Прошла конференция «Корпусная линвистика ‒ 2019» в Санкт-Петербурге
С 24 по 28 июня 2019 года в Санкт-Петербурге прошла международная конференция «Корпусная линвистика ‒ 2019». В ходе конференции обсуждали теоретические и прикладные вопросы корпусной лингвистики.
Организаторами конференции стали кафедра математической лингвистики Санкт-Петербургского государственного университета (СПбГУ) совместно с Институтом лингвистических исследований (ИЛИ РАН) и кафедрой образовательных технологий в филологии Российского государственного педагогического университета им. А. И. Герцена (РГПУ).
Школы-семинары конференции открыл А. А. Крижановский. Он провёл мастер-класс «Создание словарных статей в электронном комплексном словаре „Русский Викисловарь“». Было создано несколько новых словарных статей. Слайды презентации доступны онлайн.
Ольга Александровна Митрофанова (СПбГУ) вместе со своими учениками рассказала о популярных и востребованных в математической лингвистике дистрибутивно-семантических моделях, её доклад назывался «Дистрибутивно-семантические модели в лингвистическом процессоре для русского языка».
О. А. Митрофанова с коллегами и учениками разработали DSM-калькулятор, которым и воспользовались участники семинара в учебных целях. По этой же ссылке можно увидеть и потестировать семантический калькулятор и ESA-калькулятор.
Сразу два доклада были связаны с корпусом Ru-RSTreebank. Это русскоязычный дискурсивный корпус, тексты в нём размечены в рамках Теории риторической структуры, разработанной в 1980-е годы Уильмом Манном и Сандрой Томпсон.
Соколова Елена Григорьевна проанализировала свойства двух риторических отношений «контраст» и «сравнение» на данных корпуса Ru-RSTreebank (см. видео).
Елезарова Юлиана Николаевна (СПбГУ) представила доклад «Грамматикализация речевого конверба „дип“ в татарском языке (на корпусных данных)». Исследование проведено на основе Татарского национального корпуса «Туган тел» (см. видео).
Проект CoCoCo представил Михаил Копотев (Хельсинкский университет). Это забавное название CoCoCo складывается из начала слов «Collocations, Colligations, and Corpora» (см. видео).
Видеоматериалы к некоторым докладам третьего дня:
Влатко Броз (хорв. Vlatko Broz; Университет Сан-Паулу) рассказал о корпусе одного термина «Brexit».
Словенского языка коснулся Иван Канич (словен. Ivan Kanič). Для обработки текстов и извлечения словосочетаний была использован система Sketch Engine. Иван Канич рассказал о разрабатываемом корпусе научных текстов по информатике и библиотечному делу — Korpus bibliotekarstva.
Наталья Борисовна Крижановская (ИПМИ КарНЦ РАН) представила доклад об извлечении морфологических правил для вепсских слов из Английского Викисловаря и пополнении словаря корпуса ВепКар. См. слайды и текст доклада.
Софья Юльевна Семёнова (ИНИОН РАН) рассказала о семантическом словаре РУСЛАН, первые версии которого разрабатывались в начале 2000 годов под руководством Нины Николаевны Леонтьевой. В новой версии РУСЛАНа используется корпусной подход для выбора наиболее частотных значений слов для описания их в словаре. Словник РУСЛАНа включает около 12 тысяч единиц. У проекта РУСЛАН есть небольшой сайт, где размещена библиография публикаций про словарь и представлены некоторые демонстрационные материалы (в том числе, примеры статей): sites.google.com/site/ruslandict.
Ирина Владимировна Азарова (СПбГУ) рассказала о вычислительной онтологии русских предлогов.
Виктория Бобичева (англ. Victoria Bobicev) из Технического университета Молдовы рассказала о способах решения задачи определения авторства в научных публикациях на русском и украинском языках. Использовалась программа Weka.
О. А. Митрофанова рассказала об исследовании структуры романа «Мастер и Маргарита» М. А. Булгакова с помощью методов тематического моделирования.
