-comp lr apertium-sh-en.sh.dix sh-en.automorf.bin
 
$ lt-comp lr apertium-sh-en.sh.dix sh-en.automorf.bin
Line 557: Line 454:
 
^vidimo/videti<vblex><pri><p1><pl>$
 
^vidimo/videti<vblex><pri><p1><pl>$
 
</pre>
 
</pre>
  +
Teraz urobíme to isté pre anglický slovník (nezabudnite pridať rovnaké definície symbolov ako do srbochorvátskeho).
Ok, so now we do the same for the English dictionary (remember to add the same symbol definitions here as you added to the Serbo-Croatian one).
 
  +
  +
  +
Paradigma je:
   
The paradigm is:
 
 
<pre>
 
<pre>
 
<pardef n="s/ee__vblex">
 
<pardef n="s/ee__vblex">
 
</pre>
 
</pre>
because the past tense is 'saw'. Now, we can do one of two things, we can add both first and second person, but they are the same form. In fact, all forms (except third person singular) of the verb 'to see' are 'see'. So instead we make one entry for 'see' and give it only the 'pri' symbol.
+
pretože minulý čas je 'saw'. Teraz by sme mohli pridať aj prvú a druhú osobu, ale obe majú rovnaký tvar. Všetky, okrem tretej osoby singuláru, majú rovnaký tvar slovesa, teda 'see'. Takže spravíme jeden záznam pre 'see' a dáme mu len 'pri' symbol.
  +
 
<pre>
 
<pre>
   
Line 569: Line 469:
   
 
</pre>
 
</pre>
  +
a ako vždy, záznam do hlavnej sekcie:
and as always, an entry in the main section:
 
  +
 
<pre>
 
<pre>
 
<e lm="see"><i>s</i><par n="s/ee__vblex"/></e>
 
<e lm="see"><i>s</i><par n="s/ee__vblex"/></e>
 
</pre>
 
</pre>
  +
Uložme, znovu skomilujme a otestujme:
Then lets save, recompile and test:
 
  +
 
<pre>
 
<pre>
 
$ lt-comp lr apertium-sh-en.en.dix en-sh.automorf.bin
 
$ lt-comp lr apertium-sh-en.en.dix en-sh.automorf.bin
Line 581: Line 483:
 
^see/see<vblex><pri>$
 
^see/see<vblex><pri>$
 
</pre>
 
</pre>
  +
Teraz záznam pre dvojjazyčný slovvík:
Now for the obligatory entry in the bilingual dictionary:
 
  +
 
<pre>
 
<pre>
 
<e><p><l>videti<s n="vblex"/></l><r>see<s n="vblex"/></r></p></e>
 
<e><p><l>videti<s n="vblex"/></l><r>see<s n="vblex"/></r></p></e>
 
</pre>
 
</pre>
  +
(znovu, nezabudnite pridať sdef)
(again, don't forget to add the sdefs from earlier)
 
  +
  +
  +
A znovu skompilovať:
   
And recompile:
 
 
<pre>
 
<pre>
 
$ lt-comp lr apertium-sh-en.sh-en.dix sh-en.autobil.bin
 
$ lt-comp lr apertium-sh-en.sh-en.dix sh-en.autobil.bin
Line 594: Line 499:
 
main@standard 18 18
 
main@standard 18 18
 
</pre>
 
</pre>
  +
Otestujme:
Now to test:
 
  +
 
<pre>
 
<pre>
 
$ echo "vidim" | lt-proc sh-en.automorf.bin | \
 
$ echo "vidim" | lt-proc sh-en.automorf.bin | \
Line 602: Line 508:
 
^see<vblex><pri><p1><sg>$^@
 
^see<vblex><pri><p1><sg>$^@
 
</pre>
 
</pre>
  +
Analýza zbehla korektne, no keď skúsime generovať výsledný tvar z tohoto, dostaneme '#', ako vidíme nižšie:
We get the analysis passed through correctly, but when we try and generate a surface form from this, we get a '#', like below:
 
  +
 
<pre>
 
<pre>
 
$ echo "vidim" | lt-proc sh-en.automorf.bin | \
 
$ echo "vidim" | lt-proc sh-en.automorf.bin | \
Line 610: Line 517:
 
#see\@
 
#see\@
 
</pre>
 
</pre>
  +
'#' znamená, že generátor nemôže vygenerovať správny lexikálny tvar, pretože ho neobsahuje. Prečo sa to deje?
This '#' means that the generator cannot generate the correct lexical form because it does not contain it. Why is this?
 
   
Basically the analyses don't match, the 'see' in the dictionary is see<vblex><pri>, but the see delivered by the transfer is see<vblex><pri><p1><sg>. The Serbo-Croatian side has more information than the English side requires. You can test this by adding the missing symbols to the English dictionary, and then recompiling, and testing again.
 
   
  +
V podstate, analýza nenašla zhodu pre 'see', pretože v slovníku je see<vblex><pri>, ale see, ktoré dostane analyzátor prenosom je see<vblex><pri><p1><sg>. Srbochorvátska strana slovníka poskytuje viac informácií ako anglická strana vyžaduje. Môžete to otestovať pridaním chýbajúcich symbolov do anglického slovníka a opätovným testom.
However, a more paradigmatic way of taking care of this is by writing a rule. So, we open up the rules file (<code>apertium-sh-en.sh-en.t1x sh-en.t1x.bin sh-en.autobil.bin</code> in case you forgot).
 
  +
  +
  +
Lepší spôsob je však pomocou nového pravidla. Otvoríme teda súbor s pravidlami (<code>apertium-sh-en.sh-en.t1x sh-en.t1x.bin sh-en.autobil.bin</code> ak ste zabudli).
  +
  +
  +
Potrebujeme pridať novú kategóriu pre sloveso ('verb').
   
We need to add a new category for 'verb'.
 
 
<pre>
 
<pre>
 
<def-cat n="vrb">
 
<def-cat n="vrb">
Line 622: Line 533:
 
</def-cat>
 
</def-cat>
 
</pre>
 
</pre>
  +
We also need to add attributes for tense and for person. We'll make it really simple for now, you can add p2 and p3, but I won't in order to save space.
 
  +
Musíme tiež pridať atribúty pre osobu a čas. Spravíme to zatiaľ veľmi jednoduché, môžete pridať aj p2 a p3, ale ja budem šetriť miestom.
 
<pre>
 
<pre>
 
<def-attr n="temps">
 
<def-attr n="temps">
Line 632: Line 544:
 
</def-attr>
 
</def-attr>
 
</pre>
 
</pre>
  +
Teraz by sme mali aj pridať atribút slovesám.
We should also add an attribute for verbs.
 
 
<pre>
 
<pre>
 
<def-attr n="a_verb">
 
<def-attr n="a_verb">
Line 638: Line 550:
 
</def-attr>
 
</def-attr>
 
</pre>
 
</pre>
  +
A teraz pravidlo:
 
Now onto the rule:
 
Now onto the rule:
 
<pre>
 
<pre>
Line 655: Line 568:
 
</rule>
 
</rule>
 
</pre>
 
</pre>
  +
Keď se skúsili zakomentovať 'clip' tagy v predchádzajúcom pravidle, a tie potom zmizly z prenosu, tak tu robíme prakticky to isté. Vezmeme sloveso s plnou analýzou, ale vrátime len jej časť (lemma + tag slovesa + tag času).
Remember when you tried commenting out the 'clip' tags in the previous rule example and they disappeared from the transfer, well, thats pretty much what we're doing here. We take in a verb with a full analysis, but only output a partial analysis (lemma + verb tag + tense tag).
 
  +
  +
  +
Ak teda teraz rekompilujeme, dostaneme:
   
So now, if we recompile that, we get:
 
 
<pre>
 
<pre>
 
$ echo "vidim" | lt-proc sh-en.automorf.bin | \
 
$ echo "vidim" | lt-proc sh-en.automorf.bin | \
Line 664: Line 579:
 
^see<vblex><pri>$^@
 
^see<vblex><pri>$^@
 
</pre>
 
</pre>
and:
+
a:
 
<pre>
 
<pre>
 
$ echo "vidim" | lt-proc sh-en.automorf.bin | \
 
$ echo "vidim" | lt-proc sh-en.automorf.bin | \
Line 672: Line 587:
 
see\@
 
see\@
 
</pre>
 
</pre>
Try it with 'vidimo' (we see) to see if you get the correct output.
+
Teraz to skúste s 'vidimo' (we see), či dostávame správny výstup.
  +
  +
  +
Teraz to skúste s "vidim gramofone":
   
Now try it with "vidim gramofone":
 
 
<pre>
 
<pre>
 
$ echo "vidim gramofoni" | lt-proc sh-en.automorf.bin | \
 
$ echo "vidim gramofoni" | lt-proc sh-en.automorf.bin | \
Line 685: Line 602:
 
==But what about personal pronouns?==
 
==But what about personal pronouns?==
   
Well, thats great, but we're still missing the personal pronoun that is necessary in English. In order to add it in, we first need to edit the English morphological dictionary.
 
   
  +
To je úžasné, ale stále nám chýba osobné zámeno potrebné v Angličtine. Aby sme ho pridali, musíme najprv pozmeniť anglický morfologický slovník.
As before, the first thing to do is add the necessary symbols:
 
  +
  +
Najprv musíme pridať potrebné symboly:
  +
 
<pre>
 
<pre>
 
<sdef n="prn"/>
 
<sdef n="prn"/>
 
<sdef n="subj"/>
 
<sdef n="subj"/>
 
</pre>
 
</pre>
  +
prn je prísudok, a subj je podmet.
Of the two symbols, prn is pronoun, and subj is subject (as in the subject of a sentence).
 
  +
  +
  +
Pretože tu nie je žiaden koreň, alebo 'lemma' pre osobné zámená, pridáme len nasledovné paradigmy:
   
Because there is no root, or 'lemma' for personal subject pronouns, we just add the pardef as follows:
 
 
<pre>
 
<pre>
 
<pardef n="prsubj__prn">
 
<pardef n="prsubj__prn">
Line 700: Line 621:
 
</pardef>
 
</pardef>
 
</pre>
 
</pre>
With 'prsubj' being 'personal subject'. The rest of them (You, We etc.) are left as an exercise to the reader.
+
Kde 'prsubj' je 'osobný podmet'. Zvyšok z nich (You, We atď.) je ponechaný ako cvičenie pre čitateľa.
  +
  +
  +
Môžeme pridať záznam do hlavnej sekcie:
   
We can add an entry to the main section as follows:
 
 
<pre>
 
<pre>
 
<e lm="personal subject pronouns"><i/><par n="prsubj__prn"/></e>
 
<e lm="personal subject pronouns"><i/><par n="prsubj__prn"/></e>
 
</pre>
 
</pre>
  +
Takže, rekompilujte a testujte, mali by sme dostať niečo ako:
So, save, recompile and test, and we should get something like:
 
  +
 
<pre>
 
<pre>
 
$ echo "I" | lt-proc en-sh.automorf.bin
 
$ echo "I" | lt-proc en-sh.automorf.bin
 
^I/PRPERS<prn><subj><p1><sg>$
 
^I/PRPERS<prn><subj><p1><sg>$
 
</pre>
 
</pre>
  +
Poznámka: Je to veľkými písmenami pretože 'I' je veľkými písmenami.
   
(Note: it's in capitals because 'I' is in capitals).
 
   
  +
Teraz potrebujeme doplniť 'verb' pravidlo, aby vracalo osobné zámeno spolu so správnym tvarom slovesa.
Now we need to amend the 'verb' rule to output the subject personal pronoun along with the correct verb form.
 
  +
  +
  +
Najprv, pridáme kategóriu (čo sa už zrejme stáva trochu obyčajné):
   
First, add a category (this must be getting pretty pedestrian by now):
 
 
<pre>
 
<pre>
 
<def-cat n="prpers">
 
<def-cat n="prpers">
Line 722: Line 648:
 
</def-cat>
 
</def-cat>
 
</pre>
 
</pre>
  +
Teraz pridáme typy prísudkov ako atribúty. Môžeme aj pridať typ 'obj', hoci ho zatiaľ nebudeme potrebovať:
Now add the types of pronoun as attributes, we might as well add the 'obj' type as we're at it, although we won't need to use it for now:
 
  +
 
<pre>
 
<pre>
 
<def-attr n="tipus_prn">
 
<def-attr n="tipus_prn">
Line 729: Line 656:
 
</def-attr>
 
</def-attr>
 
</pre>
 
</pre>
  +
A teraz vstup pre pravidlo:
And now to input the rule:
 
  +
 
<pre>
 
<pre>
 
<rule>
 
<rule>
Line 754: Line 682:
 
</rule>
 
</rule>
 
</pre>
 
</pre>
  +
Toto je prakticky rovnalé pravidlo ako vyššie, spravili sme len zopár malých zmien.
This is pretty much the same rule as before, only we made a couple of small changes.
 
  +
  +
  +
Potrebovali sme výstup:
   
We needed to output:
 
 
<pre>
 
<pre>
 
^prpers<prn><subj><p1><sg>$ ^see<vblex><pri>$
 
^prpers<prn><subj><p1><sg>$ ^see<vblex><pri>$
 
</pre>
 
</pre>
  +
tak aby mohol generátor vybrať správny prísudok a správny tvar slovesa.
so that the generator could choose the right pronoun and the right form of the verb.
 
   
So, a quick rundown:
 
   
  +
Takže, rýchly prehlad:
* <code><lit></code>, prints a literal string, in this case "prpers"
 
* <code><lit-tag></code>, prints a literal tag, because we can't get the tags from the verb, we add these ourself, "prn" for pronoun, and "subj" for subject.
 
* <code><b/></code>, prints a blank, a space.
 
   
Note that we retrieved the information for number and tense directly from the verb.
 
   
  +
* <code><lit></code>, vypíše reťazec, v tomto prípade "prpers"
So, now if we recompile and test that again:
 
  +
* <code><lit-tag></code>, vypíše tag, pretože nemôžeme získať tagy zo slovesa, pridáme teda vlastné, "prn" pre prísudok, a "subj" pre podmet.
  +
* <code><b/></code>, vypíše medzeru.
  +
  +
Všimnite si že sme získali informáciu pre číslo a pád priamo zo slovesa.
  +
  +
  +
Ak teda rekompilujeme a otestujeme znovu:
 
<pre>
 
<pre>
 
$ echo "vidim gramofone" | lt-proc sh-en.automorf.bin | \
 
$ echo "vidim gramofone" | lt-proc sh-en.automorf.bin | \
Line 778: Line 711:
 
I see gramophones
 
I see gramophones
 
</pre>
 
</pre>
  +
Čo, hoci nie je práve oceňované dielo (ako preklad tohoto článku), je cekom presné.
Which, while it isn't exactly prize-winning prose (much like this HOWTO), is a fairly accurate translation.
 
