Rekonstrukce standardizovaného textu z mluvené řeči

1. Rekonstrukce standardizovaného textu z mluvené řeči Marie Mikulová, Zdeňka Urešová Ústav formální a aplikované lingvistiky Matematicko-fyzikální fakulta Univerzita Karlova Praha

2. Pražský závislostní korpus mluvené češtiny Pražský závislostní korpus mluvené češtiny = první korpus mluvené řeči, který bude obsahovat i syntakticko-sémantickou anotaci promluv (v českém i světovém měřítku) Pracoviště: ÚFAL MFF UK Granty: Centrum komputační lingvistiky LC 356 PIRE ME 383, GAČR 405/06/0589 EU FP6 Companions IST-034434 mikulova@ufal.mff.cuni.cz

3. Syntakticky anotované korpusy mluvené řeči Switchboard Corpus University of Pennsylvania, USA Childes Database Carnegie Mellon University, Pittsburgh, USA Corpus Gesproken Nederlands University of Leuven, University of Ghent, Belgie University of Utrecht, University of Nijmegen, Nizozemí Tübingen Treebank of Spoken German/English/Japanese Univerzita v Tübingen, Německo International Corpus of English University College London, Velká Británie Swedish Treebank Univerzity ve Växjö, Göteborgu, Stockholmu, Švédsko mikulova@ufal.mff.cuni.cz

4. Účel korpusuPražského závislostního korpusu mluvené češtiny • strojové učení za účelem plného porozumění mluvené řeči • odpovídání na otázky, vyhledávání v mluvených projevech • strojový překlad mluvené řeči • lingvistický výzkum Naším cílem primárně není zachytit vlastní strukturu mluvené řeči! mikulova@ufal.mff.cuni.cz

5. Pražský závislostní korpus 2.0 Východisko projektu = manuálně anotovaný korpus psaných textů na třech jazykových rovinách: • morfologická rovina • rovina povrchové syntaxe • rovina hloubkové syntaxe (syntakticko-sémantická anotace) • + neanotační rovina – „surový text“ Jednotlivé roviny jsou mezi sebou propojeny systémem odkazů z jednotky roviny vyšší na jednotky roviny nižší. mikulova@ufal.mff.cuni.cz

6. Systém rovin v Pražském závislostním korpusuVýchodisko projektu t-rovina hloubková syntax (závislostní strom) syntakticko-sémantické fce (př. místo, čas) valence a elipsy tzv. gramatémy koreference, aktuální členění a-rovina povrchová syntax (závislostní strom) syntaktické fce (př. příslovečné určení) m-rovina lema; morfologické kategorie w-rovina „surový text“; tokenizace mikulova@ufal.mff.cuni.cz

7. Syntakticko-sémanticky anotovaný korpus mluvené řeči Jak zachytit význam mluvených segmentů? • problém segmentace mluvené řeči do vět • způsob zachycení specifických jevů mluvené řeči ale kdyby náhodou tam byl nějakej ten ale mají tam zachariáš s tím radkem bejblem vole mají tam žlutý karty … aspoň desetník na kartu Tři možnosti, jak naložit se specifickými jevy mluvené řeči (J. B. Johannessenová, F. Jørgensen; 2005): • zohlednit všechny jevy mluvené řeči • zohlednit jen vybrané jevy mluvené řeči a ostatní ignorovat • ignorovat všechny specifické jevy mluvené řeči standardizace mluvené řeči mikulova@ufal.mff.cuni.cz

8. Standardizace mluvené řeči Celosvětově nový směr výzkumu: • University of Pennsylvania: „dysfluency annotation“ {D Well } what do you think about the idea of, {F uh, } kids having to dopublic service work for a year? / Do you think it's a , -/ • John Hopkins University, Baltimore You know what there was this other show where where was it like a it was it the Joe Millionaire →There was this other show Joe Millionaire = anotace, která se vypořádává se specifickými jevy mluvené řeči v doslovně přepsané mluvené řeči mikulova@ufal.mff.cuni.cz

9. Rekonstrukce standardizovaného textu z mluvené řečiv Pražském závislostním korpusu mluvené češtiny Osnova: • Výchozí myšlenka • Vymezení standardizovaného textu • Základní principy • Segmentace mluvené řeči do vět • Úpravy segmentů mluvené řeči mikulova@ufal.mff.cuni.cz

10. hledat.PRED #PersPron.ACT ubožáček.PAT nějaký.RSTR Výchozí myšlenka rekonstrukce standardizovaného textu z mluvené řeči Význam (syntakticko-sémantický zápis) pravidla pro mluvenou řeč pravidla pro psaný text mluvená řeč psaný text Hledali nějakého ubožáčka. no hledali nějakýho ubožáčka že jo mikulova@ufal.mff.cuni.cz

11. Standardizovaný textRekonstrukce standardizovaného textu z mluvené řeči • neobsahuje neřečové události, • všechny specifické jevy mluvené řeči jsou odstraněny, • proud mluvené řeči je rozčleněn do vět, • celkově srozumitelný a dobře se čte, • věty mají gramatický slovosled a běžnou českou syntax, • použity jsou jen spisovné tvary slov, • dodržuje pravidla českého pravopisu. Vstup anotace: „doslovná“ transkripce Výstup anotace: standardizovaný text: mikulova@ufal.mff.cuni.cz