Использовалась компьютерная программа scikit-learn, в которой реализована модель LDA. Для визуализации результатов тематического моделирования использовалась библиотека pyLDAvis. После извлечения текста из библиотеки Мошкова получено порядка 120 тысяч словоупотреблений. В тематической модели было выделено 30 тем, по 30 первых слов в выдаче.
Исследование подтвердило выводы литературоведов, в частности есть чёткое противопоставление двух тем романа (роман-Е в романе-М) в построенной тематической модели. Найденные различия между фрагментами текста указывают (1) на создание романа за большой промежуток времени, (2) на стилистическую неоднородность: роман-Е близок к историческому повествованию, роман-М по стилю близок к сатирическим произведениям.
Татьяна Юрьевна Шерстинова рассказала о создаваемой биографической базе данных русских писателей. Для наполнения базы были использованы разные ресурсы, в том числе:
- список из 3500 русских прозаических произведений на сайте Живой Журнал,
- Почти забытые — малопопулярные сейчас, известные тогда — писатели XIX—XX века,
- Нива — периодические журналы онлайн.
База данных включает не только сведения о писателях, но и тексты произведений. По-видимому, в Интернете эта интереснейшая база пока не представлена.
Сергей Александрович Крылов прочитал доклад Ольги Евгеньевны Фроловой «Корпус как инструмент исследования художественного текста». Исследовался текст повести Котлован Андрея Платонова (см. видео).
Виктор Павлович Захаров и Татьяна Юрьевна Шерстинова рассказали о жизни, творчестве и многогранном таланте Григория Яковлевича Мартыненко (см. видео).
Увлекательнейший доклад Г. Я. Мартыненко о стилизованных синтаксических триадах на примере повести Артёма Весёлого «Реки огненные» представила Татьяна Юрьевна (см. видео).
Видеоматериалы к некоторым докладам третьего дня:
Илья Сергеевич Николаев (СПбГУ) рассказал о корпусном исследовании топонимов в ижорских народных песнях
Андрей Анатольевич Крижановский (ИПМИ КарНЦ РАН) рассказал о разнообразии диалектов карельского языка и об Открытом корпусе вепсского и карельского языков, разрабатываемом в Петрозаводске в Карельском научном центре РАН. См. слайды и текст доклада «Представление диалектов в Открытом корпусе вепсского и карельского языков (ВепКар)».
Светлана Олеговна Савчук (ИРЯ РАН) рассказала о том, как можно проводить диахронические исследования с помощью Национального корпуса русского языка.
Николай Дмитриевич Москин (ПетрГУ) рассказал о корпусе СМАЛТ, содержащем тексты в графике XIX века.
Светлана Сергеевна Земичева (ТГУ) рассказала о тематической разметке и анализе на её основе в Томском диалектном корпусе (Демо-версия корпуса). Интересная особенность паспорта текста: наличие поля «образование», см. например текст. Есть ли аудиозаписи этих текстов? Может ли корпус когда-нибудь стать мультимедийным (звуковым)? Очень интересная идея в этом корпусе — это привязка темы к разметке (см. пример).
Елена Андреевна Рогозина (СПбГУ) рассказала о системе СКАТ: Санкт-Петербургский корпус агиографических текстов (13 житий — старая версия сайта) и новая версия сайта (23 жития). Работа с цитатами и анализ цитат показаны на примере двух текстов, связанных друг с другом: житие преподобного Дионисия Глушицкого (учитель) и житие преподобного Григория Пельшемского (ученик). Текст размечается с помощью XML-разметки. Используется программное обеспечение TXM, представленное в следующем докладе.
Алексей Михайлович Лаврентьев (НЦНИ, Франции), один из разработчиков платформы TXM, показал — как работать с этой системой, как за несколько минут можно получить разнообразную числовую и визуальную информацию о тексте, если текст был предварительно размечен. С помощью платформы TXM был выполнен анализ словоформ, предварительно проведена лемматизация текста. TXM написан на языке Java, из TXM можно вызывать скрипты на языке R. В системе TXM используется язык запросов CQP.
Виктор Аркадьевич Баранов (ИжГТУ), рассказал о возможностях исторического корпуса «Манускрипт», www.manuscripts.ru.
Видеоматериалы к некоторым докладам пятого дня: