= 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