Rzutowanie Słowosieci na pojęcia ontologii SUMOi inne zasoby semantyczne
Paweł Kędzia, Maciej Piasecki, Michał Marcińczuk, MarekMaziarz, Jan Wieczorek, Marcin Oleksy
Grupa Naukowa G4.19Katedra Inteligencji ObliczeniowejPolitechnika Wrocławska
————CLARIN-PL
27 IV 2016
Plan
Słowosieć a ontologia
Słowosieć a baza wiedzy
System zasobów wiedzy
Ontologia SUMO i związki z wordnetami
Rzutowanie na SUMO
Powiązania pomiędzy Słowosiecią a NELexicon 2.0
Odniesienia do Wikipedii
Paweł Kędzia, Maciej Piasecki, Michał Marcińczuk, Marek Maziarz, Jan Wieczorek, Marcin Oleksy (II,PWr)27 IV 2016 2 / 33
Słowosieć a ontologia
Słowosieć, ani żaden wordnet nie są ontologiami
ontologia: wymóg rozłącznych kategoriisieć: nakładanie się znaczeń jednostek o wspólnym hiperonimie
ontologia: precyzja definiowaniasieć: język potoczny a język naukowy, np. lew jako synonimlwa afrykańskiego
ontologia: kompletność opisusieć: struktura zależna od leksykalizacji
ontologia: hiperonimia jako drzewosieć: luki na poziomie pojęć ogólnych
ontologia: intencjonalny opis rzeczywistościsieć: warunkowana użyciem języka
Paweł Kędzia, Maciej Piasecki, Michał Marcińczuk, Marek Maziarz, Jan Wieczorek, Marcin Oleksy (II,PWr)27 IV 2016 3 / 33
Słowosieć a baza wiedzy
Słowosieć opisuje znaczenia leksykalne
Nie zawiera opisu bytów, faktów, ogólnej wiedzy o świecieNazwy własne z zasady nie były objęte opisem w ramachSłowosieci
nazwy stanowią otwartą klasę i mocno zależną od kontekstu
Wyjątkinazwy będące podstawą słowotwórczą do lematów, które sączęste w korpusiePolska –charakteryzowanie– polskiPolska Agencja Prasowa, PAP –synonimiamiędzyparadygmatyczna dla relacyjnych– papowski
Paweł Kędzia, Maciej Piasecki, Michał Marcińczuk, Marek Maziarz, Jan Wieczorek, Marcin Oleksy (II,PWr)27 IV 2016 4 / 33
Słowosieć jako interfejs pomiędzy tekstem a zasobamiwiedzy
Paweł Kędzia, Maciej Piasecki, Michał Marcińczuk, Marek Maziarz, Jan Wieczorek, Marcin Oleksy (II,PWr)27 IV 2016 5 / 33
SUMO – Suggested Upper Merged Ontology
Darmowa, otwarta, rozszerzenia na licencji GNU GPL
Formalna: ≈ 25 000 termów, ≈ 80 000 aksjomatów
Paweł Kędzia, Maciej Piasecki, Michał Marcińczuk, Marek Maziarz, Jan Wieczorek, Marcin Oleksy (II,PWr)27 IV 2016 6 / 33
SUMO – Suggested Upper Merged Ontology
Strona domowa: http://www.adampease.org/OP/
Cała zrzutowana na Princeton WordNet
Otwarte biomedyczne ontologie (OBO) częściowo zrzutowanena SUMO (http://www.adampease.org/OP/OBO.html)
FarsNet (WN języka perskiego) posiada rzutowanie na SUMO
Powiązana w MCR z WordNet Domains, Base Concepts, TopOntology oraz AdimenSUMO
Paweł Kędzia, Maciej Piasecki, Michał Marcińczuk, Marek Maziarz, Jan Wieczorek, Marcin Oleksy (II,PWr)27 IV 2016 7 / 33
Rzutowanie na SUMO
Co nam daje rzutowanie Słowosieci na SUMO?1 Przejście na poziom pojęć ontologicznych2 Ogólniejszy opis słów z tekstu – m.in. cechy klasyfikatora (role
semantyczne – selekcja cech)3 Powiązanie z innymi zasobami połączonymi z SUMO
Paweł Kędzia, Maciej Piasecki, Michał Marcińczuk, Marek Maziarz, Jan Wieczorek, Marcin Oleksy (II,PWr)27 IV 2016 8 / 33
Cechy stanowiące podstawę reguł przenoszenia relacji
Cel: przeniesienie relacji z PWN–SUMO na Słowosieć–SUMO
Relacje międzyjęzykowe (rzutowania) pomiędzy Słowosiecią iWordNetem:i-synonymy, i-hyponymy, i-part-of-meronymy, . . .
