= Anotace dat pro extrakci informací =
Cílem projektu je vytvořit podklady pro vyhodnocení programu, který provádí hrubou extrakci informací z českého textu. V zásadě se jedná o nalezení sémanticky ucelených jmenných, předložkových a slovesných frází a jejich zařazení do základních sémantických tříd. Tyto třídy zhruba odpovídají kategoriím větného rozboru, jak je vyučován na středních školách -- nebo také z jiného pohledu, určují otázky, kterými je možné se na danou část věty zeptat.
== Pravidla anotace ==
Základními jednotkami pro nás jsou fráze na úrovni klauze (jednoduché věty) -- podmět, přísudek, předmět atp. Označujeme vždy **největší možné fráze**, které spadají do dané třídy, resp. odpovídají na příslušnou otázku; jejich další vnitřní struktura nás již nezajímá. Např. v případě věty **"Vzal jsem si na sebe boty z Německa."** označíme *boty z Německa* jako předmět a fráze **z Německa** již nás dále nezajímá.
Vaším úkolem je tedy identifikovat tyto fráze na základě jazykové intuice a přiřadit k nim sémantické třídy.
Třídy, které budeme rozpoznávat, jsou tyto (v závorce vždy otázky, na které příslušná fráze může odpovídat):
* podmět (kdo/co)
* přísudek
* předmět (koho/co, komu/čemu, kým/čím, ...), rovněž jmenná část přísudku nebo doplněk
* způsob, míra, důvod (jak, proč, ...)
* místo (kde, kam, kudy, odkud, ...)
* čas (kdy, odkdy, dokdy, ...)
* jiné příslovečné určení (používejte co nejméně)
Takto identifikované fráze většinou nebudou pokrývat všechna slova textu (i když většinu ano). Zejména neoznačujeme:
* **interpunkci** (pokud není součástí jiné fráze)
* **spojky a částice** (pokud nejsou součástí jiné fráze)
* **mezery a interpunkci** na začátku/konci fráze
* s výjimkou pravé závorky v případě, že levá je součástí fráze
* **zvratná zájmena "se", "si"**, a to ani tehdy, jsou li součástí přísudku, např. jako reflexivum tantum
* s výjimkou případu, kdy tato zájmena leží uvnitř fráze, jako např. "smějící se bestie"
Naopak označujeme:
* osobní zájmena
* vztažná a tázací zájmena, pokud mají v klauzi některou ze sledovaných funkcí
* čísla, číslovky a fráze s nimi
* speciální symboly (např. symboly měn) a fráze s nimi, ale pouze pokud mají jasnou sémantiku, která spadá do naší klasifikace
{{{
#!html
}}}
== Praktické tipy ==
* Všimněte si, že řazení sémantických kategorií kopíruje obvyklý pořádek větných členů (asi tedy hlavně anglických) SVOMPT -- tedy Subject, Verb, Object, Manner, Place, Time. Může vám to posloužit jako mnemotechnická pomůcka při anotaci.
* pokud označujete pouze jedno slovo, nejrychlejší bude dvojklik na něj
* práce vám půjde mnohem lépe od ruky s myší než např. s touchpadem