   
  +
==Povedzte mi o svojom digitálnom gramofóne (slovné spojenia)==
==So tell me about the record player (Multiwords)==
 
   
  +
Hoci je gramofón anglické slovo, nie je to najpresnejší preklad. Gramofón väčšinou označuje veľmi starý druh prístroja, s ihlou a bez zosilovača. Lepší preklad by bol 'record player'. Je to viacslovné spojenie, no môžeme ho považovať za jedno slovo, ak použijeme konštrukciu multiword.
While gramophone is an English word, it isn't the best translation. Gramophone is typically used for the very old kind, you know with the needle instead of the stylus, and no powered amplification. A better translation would be 'record player'. Although this is more than one word, we can treat it as if it is one word by using multiword (multipalabra) constructions.
 
   
We don't need to touch the Serbo-Croatian dictionary, just the English one and the bilingual one, so open it up.
 
   
  +
Nepotrebujeme meniť srbochorvátsky slovník, stačí len anglický a bilingválny.
The plural of 'record player' is 'record players', so it takes the same paradigm as gramophone (gramophone__n) — in that we just add 's'. All we need to do is add a new element to the main section.
 
  +
  +
  +
Plurál 'record player' je 'record players', takže používa rovnakú paradigmu ako gramopnohe (gramophone__n) — len pridávame 's'. Pridáme teda len nový záznam do hlavnej sekcie.
 
<pre>
 
<pre>
 
<e lm="record player"><i>record<b/>player</i><par n="gramophone__n"/></e>
 
<e lm="record player"><i>record<b/>player</i><par n="gramophone__n"/></e>
 
</pre>
 
</pre>
  +
Jediný rozdiel je použite tagu <b/>, ktorý tiež nie je pre nás úplne nový.
The only thing different about this is the use of the <b/> tag, although this isn't entirely new as we saw it in use in the rules file.
 
  +
  +
Takže, znovu rekompilujeme a testujeme:
   
So, recompile and test in the orthodox fashion:
 
 
<pre>
 
<pre>
 
$ echo "vidim gramofone" | lt-proc sh-en.automorf.bin | \
 
$ echo "vidim gramofone" | lt-proc sh-en.automorf.bin | \
Line 800: Line 736:
 
I see record players
 
I see record players
 
</pre>
 
</pre>
Perfect. A big benefit of using multiwords is that you can translate idiomatic expressions verbatim, without having to do word-by-word translation. For example the English phrase, "at the moment" would be translated into Serbo-Croatian as "trenutno" (trenutak = ''moment'', trenutno being adverb of that) &mdash; it would not be possible to translate this English phrase word-by-word into Serbo-Croatian.
 
   
  +
Perfektné. Veľká výhoda používania konštrukcie multiword je preklad idióm bez potreby prekladať jednotlivé slová. Napríklad anglická fráza "at the moment" by bola preložená ako "trenutno" (trenutak = ''chvíľa'', trenutno je odvodená príslovnka) &mdash; nebolo by možné preložiť túto anglickú frázu slovo po slove.
==Dealing with minor variation==
 
  +
  +
  +
==Ako sa vysporiadať s obmenami==
  +
  +
  +
Srbochorváčtina má zopár spôsobov, ako zapísať každé slovo, kvôli nárečovým odchýlkam. Má totiž fonetický systém písania, teda píš ako počuješ. Napríklad, ľudia hovoriaci po Ijekavsky povedia "rječnik", kým ľudia hovoriaci po Ekavsky povedia "rečnik", čo odráža odlišnosti vo výslovnosti protoslovanskej samohlásky ''yat''.
  +
  +
   
  +
===Analýza===
Serbo-Croatian typically has a few ways of writing each word because of dialectal variation. It has a cool phonetic writing system so you write how you speak. For example, people speaking in Ijekavian would say "rječnik", while someone speaking Ekavian would say "rečnik", which reflects the differences in pronunciation of the proto-Slavic vowel ''yat''.
 
   
  +
Mala by byť celkom jednoduchá cesta, ako sa s týmto vysporiadať, a to pomocou paradigiem. Paradigmy niesu pužívané len pre pridávanie gramatických symbolov, ale môžu byť taktiež použité na zámenu znakov za iné. Napríklad, táto paradigma akceptuje aj "e" aj "je" v analýze. Mala by byť jednojazyčnom srbochorvátskom slovíku.
===Analysis===
 
   
There should be a fairly easy way of dealing with this, and there is, using paradigms again. Paradigms aren't only used for adding grammatical symbols, but they can also be used to replace any character/symbol with another. For example, here is a paradigm for accepting both "e" and "je" in the analysis. The paradigm should, as with the others go into the monolingual dictionary for Serbo-Croatian.
 
   
 
<pre>
 
<pre>
Line 827: Line 769:
 
</pre>
 
</pre>
   
  +
Potom v hlavnej sekcii:
Then in the "main section":
 
   
 
<pre>
 
<pre>
Line 833: Line 775:
 
</pre>
 
</pre>
   
  +
Toto nám umožnuje analyzovať oba tvary. Na tvorbu oboch tvarov by bolo potrebné viac práce.
This only allows us to analyse both forms however... more work is necessary if we want to generate both forms.
 
   
===Generation===
+
===Tvorba===
   
==See also==
+
==Pozri tiež==
   
 
*[[Building dictionaries]]
 
*[[Building dictionaries]]
  +
*[[Finding_errors_in_dictionaries]]
 
*[[Cookbook]]
 
*[[Cookbook]]
 
*[[Chunking]]
 
*[[Chunking]]
Line 847: Line 790:
 
[[Category:HOWTO]]
 
[[Category:HOWTO]]
 
[[Category:Writing dictionaries]]
 
[[Category:Writing dictionaries]]
  +
[[Category:Quickstart]]

Latest revision as of 07:05, 16 February 2015

Apertium - Tvorba novej dvojice jazykov

Tento dokument popíše, ako vytvorit novú dvojicu jazykov pre Apertium, systém pre strojový preklad, od začiatku.

Nepredpokladá žiadne znalosti ohľadom ligvistiky alebo strojového prekladu okrem schopnosti rozlišovať slovné druhy.

Úvod[edit]

Apertium je, ako ste si už pravdepodobne uvedomili, systém pre strojový preklad. Nie je to však presné, ide o platformu pre strojový preklad. Poskytuje podklad a nástroje ktoré vám umožnia vybudovať si takýto systém. Jediné, čo musíte robiť, je poskytnúť mu dáta, obsahujúce trojicu slovníkov a pravidlá pre poradie slov a gramatiku.

Pre podrobnejší úvod do fungovania celého systému, na stránke Publications nájdete výborné zdroje.

Čo budete potrebovať[edit]

  • lttoolbox (>= 3.0.0)
  • libxml utils (xmllint etc.)
  • apertium (>= 3.0.0)
  • textový editor (alebo XML editor)

Inštaláciu týchto programov popisuje dokumentácia projektu Apertium.

Z čoho pozostáva jazyková dvojica?[edit]

Apertium je systém s plytkým prenosom pre strojový preklad. To znamená, že pracuje zo slovníkmi a pravidlami na preklad, na rozdiel od systémov s hlbokým prenosom, ktoré vykonávajú plnú syntaktickú analýzu. Pravidlá obyčajne popisujú operácie nad skupinami lexikálnych jednotiek, nie nad syntaktickými stromami. V podstate obsahuje trojicu slovníkov:

  1. Morfologický slovník pre jazyk xx obsahuje pravidlá pre skloňovanie a časovanie slov v jazyku xx. V našom príklade sa bude nazývať apertium-sh-en.sh.dix
  2. Morfologický slovník pre jazyk yy obsahuje pravidlá pre skloňovanie a časovanie slov v jazyku yy. V našom príklade sa bude nazývať code>apertium-sh-en.en.dix
  3. Dvojjazyčný slovník obsahuje spojenia medzi slovami a symbolmi oboch jazykov. V našom príklade sa bude nazývať apertium-sh-en.sh-en.dix

Oba jazyky vo dvojici môžu byť rovnako cieľ aj zdroj prekladu.