Relacje rzutowania pomiędzy WordNetem i SUMO:equivalent, instance of and subsumed,
Dziedziny synsetów Słowosieci i WordNetu:body, grp, food, loc, . . .
Wielka litera w pierwszym lemacie synsetu Słowosieci
Odwołałanie do konkretnych pojęć SUMO:Currency, GroupOfPeople, FieldOfStudy, Human, . . .
Paweł Kędzia, Maciej Piasecki, Michał Marcińczuk, Marek Maziarz, Jan Wieczorek, Marcin Oleksy (II,PWr)27 IV 2016 9 / 33
Proces rzutowania
Paweł Kędzia, Maciej Piasecki, Michał Marcińczuk, Marek Maziarz, Jan Wieczorek, Marcin Oleksy (II,PWr)27 IV 2016 10 / 33
Relacje rzutowania: PWN-SUMO oraz plWN-SUMO
1 equivalent (ekwiwalencja) – synset odpowiada pojęciu SUMOze względu na znaczenie synsetu, ze szczególnym wagąprzykładaną do denotacji synsetu,np. plant 2 –equivalent– Plant.
2 instance of (instancja) – denotacja synsetu jest instancjąpojęcia SUMO,np. Aristotle 1 –instance of– Man,lub jest elementem kolekcji denotowanej przez pojęcie SUMO,np. {Eden 2} –instance of– Region
3 subsumed (podklasa) – denotacja synsetu zawiera się wdenotacji pojęcia SUMOnp. {town 1} –subsumed– City.
4 R – inna relacja (tylko w rzutowaniu plWN–SUMO)
Paweł Kędzia, Maciej Piasecki, Michał Marcińczuk, Marek Maziarz, Jan Wieczorek, Marcin Oleksy (II,PWr)27 IV 2016 11 / 33
Reguły rzutowania (1)Typy
1 Proste – przenoszące relacjęoparte na relacji i-synonymy synonimii międzyjęzykowej,relacja: synset WordNetu – pojęcie SUMO jest kopiowana narelację synset Słowosieci – pojęcie SUMO.
2 Złożone – przenoszące bądź zmieniające relacjęna podstawie szeregu cech jest rozpoznawany typ relacjipomiędzy Słowosiecią i SUMOrelacja wynikowa może się różnić od analogicznej relacjipomiędzy WordNetem i SUMO
Paweł Kędzia, Maciej Piasecki, Michał Marcińczuk, Marek Maziarz, Jan Wieczorek, Marcin Oleksy (II,PWr)27 IV 2016 12 / 33
Reguły rzutowania (2)Reguła prosta zapisana w pseudokodzie
Algorithm 1 Przykłady prostych reguł rzutowania.
1: if R(PLWN PWN) = I-synonymy and R(PWN SUMO) = equ-ivalent then
2: R(PLWN SUMO) = equivalent3: end if4: if R(PLWN PWN) = I-synonymy and R(PWN SUMO) = in-stance of then
5: R(PLWN SUMO) = instance of6: end if7: if R(PLWN PWN) = I-synonymy and R(PWN SUMO) = sub-sumed then
8: R(PLWN SUMO) = subsumed9: end if
Paweł Kędzia, Maciej Piasecki, Michał Marcińczuk, Marek Maziarz, Jan Wieczorek, Marcin Oleksy (II,PWr)27 IV 2016 13 / 33
Przykłady prostych regułEfekt zastosowania prostych reguł z Algorytmu 1
Relacja subsumed:1 {kark 1 (body)} – subsumed – BodyPart → {kark 1 (body)} jesti-synonym {nape 1 (body)}
2 {mieczyk 1 (plant)} – subsumed – FloweringPlant →{mieczyk 1 (plant)} jest i-synonym {genus Gladiolus 1 (plant)}
Relacja instance of:1 {geometria rzutowa 1 (cogn)} – instance of – FieldOfStudy →
{geometria rzutowa 1 (cogn)} jest i-synonym dla {projective geometry 1 (cogn)}2 {Ateny 1 (loc)} – instance of – City → {Ateny 1 (cogn)} jesti-synonym {Athens 1 (cogn)}
Relacja equivalent:1 {czekolada 1 (food)} – equivalent – Chocolate →
{czekolada 1 (food)} jest i-synonym {chocolate 2 (food)}2 {wał rozrządu 1 (arte)} – equivalent – Camshaft →