12. Základní principyrekonstrukce standardizovaného textu z mluvené řeči Princip zachování významu: Významy (obsahy) sdělované mluvenou řečí a významy (obsahy) obsažené ve standardizovaném textu jsou tytéž. Princip minimálního počtu úprav: Provádí se jen tolik modifikací, kolik jich segmenty mluvené řeči nutně vyžadují, aby bylo dosaženo standardizovaného textu. mikulova@ufal.mff.cuni.cz

13. Segmentace mluvené řeči do vět Rekonstrukce standardizovaného textu z mluvené řeči Princip nejdelší možné klauze: Klauze zahrnuje co nejvíce potenciálních větných členů za podmínky, že výsledná věta je ještě utvořena jak syntakticky, tak sémanticky správně. <silence><inhale> někteří lidé mě <noise> utkvěli <inhale> velmi v paměti <silence> z toho koncentračního tábora <silence> ➜ Někteří lidé z koncentračního tábora mně velmi utkvěli v paměti. mikulova@ufal.mff.cuni.cz

14. Úpravy segmentů mluvené řečiRekonstrukce standardizovaného textu z mluvené řeči Dva základní typy úprav: • ortografické modifikace: pravidelné úpravy vstupní transkripce vyplývající ze základních požadavků na standardizovaný text • vlastní modifikace: podstatný zásah do podoby vstupního textu: • mazání • vkládání • substituce • změny ve slovosledu mikulova@ufal.mff.cuni.cz

15. Ortografické modifikaceRekonstrukce standardizovaného textu z mluvené řeči Odstranění neřečových událostí: <mouth> <inhale> tak možná že bych ještě něco řek <breath> <uh> <silence> ➜ Tak možná, že bych ještě něco řekl. Pravopisné úpravy: • vložení interpunkce • velká/malá písmena on řekl byl sem tam ale nikdo mu nevěřil ➜ On řekl: „Byl jsem tam,“ ale nikdo mu nevěřil. mikulova@ufal.mff.cuni.cz

16. Vlastní modifikace: mazání Rekonstrukce standardizovaného textu z mluvené řeči Odstranění obsahově nerelevantních slovních jednotek: • výplňková slova a fráze (no tam jsme byli dva roky) • nadbytečná deiktická slova (jel sem do té prahy) • nadbytečné konektory (a tam to trvalo dva roky) • nadbytečná a nesprávně užitá gramatická slova (pak byl přišel) • restarty (a to byli většinou to byl většinou personál) • opakující se úseky textu (my sme tam dostávali v bratislavě podporu že jo asi deset korun denně sme dostávali že ) mikulova@ufal.mff.cuni.cz

17. Vlastní modifikace: vkládání Rekonstrukce standardizovaného textu z mluvené řeči Vložení jednotek nezbytných pro vytvoření gramaticky i lexikálně správné věty: • chybějící gramatická slova • nevyjádřená plnovýznamová slova <silence> <inhale> revolverem mu takle začali před nos <inhale> a chtěli abych to odvolal <cough> jo <silence> ➜Revolverem mu takhle začali dělat před nosem a chtěli, abych to odvolal. mikulova@ufal.mff.cuni.cz

18. Vlastní modifikace: substituce Rekonstrukce standardizovaného textu z mluvené řeči Změny forem a lemat: • změna nespisovně utvořených tvarů slov • změna nesprávně utvořených tvarů slov • náhrada slova zvoleného nesprávně z hlediska vyjadřovaného významu architekt zelenka má velikou zálohu o tuto činnost ➜Architekt Zelenka má velikou zásluhu na této činnosti. mikulova@ufal.mff.cuni.cz

19. Vlastní modifikace: úpravy slovosledu Rekonstrukce standardizovaného textu z mluvené řeči Rekonstruované věty mají gramatický slovosled, který nenarušuje plynulost textu. prosté měření terénu sme dělali ➜Dělali jsme prosté měření terénu. sem jel s ním do zvolena ➜Jel jsem s ním do Zvolena. mikulova@ufal.mff.cuni.cz

20. BYL BYS ČELO LESA z-layer audio Systém rovin v Pražském závislostním korpusu mluvené češtiny Analogická struktura jako PDT 2.0. Ale: • nová z-rovina: automatický přepis mluvené řeči • nově definovaná w-rovina: přepis mluvené řeči manuálně upravený anotátorem • nově definovaná m-rovina: standardizovaný text mikulova@ufal.mff.cuni.cz

21. Propojení nejnižších rovin v Pražském závislostním korpusu mluvené češtiny Vztahy se spolužáky byly dobré . vztah s-1 spolužák být dobrý . NNIP1-----A---- RV—7---------- NNMP7-----A---- VpTP---XR-AA--- AAIP1----1A---- Z:------------- m-rovina w-rovina se spolužáky <cough> myslím že vztahy byly dobrý z-rovina SPÍŠE<gap> MY SLÍŽE VZTAHY BYLY DOBRÝ audio mikulova@ufal.mff.cuni.cz

22. Děkuji za pozornost. http:/ufal.mff.cuni.cz