Taktiež existujú dva súbory pre pravidlá prepisu. Tieto pravidlá riadia poradie slov vo vete, ako napr. chat noir -> cat black -> black cat. Naviac riadia zhody v rode, čísle atď. Tieto pravidlá môžu vkladať alebo mazať lexikálne položky, ako bude popísané neskôr. Tieto súbory sú:

  • pravidlá pre prepis z jazyka xx do jazyka yy, popisujúce zmeny jazyka xx pri preklade do jazyka yy. V našom príklade budú v súbore apertium-sh-en.sh-en.t1x
  • pravidlá pre prepis z jazyka yy do jazyka xx, popisujúce zmeny jazyka yy pri preklade do jazyka xx. V našom príklade budú v súbore apertium-sh-en.en-sh.t1x

Veľké množstvo jazykových dvojíc má aj ďalšie súbory, no tu sa nimi nebudeme zaoberať. Vyššie popísané súbory stačia na vytvorenie funkčného systému.

Dvojica jazykov[edit]

Ako ste už možno zistili z názvov súborov, tento návod použije ako príklad Srbochorváčtiny do Angličtiny, aby vysvetlil spôsob tvorby základného systému. Nie je to ideálna dvojica, pretože systém pracuje lepšie pre príbuzné jazyky, no nebude to problém pre jednoduché príklady použité v dokumente.

Krátka poznámka o pojmoch[edit]

Je zopár pojmov, ktoré treba chápať pre tvorbu novej dvojice.

Prvý je lemma. Lemma je základný tvar slova, ako býva uvedená v slovníkoch. Napríklad lemma slova mačkami je mačka. V Angličtine to bude väčšinou jednotné číslo podstatného mena, alebo neurčitok slovesa bez to.

Ďalší pojem je symbol. V kontexte systému Apertium, symbol je gramatická vlastnosť. Slovo mačky je množné číslo podstatného mena, preto bude mať symboly podstatné meno a plurál. Na vstupe a výstupe modulov pre Apertium, symboly bývajú väčšinou určené medzi ostrými zátvorkami:

  • <n>; for noun.
  • <pl>; for plural.

Iné príklady symbolov sú <sg> singular, <p1> prvá osoba, atď. Napísané v ostrých zátvorkách, symboly môžu byť označované ako tagy. Je vhodné poznamenať, že v časti dvojíc jazykov sú mená symbolov vytvorené skrátením Katalánčiny, ako napríklad vbhaver, vb (verb) a haver ("mať" v Katalánčine). Symboly sú definované v <sdef> tagoch a používane v <s> tagoch.

Tretí výraz je paradigma. V systéme Apertium, paradigma popisuje príklad, ako sa určitá skupina slov ohýba. V morfologickom slovníku sú lemmy spojené s paradigmami, ktoré nám dovolujú popisovať, ako sa daná lema ohýba bez toho, aby sme museli vypisovať všetky koncovky.

Ako príklad užitočnosti paradigiem, keby sme chceli uložiť dve anglické prídavné mená happy a lazy, namiesto okladania dva krát tej istej veci:

  • happy, happ (y, ier, iest)
  • lazy, laz (y, ier, iest)

Môžeme jednoducho uložiť jedno a potom povedať "lazy, skloňuje sa ako happy", ale aj shy, skloňuje sa ako happy", "naughty, skloňuje sa ako happy", "friendly, skloňuje sa ako happy", atď. V tomto príklade, happy by bolo paradigmou, modelom pre ohýbanie iných slov. Presná definícia bude vysvetlená o chvíľu. Paradigmy sú definovaný tagom <pardef>, používané tagom <par>.

Začíname[edit]

Jednojazyčné slovníky[edit]

See also: List of dictionaries and Incubator

Začnime tvorbou nášho prvého slovníka. Slovník je XML súbor. Spustite váš textový editor a napíšte:

<?xml version="1.0" encoding="UTF-8"?>
<dictionary>

</dictionary>

Zatiaľ tento súbor definuje, že chcemem vetvoriť slovník. Aby bol užitočný, treba pridať viac vstupov, prvým je abeceda. Definuje množinu písmen použivaných v Srbochorvátskom slovníku. Bude vyzerať nasledovne, obsahuje všetky znaky Srbochorvátskej abecedy:

<alphabet>ABCČĆDDžĐEFGHIJKLLjMNNjOPRSŠTUVZŽabcčćddžđefghijklljmnnjoprsštuvzž</alphabet>

Abecedu umiestnite pod tag <dictionary>.

Ďalej musíme definovať symboly. Začnime so základmi, podstatné meno (n) môže byť v singulári (sg) alebo v pluráli (pl).

<sdefs>
   <sdef n="n"/>
   <sdef n="sg"/>
   <sdef n="pl"/>
</sdefs>

Mená symbolov nemusia byť krátke, no pretože ich budete opakovane písať, je výhodné ich skrátiť.

Naneštastie, nie je to také jednoduché, podstatné mená v Srbochorváčtine skloňuje okrem čísla aj rod a pád. Pre náš príklad však budeme predpokladať, že podstatné mená budú mužského rodu v nominatíve (kompletný príklad nájdete na konci dokumentu).

Ďalej definujeme časť obsahujúcu paradigmy:

<pardefs>

</pardefs>

a slovníkovú časť:

<section id="main" type="standard">

</section>

Sú dva typy sekcií, štandardná sekcia obsahujúca slová, príklonky atď. Druhý typ je inconditional section, ktorá obyčajne obsahuje iterpunkciu atp. Takúto sekciu ešte nemáme.

Takže, náš súbor by mal vyzerať nasledovne:

<?xml version="1.0" encoding="UTF-8"?>
<dictionary>
   <sdefs>
     <sdef n="n"/>
     <sdef n="sg"/>
     <sdef n="pl"/>
   </sdefs>
   <pardefs>

   </pardefs>
   <section id="main" type="standard">

   </section>
</dictionary>

Keď teraz máme kostru, môžeme začať pridaním podstatného mena. Podstatné meno bude 'gramofon' (čo znamená gramofón).

Prvú vec, ktorú musíme spraviť, je definovať paradigmy, pretožie ešte žiadne nemáme.

Používame nominatív a mužský rod, pridáme teda len paradigmu pre singulár 'gramofon' a plurál 'gramofoni':

<pardef n="gramofon__n">
   <e><p><l/><r><s n="n"/><s n="sg"/></r></p></e>
   <e><p><l>i</l><r><s n="n"/><s n="pl"/></r></p></e>
</pardef>

Poznámka: tag '<l/>' (ekvivalnetné s <l></l>) znamená, že už netreba nič pridať ku kmeňu slova v singulári.

Možno to vyzerá ako celkom dlhý spôsob, ako to opísať, no je odôvodnený a rýchlo sa vám stane prirodzený. Zrejme vás zaujíma čo znamená <e>, <p>, <l> a <r>. Takže:

  • e znamená záznam (entry).
  • p znamená dvojicu (pair).
  • l znamená ľavý (left).
  • r znamená pravý (right).