{wał rozrządu 1 (arte)} jest i-synonym {camshaft 1 (arte)}
Paweł Kędzia, Maciej Piasecki, Michał Marcińczuk, Marek Maziarz, Jan Wieczorek, Marcin Oleksy (II,PWr)27 IV 2016 14 / 33
Reguły rzutowania (3)Reguła złożona zapisana w pseudokodzie
Algorithm 2 Przykłady reguł rzutowania, które odwołują się do dziedzinsynsetów Słowosieci i WordNetu
1: if R(PLWN PWN) = I-part-of-meronymy and R(PWN SUMO)= equivalent then
2: if PLWN SYNSET zaczyna się wielką literą then3: if D(PLWN) ∈ {loc} and D(PWN) ∈ {natobj} then4: R(PLWN SUMO) = instance of5: end if6: if D(PLWN) ∈ {rel} and D(PWN) ∈ {loc} then7: R(PLWN SUMO) = instance of8: end if9: end if10: end if
Paweł Kędzia, Maciej Piasecki, Michał Marcińczuk, Marek Maziarz, Jan Wieczorek, Marcin Oleksy (II,PWr)27 IV 2016 15 / 33
Przykłady reguł rzutowaniaZłożone reguły
Efekty zastosowania złożonych reguł z Algorytmu 2:1 {Europa Wschodnia 1 (loc)} – instance of – Europe →
{Europa Wschodnia 1 (loc)} – I-part-of-meronymy – {Europe 1 (natobj)} –instance of – Europe
2 {Europa Zachodnia 1 (loc)} – instance of – Europe →{Europa Zachodnia 1 (loc)} – I-part-of-meronymy – {Europe 1 (natobj)} –instance of – Europe
3 {Europa Południowo-Wschodnia 1 (loc)} – instance of –Europe → {Europa Południowo-Wschodnia 1 (loc)} – I-part-of-meronymy –{Europe 1 (natobj)} – instance of – Europe
4 {Amazonia 1 (loc)} – instance of – SouthAmerica →{Amazonia 1 (loc)} – I-part-of-meronymy – {South America 1 (natobj)} –instance of – SouthAmerica
5 {Hetmańszczyzna 1 (rel)} – instance of – Ukraine →{Hetmańszczyzna 1 (rel)} – I-part-of-meronymy – {Ukraine 1 (natobj)} –instance of – Ukraine
Paweł Kędzia, Maciej Piasecki, Michał Marcińczuk, Marek Maziarz, Jan Wieczorek, Marcin Oleksy (II,PWr)27 IV 2016 16 / 33
Reguły rzutowania (4)Reguła złożona zapisana w pseudokodzie
Algorithm 3 Przykłady reguł wykorzystujących dziedziny synsetów Sło-wosieci i WordNetu oraz pojęcia SUMO
1: if R(PLWN PWN) = I-part-of-holonymy and R(PWN SUMO)= subsumed then
2: if D(PLWN) ∈ {natphen} and D(PWN) ∈ {st} then3: if SUMO CONCEPT=DiseaseOrSyndrome then4: R(PLWN SUMO) = subsumed5: end if6: end if7: end if
Paweł Kędzia, Maciej Piasecki, Michał Marcińczuk, Marek Maziarz, Jan Wieczorek, Marcin Oleksy (II,PWr)27 IV 2016 17 / 33
Przykłady reguł rzutowaniaZłożone reguły
Efekty zastosowania złożonych reguł z Algorytmu 2:1 {dysplazja śmiertelna 1 (natphen)} – subsumed –DiseaseOrSyndrome → {dysplazja śmiertelna 1 (natphen)} –I-part-of-holonymy – {birth defect 1 (st)} – subsumed – DiseaseOrSyndrome
2 {zespół delecji 13q 1 (natphen)} – subsumed –DiseaseOrSyndrome → {zespół delecji 13q 1 (natphen)} –I-part-of-holonymy – {birth defect 1 (st)} – subsumed – DiseaseOrSyndrome
3 {fetopatia cukrzycowa 1 (natphen)} – subsumed –DiseaseOrSyndrome → {fetopatia cukrzycowa 1 (natphen)} –I-part-of-holonymy – {birth defect 1 (st)} – subsumed – DiseaseOrSyndrome
4 {ślepota z Rodrigue 1 (natphen)} – subsumed –DiseaseOrSyndrome → {ślepota z Rodrigue 1 (natphen)} –I-part-of-holonymy – {birth defect 1 (st)} – subsumed – DiseaseOrSyndrome
5 {pentalogia Cantrella 1 (natphen)} – subsumed –DiseaseOrSyndrome → {pentalogia Cantrella 1 (natphen)} –I-part-of-holonymy – {birth defect 1 (st)} – subsumed – DiseaseOrSyndrome
Paweł Kędzia, Maciej Piasecki, Michał Marcińczuk, Marek Maziarz, Jan Wieczorek, Marcin Oleksy (II,PWr)27 IV 2016 18 / 33
Reguły rzutowania (5)Przykłady przypadków kiedy typ relacji nie może być rozstrzygnięty automatycznie
Algorithm 4 Przykład przypadku kiedy typ relacji nie może być rozstrzy-gnięty automatycznie
1: if R(PLWN PWN) = I-part-of-meronymy and R(PWN SUMO)= subsumed then
2: if D(PLWN) ∈ {loc, body , arte, grp, . . . , class} then3: R(PLWN SUMO) = manually4: end if5: end if
Paweł Kędzia, Maciej Piasecki, Michał Marcińczuk, Marek Maziarz, Jan Wieczorek, Marcin Oleksy (II,PWr)27 IV 2016 19 / 33
Przykłady reguł rzutowaniaZłożone reguły
Efekty zastosowania złożonych reguł z Algorytmu 4:1 {okno 7 (arte)} – manually – Region → {okno 7 (arte)} –I-part-of-meronymy – {hotbed 2 (arte)} – subsumed – Region
2 {skrzydło 9 (arte)} – manually – Door → {skrzydło 9 (arte)} –I-part-of-meronymy – {door 1 (arte)} – subsumed – Door
3 {strzelnica 2 (loc)} – manually – Corporation →{strzelnica 2 (loc)} – I-part-of-meronymy – {amusement park 1 (loc)} –subsumed – Corporation
4 {biblioteka szkolna 1 (loc)} – manually – School →{biblioteka szkolna 1 (loc)} – I-part-of-meronymy – {school 2 (arte)} –subsumed – School
5 {oliwka 5 (body)} – manually – BodyPart → {oliwka 5 (body)} –I-part-of-meronymy – {medulla oblongata 1 (arte)} – subsumed – BodyPart
6 {węzina 1 (body)} – manually – ThyroidGland →{węzina 1 (body)} – I-part-of-meronymy – {thyroid gland 1 (arte)} – subsumed– ThyroidGland
Paweł Kędzia, Maciej Piasecki, Michał Marcińczuk, Marek Maziarz, Jan Wieczorek, Marcin Oleksy (II,PWr)27 IV 2016 20 / 33
Uaktualnianie rzutowania - Krok 1Redukcja relacji niedookreślonych R
RReduktor – redukuje niedookreślone relacje wynikające z wielurzutowań plWN-PWNPrzykład:abnegat.1(os) – hiper pa – slob.1 – Human – Rabnegat.1(os) – hipo pa – person.1 – Human – subsumed
agnegat.1(os) - subsumed - Human
Paweł Kędzia, Maciej Piasecki, Michał Marcińczuk, Marek Maziarz, Jan Wieczorek, Marcin Oleksy (II,PWr)27 IV 2016 21 / 33
Uaktualnianie rzutowania - Krok 2Poprawa typu relacji rzutującej
Bulbulator – propaguje wynik prostych reguł na pozostałerzutowania dla danej pary {znaczenie, pojęcie SUMO}Przykład:krzesło.1(wytw) – syn pa – chair.1(wytw) – Chair – equivalentkrzesło.1(wytw) – hipo pa – fighting chair.1(wytw) – Chair – subsumedkrzesło.1(wytw) – hiper pa – Eames chair.1(wytw) – Chair – subsumedkrzesło.1(wytw) – hiper pa – ladder-back.1(wytw) – Chair – subsumedkrzesło.1(wytw) – hiper pa – straight chair.1(wytw) – Chair – subsumedkrzesło.1(wytw) – hiper pa – tablet-armed chair.1(wytw) – Chair –subsumed
krzesło.1(wytw) - equivalent - Chair
Paweł Kędzia, Maciej Piasecki, Michał Marcińczuk, Marek Maziarz, Jan Wieczorek, Marcin Oleksy (II,PWr)27 IV 2016 22 / 33
Uaktualnianie rzutowania - Krok 3Poprawa typu relacji rzutującej
Oknak – dla danej pary {znaczenie, pojęcie SUMO} wyszukujeróżne kombinacje wystąpień relacji m.językowych i ustala typrelacji rzutującej.
mero:el pa oraz hipo pa→ subsumedmero:cz pa oraz hipo pa→ subsumedmero:cz pa oraz hiper pa→ subsumedsynmr pa oraz syncz pa→ subsumedsynmr pa oraz hipo pa→ subsumedsyn pa oraz hiper pa→ equivalenthipo pa oraz hiper pa→ instance of
lasek.1 – hipo pa – forest.1 – Forest – subsumedlasek.1 – synmr pa – forest.2 – Forest – equivalent
lasek.1 - subsumed - Forest
Paweł Kędzia, Maciej Piasecki, Michał Marcińczuk, Marek Maziarz, Jan Wieczorek, Marcin Oleksy (II,PWr)27 IV 2016 23 / 33
Uaktualnianie rzutowania - Krok 4Redukcja nadmiarowych rzutowań
Corec – Redukuje niepotrzebne rzutowania na podstawieszczegółowości pojęć
Znaczenie z1 posiada rzutowania na pojęcia A,B,C ,D
Znamy strukturę SUMO – wiemy, które pojęcie z którym jestpołączone
Jeżeli pomiędzy A,B,C ,D zachodzi relacja isA: wybieramypojęcie najbardziej szczegółowe
Relacje zachowujemy takie, jakie były przy konkretnychrzutowaniach
Paweł Kędzia, Maciej Piasecki, Michał Marcińczuk, Marek Maziarz, Jan Wieczorek, Marcin Oleksy (II,PWr)27 IV 2016 24 / 33
Uaktualnianie rzutowania - Krok 5Redukcja nadmiarowych rzutowań
Serdel – Dla zadanego znaczenia usuwa rzutowania naSubjectiveAssessmentAttribute – przy założeniu, że istnieją innedla niegoPrzykład:matnia.1(st) – subsumed – TrapOrCagematnia.1(st) – subsumed – SubjectiveAssessmentAttribute
matnia.1(st) -- subsumed -- TrapOrCage
Paweł Kędzia, Maciej Piasecki, Michał Marcińczuk, Marek Maziarz, Jan Wieczorek, Marcin Oleksy (II,PWr)27 IV 2016 25 / 33
Uaktualnianie rzutowania - Krok 6Generowanie nowych rzutowań
Rubin – Wykorzystując relacje międzyjęzykowe oraz strukturęhiperonimiczną WordNetów generuje nowe rzutowania
Rysunek: Rzutowanie plWN - PWN - SUMO
Paweł Kędzia, Maciej Piasecki, Michał Marcińczuk, Marek Maziarz, Jan Wieczorek, Marcin Oleksy (II,PWr)27 IV 2016 26 / 33
Ocena wyników algorytmu
Krok 1: Automatyczna ocena wyników algorytmu rzutowania:
Różne relacje wygenerowane dla tej samej pary {synsetSłowosieci, pojęcie SUMO}Zaobserwowany błąd: 0,06%
Krok 2: Ocena ręczna przez lingwistów:
Próbka 160 rezultatów rzutowania
Schemat oceny: 2+1
Trzy klasy: poprawne, niepoprawne, podłączony do hiperonimu
Zgodność pomiędzy anotatorami: 81%
Zmierzona dokładność rzutowania: 0,831 %
Co zrobić z synsetami zrzutowanymi za pomocą relacji R?