Prečo pravý a ľavý? Morfologický slovík bude skompilovaný do konečného automatu. Kompilácia zľava doprava analyzuje slová, a kompilácia zprava doľava vytvára z analýzy slová. Napríklad:

* gramofoni (left to right) gramofon<n><pl> (analýza)
* gramofon<n><pl> (right to left) gramofoni (tvorba)

Teraz sme definovali paradigmu, potrebujeme ju spojiť s príslušnou lemmou, gramofon. Vložíme to teda do sekcie ktorú sme definovali.

Záznam pre túto sekciu vyzerá nasledovne:

<e lm="gramofon"><i>gramofon</i><par n="gramofon__n"/></e>

Rýchle rekapitulovanie skratiek:

  • lm znamená lemma.
  • i znamená identitu (zľava a sprava vyzerá rovnako).
  • par znamená paradigmu.


Tento záznam popisuje lemmu slova gramofon, a jej koreň, gramofon, a paradigmu ktorá skloňuje gramofon_n. Rozdiel medzi lemmou a koreňom je že lemma je slovo v základnom tvare a koreň je jeho časť, ku ktorej sa pridávajú rôzne prípony. Bude to jasnejšie keď ukážeme záznam, kde sú tieto dve rozdielne.

Teraz sme pripravenú vyskúšať náš slovník. Uložte ho, a vráťte sa do príkazového riadku. Najprv ho potrebujete skomilovať (s lt-comp) a potom otestovať (s lt-proc).

$ lt-comp lr apertium-sh-en.sh.dix sh-en.automorf.bin

By malo vypísať:

main@standard 12 12

Pri kompilovaní zľava doprava vyrábame analyzátor. Vytvorme teda aj generátor.

$ lt-comp rl apertium-sh-en.sh.dix sh-en.autogen.bin

V tomto štádiu, by mal príkaz vypísať presne to isté.

Teraz ho môžeme otestovať. Spustite lt-proc na analyzátore:

$ lt-proc sh-en.automorf.bin

Na otestovanie, napíšte gramofoni (gramofóny) a sledujte výsledok:

^gramofoni/gramofon<n><pl>$

Anglický slovník by sa konštruoval obdobne, len by sa nahradilo slovo gramofon anglickým výrazom gramophone a zmenil by sa tvar plurálu. Čo ak by ste však chceli použiť správnejšie slovo 'record player'? To vysvetlíme neskôr.

Teraz by ste mali mať v priečinku dva súbory:

  • apertium-sh-en.sh.dix obsahujúci základný srbochorvátsky morfologický slovník, a
  • apertium-sh-en.en.dix obsahujúci základný anglický morfologický slovník

Dvojjazyčný slovník[edit]

Teraz mámem dva morfologické slovníky, ďalší krok je tvorba dvojjazyčného slovníka, opisujúceho mapovanie medzi slovami. Všetky slovníky používaju ten istý formát, špecifikovaný v DTD, dix.dtd.

Vytvorte nový súbor, apertium-sh-en.sh-en.dix, a pridajte základnú kostru.

<?xml version="1.0" encoding="UTF-8"?>
<dictionary>
   <alphabet/>
   <sdefs>
     <sdef n="n"/>
     <sdef n="sg"/>
     <sdef n="pl"/>
   </sdefs>

   <section id="main" type="standard">

   </section>
</dictionary>

Teraz potrebujeme pridať záznam na preklad medzi dvoma slovami:

<e><p><l>gramofon<s n="n"/></l><r>gramophone<s n="n"/></r></p></e>

Pretože tu bude veľa takýchto záznamov, bývajú obyčajne kvôli čitateľnosti písané na jeden riadok. Znova používame 'l' a 'r'. Pri kompilácii zľava dostaneme preklad Srbochorváčtina → Angličtina a pri kompilácii zprava dostaneme preklad Angličtina → Srbochorváčtina.

Keď je toto hotové, spustite nasledujúce príkazy:

$ lt-comp lr apertium-sh-en.sh.dix sh-en.automorf.bin
$ lt-comp rl apertium-sh-en.en.dix sh-en.autogen.bin

$ lt-comp lr apertium-sh-en.en.dix en-sh.automorf.bin
$ lt-comp rl apertium-sh-en.sh.dix en-sh.autogen.bin

$ lt-comp lr apertium-sh-en.sh-en.dix sh-en.autobil.bin
$ lt-comp rl apertium-sh-en.sh-en.dix en-sh.autobil.bin

Aby ste vygenerovali morfologické analyzátory (automorf), morfologické generátory (autogen) a vyhľadávač slov (autobil, bil ako bilingválny).

Pravidlá prenosu[edit]

Teraz máme dva morfologické slovníka a dvojjazyčný slovník. Všetko, čo potrebujeme, sú pravidlá na prenos podstatných mien. Súbory popisujúce tieto pravidlá majú vlstný DTD (transfer.dtd), ktorý môžete nájsť v balíčku Apertium. Ak potrebujete vytvoriť pravidlo, často je dobrý nápad nazrieť do súborov pravidiel iných jazykových dvojíc. Veľa pravidiel môže byť znovu použitých aj medzi jazykmi. Napríklad, tento konkrétky popísaný nižie by bol užitočný pre každý jazyk so zamlčaným podmetom

Začnime ako obyčajne so základnou kostrou:

<?xml version="1.0" encoding="UTF-8"?>
<transfer>

</transfer>

V tejto chvíli, pretože ignorujeme pády, stačí len vytvoriť pravidlo, ktoré načíta gramatické symboly a zase ich vypíše. At the moment, because we're ignoring case, we just need to make a rule that takes the grammatical symbols input and outputs them again.

Najprv musíme definovať kategórie a atribúty. Obe nám dovoľujú spájať gramatické symboly. Kategórie umožňujú spájať symboly za účelom párovania (napríklad 'n.*' sú všetky podstatné mená). Atribúty zase spájajú skupiny symbolov, z ktorých sa môžu symboly vyberať, napríklad 'sg' a 'pl' môžu byť spojené v atribúte číslo ('number'). We first need to define categories and attributes. Categories and attributes both allow us to group grammatical symbols. Categories allow us to group symbols for the purposes of matching (for example 'n.*' is all nouns). Attributes allow us to group a set of symbols that can be chosen from. For example ('sg' and 'pl' may be grouped a an attribute 'number').

Pridajme teda potrebné sekcie:

<section-def-cats>

</section-def-cats>
<section-def-attrs>

</section-def-attrs>

Pretože iba skloňujeme podstatné mená v singulári a pluráli, potrebujeme pridať kategóriu pre podstatné mena a atribút pre číslo:


Do section-def-cats pridajte:

<def-cat n="nom">
   <cat-item tags="n.*"/>
</def-cat>

Toto zachytí všetky podstatné mená (lemmy nasledované <n>, potom hocičím) a pomenuje ich "nom" (neskôr to využijeme).

Do sekcie section-def-attrs, pridajte:

<def-attr n="nbr">
   <attr-item tags="sg"/>
   <attr-item tags="pl"/>
</def-attr>

a potom and then

<def-attr n="a_nom">
   <attr-item tags="n"/>
</def-attr>

Prvý definuje atribút nbr (číslo), ktoré môže byť buď singulár alebo plurál.

Druhý definuje atribút a_nom (atribút podstatné meno).

Ďalej potrebujeme pridať sekciu pre globálne premenné:

<section-def-vars>

</section-def-vars>

Tieto premenné sú používané na ukladanie alebo prenos atribútov medzi pravidlami. Na teraz potrebujeme len jedno,

<def-var n="number"/>

Nakoniec, potrebujeme pridať pravidlo, ktoré vyberie podstatné meno a vypíše ho v správnom tvare. Budeme potrebovať sekciu pravidiel...

<section-rules>

</section-rules>

Zmením tempo z predchádzajúcich príkladov, len sem vložím toto pravidlo a potom ho opíšem.

<rule>
   <pattern>
     <pattern-item n="nom"/>
   </pattern>
   <action>
     <out>
       <lu>
         <clip pos="1" side="tl" part="lem"/>
         <clip pos="1" side="tl" part="a_nom"/>
         <clip pos="1" side="tl" part="nbr"/>
       </lu>
     </out>
   </action>
</rule>

Prvý tag je zrejmý, definuje pravidlo. Druhý tag, pattern, v zásade hovorí: "použi toto pravidlo, ak nájdeš tento vzor". V tomto príklade tento vzor pozostáva z jediného podstatného mena (definovného kategóriou nom). Všimnite si, že vzor je napárovaný s najdlším výskytom najprv. Takže ak máte tri pravidlá, prvé zachytáva "<prn><vblex><n>", druhé zachytáva "<prn><vblex>" tretie zachytáva "<n>", a bol zachytený vzor, a vykonané pravidlo bude to prvé.

Pre každý vzor existuje akcia, ktorá produkuje výstup. Tento výstup je lexikálna jednotka (lu).

Tag clip umožnuje používateľovi vybrať a manipulovať atribúty a časti zdrojového jazyka (side="sl"), alebo lexikálne poločky cielového jazyka (side="tl").

Skompilujme a otestuje to. Pravidlá prenosu sú skompilované s :

$ apertium-preprocess-transfer apertium-sh-en.sh-en.t1x sh-en.t1x.bin

Čo vygeneruje súbor sh-en.t1x.bin.

Teraz sme takmer pripravení otestovať náš systém pre strojový preklad. Chýba jedna dôležitá časť na určenie slovných druhov (tzv. PoS tagger), no to bude rýchlo vysvetlené. Zatiaľ ho môžeme otestovať v takomto stave:

Najprv, analyzujme slovo, gramofoni:

$ echo "gramofoni" | lt-proc sh-en.automorf.bin 
^gramofon/gramofon<n><pl>$

Teraz by PoS tagger vybral správnu verziu podľa slovného druhu, ale keďže ho ešte nemáme, použijeme malý gawk script (vďaka Sergiovi) ktorý vypíše prvú možnosť.

$ echo "gramofoni" | lt-proc sh-en.automorf.bin | \
  gawk 'BEGIN{RS="$"; FS="/";}{nf=split($1,COMPONENTS,"^"); for(i = 1; i<nf; i++) printf COMPONENTS[i]; if($2 != "") printf("^%s$",$2);}'
^gramofon<n><pl>$

Teraz pokračujme s pravidlom pre prenos:

$ echo "gramofoni" | lt-proc sh-en.automorf.bin | \
  gawk 'BEGIN{RS="$"; FS="/";}{nf=split($1,COMPONENTS,"^"); for(i = 1; i<nf; i++) printf COMPONENTS[i]; if($2 != "") printf("^%s$",$2);}' | \
  apertium-transfer apertium-sh-en.sh-en.t1x sh-en.t1x.bin sh-en.autobil.bin

Čo vypíše:

^gramophone<n><pl>$^@
  • 'gramophone' je lemma (lem) v cielovom jazyku (side="tl") na pozícii 1 (pos="1").
  • '<n>' je a_nom v cielovom jazyku na pozícii 1.
  • '<pl>' je atribút číslo (nbr) v cielovom jazyku na pozícii 1.


Vyskúšajte zakomentovať niektoré tagy clip, znovu skompilovať a sledovať, čo sa stane.

Takže, teraz máme výstup z prenosu, ostáva len vygenerovať ohnuté tvary na cielový jazyk. Na to použijeme lt-proc, ale v móde generácie (-g), nie analýzy.

$ echo "gramofoni" | lt-proc sh-en.automorf.bin | \
  gawk 'BEGIN{RS="$"; FS="/";}{nf=split($1,COMPONENTS,"^"); for(i = 1; i<nf; i++) printf COMPONENTS[i]; if($2 != "") printf("^%s$",$2);}' | \
  apertium-transfer apertium-sh-en.sh-en.t1x sh-en.t1x.bin sh-en.autobil.bin | \
  lt-proc -g sh-en.autogen.bin

gramophones\@

A je to! Teraz máte systém pre strojový preklad, ktorý prekladá srbochorvátske podstatné meno na anglické podstatné meno. Očividne ešte nie je veľmi mocný, no dostaneme sa ku komplikovaniejším záležitostiam. Taktiež zachvíľu vysvetlím symbol '@'.

Nájdite iné slová, ktoré sa skloňujú ako gramofon. Skúste ich pridať. Nepotrebujeme pridávať žiadne paradigmy, len záznamy do hlavnej sekcie jednojazyčných a dvojjazyčného slovníka.

Slovesá[edit]

Teraz máme systém, ktorý dokáže prekladať podstatné mená, no nie je veľmi užitočný, chceme prekladať aj slovesá a celé vety! Začnime so slovesom vidieť, aglicky see, srbochorvástky videti. Srbochorváčtina je, na rozdiel od Angličtiny, jazyk so zamlčanými podmetmi, čo znamená že väčšinou nepoužíva osobné zámená pred časovaným slovesom. I see sa do Srbochorváčtiny preloží ako vidim.


  • Vidim
  • see<p1><sg>
  • I see

Poznámka: <p1> označuje prvú osobu.

Toto sa stane dôležitým pri pravidlách prenosu pre slovesá. Ďalšie príklady jazykov so zamlčaným podmetom sú: Španielčina, Rumunčina a Polština. Taktiež to spôsobuje, že hoci potrebujeme pridať len sloveso do srbochorvátskeho slovníku, do anglického slovníku musíme pridať naviac aj zámená.

Ďalšie tvary slovesa videti sú : vidiš, vidi, vidimo, vidite, vide, korešpondujúce s anglickými tvarmi : you see (singular), he sees, we see, you see (plural), they see.

Existujú dva tvary you see, plurál a formály singulár vidite (vykanie) a neformálny singular vidiš (tykanie). Ideme preložiť vetu "Vidim gramofoni" do "I see gramophones". V záujme miesta, pridáme informáciu len na tento príklad, a necháme vypĺňanie ostatných tvarov časovaného slovesa ako cvičenie pre čitateľa.

Pozorný čitatel si už zrejme uvedomil že nemôžeme preložiť vidim gramofoni pretože to nie je gramaticky správna srbochorvátska veta. Správna veta by bola vidim gramofone, podstatné meno je totiž v akuzatíve. Budeme musieť pridať aj tento tvar, no teraz nepotrebujeme informáciu o pádoch, pridáme ho len ako ďalšiu možnosť pre plurál. Takže len skopírujte 'i' blok a zmente 'i' na 'e'.

Prvú vec, ktorú musíme spraviť, je pridať viac symbolov. Najprv pridáme symbol pre sloveso, ktorý budeme nazývať "vblex" (čo značí lexikálne sloveso, na rozdiel od napr. pomocných slovies). Sloveso má osobu, čas a číslo, takže pridajme symboly aj pre ne. Potrebujeme preložiť "I see", takže osoba bude "p1" a čas "pri", prítomný.

<sdef n="vblex"/>
<sdef n="p1"/>
<sdef n="pri"/>

Potom, čo sme to spravili, urobíme to isté s podstatnými menami, pridáme paradigmu pre časovanie slovies. Prvý riadok bude:

<pardef n="vid/eti__vblex">

'/' tu značí kde budú pridané prípony (medzi tagmi <l> a </l>).