Paweł Kędzia, Maciej Piasecki, Michał Marcińczuk, Marek Maziarz, Jan Wieczorek, Marcin Oleksy (II,PWr)27 IV 2016 27 / 33
Statystyki rzutowania (1)Ogólne statystyki zrzutowanych i niezrzutowanych synsetów
Liczba rzutowań Kwiecień 2014: 87 550Liczba rzutowań Maj 2014: 92 810Liczba rzutowań Luty 2016: 175 635
Liczba zrzutowanych synsetów: 175 635, tj. 89.2% wszystkich
Tablica: Liczba synsetów Słowosieci zrzutowanych na SUMO ipozostawionych do decyzji (ręcznie)
POSRęcznie Zrzutowane Ręcznie [%]Maj2014
Luty2016
Maj2014
Luty2016
Maj2014
Luty2016
Rzeczownik 4 316 5 810 84 607 147 783 4,8 3,8Czasownik 1 25 17 498 5,5 5,0Przymiotnik 356 955 3 691 20 564 8,8 4,4
Paweł Kędzia, Maciej Piasecki, Michał Marcińczuk, Marek Maziarz, Jan Wieczorek, Marcin Oleksy (II,PWr)27 IV 2016 28 / 33
Statystyki rzutowania (5)Pięć najczęstszych pojęć SUMO w rezultatach rzutowania dla każdej relacji.
Relacja Znaczenie Liczba synsetów
Equivalent
Human 405SocialRole 274Position 270Bird 198Female 76
Instance of
City 1 689FieldOfStudy 1 262Human 1 164SocialRole 421Position 339
Subsumed
SubjectiveAssessmentAttribute 7 779Human 7 740Position 4 871FloweringPlant 4 442SocialRole 4 281
Paweł Kędzia, Maciej Piasecki, Michał Marcińczuk, Marek Maziarz, Jan Wieczorek, Marcin Oleksy (II,PWr)27 IV 2016 29 / 33
Powiązania pomiędzy Słowosiecią a NELexicon 2.0
Hierarchia kategorii nazw w NELexicon 2.0 (2,4 mln nazwwłasnych): 102 kategoria, 3 poziomyRęczne rzutowanie kategorii najniższego poziomu na wybranesynsety
np. nam liv plant → roślina 1w niektórych przypadkach więcej niż jeden synsetnp. nam eve human aniversary→rocznica 2, rocznica 1
Ręczne rzutowanie na pojęcia SUMO80 ze 102 kategorii zrzutowanychnp. nam pro model car → SelfPoweredRoadVehicle
Automatyczne rzutowanie nazww oparciu o miarę powiązania znaczeniowego wydobytą zkorpusu, pary wydobyte przez wzorce z tekstu oraz strukturyWikipediiza pomocą WordnetWeaver
Paweł Kędzia, Maciej Piasecki, Michał Marcińczuk, Marek Maziarz, Jan Wieczorek, Marcin Oleksy (II,PWr)27 IV 2016 30 / 33
Odniesienia do Wikipedii
Ręcznie dodane powiązania do haseł Wikipediisynset ←→ hasło Wikipediinp. Polska 1{##L http://pl.wikipedia.org/wiki/Polska}
Dodawane tylko wtedy, gdy jednostka leksykalna ze Słowosiecioznacza ten sam byt (np. zwierzę/roślinę etc.), które opisanejest w haśle Wikipedii,Wszystkie elementy synsetu mają te samo powiązaniejeżeli Wikipedia omawia jakiś takson, który określony jestliczbą mnogą (np. kręgowce), to nie można takiego hasłałączyć z jednostką, która jest wyrażona w liczbie pojedynczej(np. kręgowiec)Synsety połączone bliskoznacznością opatrujemy tym samympowiązaniemŁączna liczba powiązań: około 54 tys.
Paweł Kędzia, Maciej Piasecki, Michał Marcińczuk, Marek Maziarz, Jan Wieczorek, Marcin Oleksy (II,PWr)27 IV 2016 31 / 33
Podsumowanie
Reguły wykorzystujące wyniki ręcznego rzutowania WordNetna SUMO oraz ręcznego rzutownania międzyjęzykowegopozwoliły na zbudowania efektywnych reguł rzutowania naSUMO
Słowosieć stała się interfejsem pomiędzy zasobami wiedzy ajęzykiem
Powiązania pomiędzy NELexicon a Słowosiecią wymagająpogłębienia z poziomu kategorii do indywidualnych nazw
System zasobów jest dalej rozszerzony przez powiązania dostruktur walencyjnych (Walenty) oraz słownikawielowyrazowych jednostek leksykalnych
Paweł Kędzia, Maciej Piasecki, Michał Marcińczuk, Marek Maziarz, Jan Wieczorek, Marcin Oleksy (II,PWr)27 IV 2016 32 / 33
Paweł Kędzia, Maciej Piasecki, Michał Marcińczuk, Marek Maziarz, Jan Wieczorek, Marcin Oleksy (II,PWr)27 IV 2016 33 / 33
Recommended