Potom časovanie pre prvú osobu singuláru bude:


<e><p><l>im</l><r>eti<s n="vblex"/><s n="pri"/><s n="p1"/><s n="sg"/></r></p></e>

'im' je koncovka (ako vo 'vidim'), je potrebné pridať 'eti' do sekcie <r>, pretože to bude useknuté. Zvyšok je jednoduchý, 'vblex' je lexikálne slovesok, 'pri' je prítomný čas, 'p1' je prvá osoba a 'sg' je singulár. Môžeme rovnako pridať plurál, len 'imo' miesto 'im' a 'pl' miesto 'sg'.

Po tomto potrebujeme pridať lemmu, paragdigmu mapujúcu do hlavnej sekcie:

<e lm="videti"><i>vid</i><par n="vid/eti__vblex"/></e>

Poznámka: obsah <i> </i> je koreň, nie lemma. Note: the content of <i> </i> is the root, not the lemma.

Tým sme nateraz dokončili prácu na srbochorvátskom slovníku, skompilujme a otestujme ho.

$ lt-comp lr apertium-sh-en.sh.dix sh-en.automorf.bin
main@standard 23 25
$ echo "vidim" | lt-proc sh-en.automorf.bin
^vidim/videti<vblex><pri><p1><sg>$
$ echo "vidimo" | lt-proc sh-en.automorf.bin
^vidimo/videti<vblex><pri><p1><pl>$

Teraz urobíme to isté pre anglický slovník (nezabudnite pridať rovnaké definície symbolov ako do srbochorvátskeho).


Paradigma je:

<pardef n="s/ee__vblex">

pretože minulý čas je 'saw'. Teraz by sme mohli pridať aj prvú a druhú osobu, ale obe majú rovnaký tvar. Všetky, okrem tretej osoby singuláru, majú rovnaký tvar slovesa, teda 'see'. Takže spravíme jeden záznam pre 'see' a dáme mu len 'pri' symbol.


<e><p><l>ee</l><r>ee<s n="vblex"/><s n="pri"/></r></p></e>

a ako vždy, záznam do hlavnej sekcie:

<e lm="see"><i>s</i><par n="s/ee__vblex"/></e>

Uložme, znovu skomilujme a otestujme:

$ lt-comp lr apertium-sh-en.en.dix en-sh.automorf.bin
main@standard 18 19

$ echo "see" | lt-proc en-sh.automorf.bin
^see/see<vblex><pri>$

Teraz záznam pre dvojjazyčný slovvík:

<e><p><l>videti<s n="vblex"/></l><r>see<s n="vblex"/></r></p></e>

(znovu, nezabudnite pridať sdef)


A znovu skompilovať:

$ lt-comp lr apertium-sh-en.sh-en.dix sh-en.autobil.bin
main@standard 18 18
$ lt-comp rl apertium-sh-en.sh-en.dix en-sh.autobil.bin
main@standard 18 18

Otestujme:

$ echo "vidim" | lt-proc sh-en.automorf.bin | \
  gawk 'BEGIN{RS="$"; FS="/";}{nf=split($1,COMPONENTS,"^"); for(i = 1; i<nf; i++) printf COMPONENTS[i]; if($2 != "") printf("^%s$",$2);}' | \
  apertium-transfer apertium-sh-en.sh-en.t1x sh-en.t1x.bin sh-en.autobil.bin

^see<vblex><pri><p1><sg>$^@

Analýza zbehla korektne, no keď skúsime generovať výsledný tvar z tohoto, dostaneme '#', ako vidíme nižšie:

$ echo "vidim" | lt-proc sh-en.automorf.bin | \
  gawk 'BEGIN{RS="$"; FS="/";}{nf=split($1,COMPONENTS,"^"); for(i = 1; i<nf; i++) printf COMPONENTS[i]; if($2 != "") printf("^%s$",$2);}' | \
  apertium-transfer apertium-sh-en.sh-en.t1x sh-en.t1x.bin sh-en.autobil.bin | \
  lt-proc -g sh-en.autogen.bin
#see\@

'#' znamená, že generátor nemôže vygenerovať správny lexikálny tvar, pretože ho neobsahuje. Prečo sa to deje?


V podstate, analýza nenašla zhodu pre 'see', pretože v slovníku je see<vblex><pri>, ale see, ktoré dostane analyzátor prenosom je see<vblex><pri><p1><sg>. Srbochorvátska strana slovníka poskytuje viac informácií ako anglická strana vyžaduje. Môžete to otestovať pridaním chýbajúcich symbolov do anglického slovníka a opätovným testom.


Lepší spôsob je však pomocou nového pravidla. Otvoríme teda súbor s pravidlami (apertium-sh-en.sh-en.t1x sh-en.t1x.bin sh-en.autobil.bin ak ste zabudli).


Potrebujeme pridať novú kategóriu pre sloveso ('verb').

<def-cat n="vrb">
   <cat-item tags="vblex.*"/>
</def-cat>

Musíme tiež pridať atribúty pre osobu a čas. Spravíme to zatiaľ veľmi jednoduché, môžete pridať aj p2 a p3, ale ja budem šetriť miestom.

<def-attr n="temps">
   <attr-item tags="pri"/>
</def-attr>

<def-attr n="pers">
   <attr-item tags="p1"/>
</def-attr>

Teraz by sme mali aj pridať atribút slovesám.

<def-attr n="a_verb">
   <attr-item tags="vblex"/>
</def-attr>

A teraz pravidlo: Now onto the rule:

<rule>
   <pattern>
     <pattern-item n="vrb"/>
   </pattern>
   <action>
     <out>
       <lu>
         <clip pos="1" side="tl" part="lem"/>
         <clip pos="1" side="tl" part="a_verb"/>
         <clip pos="1" side="tl" part="temps"/>
       </lu>
     </out>
   </action>
</rule>

Keď se skúsili zakomentovať 'clip' tagy v predchádzajúcom pravidle, a tie potom zmizly z prenosu, tak tu robíme prakticky to isté. Vezmeme sloveso s plnou analýzou, ale vrátime len jej časť (lemma + tag slovesa + tag času).


Ak teda teraz rekompilujeme, dostaneme:

$ echo "vidim" | lt-proc sh-en.automorf.bin | \
  gawk 'BEGIN{RS="$"; FS="/";}{nf=split($1,COMPONENTS,"^"); for(i = 1; i<nf; i++) printf COMPONENTS[i]; if($2 != "") printf("^%s$",$2);}' | \
  apertium-transfer apertium-sh-en.sh-en.t1x sh-en.t1x.bin sh-en.autobil.bin
^see<vblex><pri>$^@

a:

$ echo "vidim" | lt-proc sh-en.automorf.bin  | \
  gawk 'BEGIN{RS="$"; FS="/";}{nf=split($1,COMPONENTS,"^"); for(i = 1; i<nf; i++) printf COMPONENTS[i]; if($2 != "") printf("^%s$",$2);}' | \
  apertium-transfer apertium-sh-en.sh-en.t1x sh-en.t1x.bin sh-en.autobil.bin | \
  lt-proc -g sh-en.autogen.bin
see\@

Teraz to skúste s 'vidimo' (we see), či dostávame správny výstup.


Teraz to skúste s "vidim gramofone":

$ echo "vidim gramofoni" | lt-proc sh-en.automorf.bin | \
  gawk 'BEGIN{RS="$"; FS="/";}{nf=split($1,COMPONENTS,"^"); for(i = 1; i<nf; i++) printf COMPONENTS[i]; if($2 != "") printf("^%s$",$2);}' | \
  apertium-transfer apertium-sh-en.sh-en.t1x sh-en.t1x.bin sh-en.autobil.bin | \
  lt-proc -g sh-en.autogen.bin
see gramophones\@

But what about personal pronouns?[edit]

To je úžasné, ale stále nám chýba osobné zámeno potrebné v Angličtine. Aby sme ho pridali, musíme najprv pozmeniť anglický morfologický slovník.

Najprv musíme pridať potrebné symboly:

<sdef n="prn"/>
<sdef n="subj"/>

prn je prísudok, a subj je podmet.


Pretože tu nie je žiaden koreň, alebo 'lemma' pre osobné zámená, pridáme len nasledovné paradigmy:

<pardef n="prsubj__prn">
   <e><p><l>I</l><r>prpers<s n="prn"/><s n="subj"/><s n="p1"/><s n="sg"/></r></p></e>
</pardef>

Kde 'prsubj' je 'osobný podmet'. Zvyšok z nich (You, We atď.) je ponechaný ako cvičenie pre čitateľa.


Môžeme pridať záznam do hlavnej sekcie:

<e lm="personal subject pronouns"><i/><par n="prsubj__prn"/></e>

Takže, rekompilujte a testujte, mali by sme dostať niečo ako:

$ echo "I" | lt-proc en-sh.automorf.bin
^I/PRPERS<prn><subj><p1><sg>$

Poznámka: Je to veľkými písmenami pretože 'I' je veľkými písmenami.


Teraz potrebujeme doplniť 'verb' pravidlo, aby vracalo osobné zámeno spolu so správnym tvarom slovesa.


Najprv, pridáme kategóriu (čo sa už zrejme stáva trochu obyčajné):

<def-cat n="prpers">
   <cat-item lemma="prpers" tags="prn.*"/>
</def-cat>

Teraz pridáme typy prísudkov ako atribúty. Môžeme aj pridať typ 'obj', hoci ho zatiaľ nebudeme potrebovať:

<def-attr n="tipus_prn">
   <attr-item tags="prn.subj"/>
   <attr-item tags="prn.obj"/>
</def-attr>

A teraz vstup pre pravidlo:

<rule>
   <pattern>
     <pattern-item n="vrb"/>
   </pattern>
   <action>
     <out>
       <lu>
         <lit v="prpers"/>
         <lit-tag v="prn"/>
         <lit-tag v="subj"/>
         <clip pos="1" side="tl" part="pers"/>
         <clip pos="1" side="tl" part="nbr"/>
       </lu>
       <b/>
       <lu>
         <clip pos="1" side="tl" part="lem"/>
         <clip pos="1" side="tl" part="a_verb"/>
         <clip pos="1" side="tl" part="temps"/>
       </lu>
     </out>
   </action>
</rule>

Toto je prakticky rovnalé pravidlo ako vyššie, spravili sme len zopár malých zmien.


Potrebovali sme výstup:

^prpers<prn><subj><p1><sg>$ ^see<vblex><pri>$

tak aby mohol generátor vybrať správny prísudok a správny tvar slovesa.


Takže, rýchly prehlad:


  • <lit>, vypíše reťazec, v tomto prípade "prpers"
  • <lit-tag>, vypíše tag, pretože nemôžeme získať tagy zo slovesa, pridáme teda vlastné, "prn" pre prísudok, a "subj" pre podmet.
  • , vypíše medzeru.

Všimnite si že sme získali informáciu pre číslo a pád priamo zo slovesa.


Ak teda rekompilujeme a otestujeme znovu:

$ echo "vidim gramofone" | lt-proc sh-en.automorf.bin  | \
  gawk 'BEGIN{RS="$"; FS="/";}{nf=split($1,COMPONENTS,"^"); for(i = 1; i<nf; i++) printf COMPONENTS[i]; if($2 != "") printf("^%s$",$2);}' | \
  apertium-transfer apertium-sh-en.sh-en.t1x sh-en.t1x.bin sh-en.autobil.bin | \
  lt-proc -g sh-en.autogen.bin
I see gramophones

Čo, hoci nie je práve oceňované dielo (ako preklad tohoto článku), je cekom presné.

Povedzte mi o svojom digitálnom gramofóne (slovné spojenia)[edit]

Hoci je gramofón anglické slovo, nie je to najpresnejší preklad. Gramofón väčšinou označuje veľmi starý druh prístroja, s ihlou a bez zosilovača. Lepší preklad by bol 'record player'. Je to viacslovné spojenie, no môžeme ho považovať za jedno slovo, ak použijeme konštrukciu multiword.


Nepotrebujeme meniť srbochorvátsky slovník, stačí len anglický a bilingválny.


Plurál 'record player' je 'record players', takže používa rovnakú paradigmu ako gramopnohe (gramophone__n) — len pridávame 's'. Pridáme teda len nový záznam do hlavnej sekcie.

<e lm="record player"><i>record<b/>player</i><par n="gramophone__n"/></e>

Jediný rozdiel je použite tagu , ktorý tiež nie je pre nás úplne nový.

Takže, znovu rekompilujeme a testujeme:

$ echo "vidim gramofone" | lt-proc sh-en.automorf.bin | \
  gawk 'BEGIN{RS="$"; FS="/";}{nf=split($1,COMPONENTS,"^"); for(i = 1; i<nf; i++) printf COMPONENTS[i]; if($2 != "") printf("^%s$",$2);}' | \
  apertium-transfer apertium-sh-en.sh-en.t1x sh-en.t1x.bin sh-en.autobil.bin  | \
  lt-proc -g sh-en.autogen.bin
I see record players

Perfektné. Veľká výhoda používania konštrukcie multiword je preklad idióm bez potreby prekladať jednotlivé slová. Napríklad anglická fráza "at the moment" by bola preložená ako "trenutno" (trenutak = chvíľa, trenutno je odvodená príslovnka) — nebolo by možné preložiť túto anglickú frázu slovo po slove.


Ako sa vysporiadať s obmenami[edit]

Srbochorváčtina má zopár spôsobov, ako zapísať každé slovo, kvôli nárečovým odchýlkam. Má totiž fonetický systém písania, teda píš ako počuješ. Napríklad, ľudia hovoriaci po Ijekavsky povedia "rječnik", kým ľudia hovoriaci po Ekavsky povedia "rečnik", čo odráža odlišnosti vo výslovnosti protoslovanskej samohlásky yat.


Analýza[edit]

Mala by byť celkom jednoduchá cesta, ako sa s týmto vysporiadať, a to pomocou paradigiem. Paradigmy niesu pužívané len pre pridávanie gramatických symbolov, ale môžu byť taktiež použité na zámenu znakov za iné. Napríklad, táto paradigma akceptuje aj "e" aj "je" v analýze. Mala by byť jednojazyčnom srbochorvátskom slovíku.


  <pardef n="e_je__yat">
    <e>
      <p>
        <l>e</l>
        <r>e</r>
      </p>
    </e>
    <e>
      <p>
        <l>je</l>
        <r>e</r>
      </p>
    </e>
  </pardef>

Potom v hlavnej sekcii:

    <e lm="rečnik"><i>r</i><par n="e_je__yat"/><i>čni</i><par n="rečni/k__n"/></e>

Toto nám umožnuje analyzovať oba tvary. Na tvorbu oboch tvarov by bolo potrebné viac práce.

Tvorba[edit]

Pozri tiež[edit]