BulTreeBank WordNet (BTB-WN)

Съдържание

Версии на BTB-WordNet

Създаването на Българската Мрежа от думи (BTB-WN) има около 18-годишна история. През 2005 г. във връзка с участието на групата Бултрибанк в редица европейски проекти се появява нуждата от свързване на онтологични (езиково независими) понятия в дадена тематична област с лингвистичните термини (езиково специфични термини, ключови думи, лексика) в различни езици. Затова работата на групата започва с набор от български терминологични речници, подравнени със специализирани и общи онтологии, както и със съществуващия вече Onto WordNet. Те се използват в следните европейски проекти: LT4EL (в областта на компютърните умения), AsIsKnown (в областта на вътрешния дизайн), QTLeap (в областта на използването на софтуер) и др. Използването на тези речници в семантичната анотация на текстове от съответните тематични области, в машинния превод, извличането на знание, обучението по граматика и др. ни мотивира да започнем работата по създаване на свободно достъпна Българска мрежа от думи (BulTreeBank WordNet /BTB-WN/).

BTB-WordNet 4.0

Когато проектът CLaDA-BG започна в края на 2018 г., BTB-WN съдържаше малко повече от 19000 синонимни гнезда. По време на проекта CLaDA-BG през 2019 г., 2020 г., 2021 г. и в началото на 2022 г. BTB-WN е проверявана за качество от поне двама души, като са били подобрявани дефинициите; правени са съответствия с българската Уикипедия, добавяни са нови примери за много синонимни гнезда.
Текущата версия на BTB-WN - 4.0 (която е представена тук) - е подробно проверена с помощта на специализиран софтуер и разширена с повече от 10 000 нови значения, така че в момента мрежата от думи съдържа повече от 30 000 синонимни гнезда.
Няколко тълковни речника (виж раздел 8) са използвани за справка на броя значения в BTB-WN, за проверка на дефиниции и други.

BTB-WordNet 3.0

BTB-WordNet 2.0

BTB-WordNet 1.0

BTB-WN е създадена чрез няколко стъпки: (1) чрез ръчен превод на английски синонимни гнезда^{^[1]} от подгрупата с емпирично избрани основни понятия Core WordNet от английската мрежа от думи Princeton WordNet (PWN) (5000 по-често използвани значения) на български език. Тази стъпка осигурява подходящо покритие между двете мрежи от думи за най-често срещаните значения. Преводът е направен от двама души с отлични познания по английски. Те са процедирали по следния начин: първо, формулирали са българската дефиниция, която отразява съдържанието на понятието, представено от съответствието му с английското синонимно гнездо. След това са оформили българското синонимно гнездо, като са записали българските леми, които имат това значение. Някои от лемите са многокомпонентни думи (Multiword expressions (MWE)). След първата фаза опитен лексикограф е проверил дефиницията и свързаните с нея леми.

Резултатът от тази работа е публикуван като част от многоезичната мрежа от думи Свободна многоезикова мрежа от думи (Open Multilingual WordNet (OMW)) с лиценз CCBY 3.0.

Това е версия 1.0 на BTB-WN; (2) чрез идентифициране на значения, използвани в Българския корпус със синтактични анализи - BulTreeBank (BTB). Разпознатите значения са организирани в синонимни гнезда за BTB-WN. Новосъздадените български синонимни гнезда са съотнесени с понятийната структура на PWN. По този начин BTB-WN е разширена с реални употреби на значенията в текстове. Също така покритието на основните понятия от Princeton WordNet в българския език е изчислено на базата на българския синтактичен корпус BulTreeBank.

^{^[1]} Синонимното гнездо е структура за лексикалните елементи в уърднет, която се състои от сбор от синоними, свързани със същото значение, дефиниция на значението, примери с употреби на синонимите.

Представяне на части на речта

В момента BTB-WN включва представяния на следните четири части на речта: съществителни (където влизат бройните числителни имена и отглаголните съществителни имена), прилагателните имена (където влизат редните числителни имена и лексикализираните причастия, които функционират като прилагателни), наречия и глаголи.

Съществителни имена

Граматика

Съществителни имена, които се използват само в единствено (прах) или само в множествено число (анали), винаги имат лема съотвтено само за единствено или множествено число. Информацията за тяхната употреба ще бъде представена в допълнителен маркер към лемата.

Семантика

Професии, роли, титли и рангове за мъже и жени са обединени в едно синонимно гнездо, което има релацията равенство-със (equivalent-to) със синонимното гнездо от свободната английска мрежа от думи Оpen English WordNet (OEW) за съществителното за мъж и релацията почти-равенство-със (near-equivalent-to) с английското синонимно гнездо за жена, ако такова е налично. Например: сервитьор и сервитьорка са в едно синонимно гнездо и имат equivalent-to релация с английското синонимно гнездо за waiter и near-equivalent-to релация с
Различен подход е приет за съществителните за мъже и жени роднини и мъжки и женски животни - те принадлежат на отделни синонимни гнезда. Например: баща и майка са в отделни синонимни гнезда, баща има equivalent-to релация към father, а майка - към mother от OEW. Баща и майка имат еднакъв хипероним - синонимното гнездо родител.
Съществителните имена за малки животни са представени като членове на синонимното гнездо за основното значение на дадено животно. Например: овен, овца и агне са в едно синонимно гнездо с equivalent-to релация към sheep и near-equivalent-to релация към ram и lamb.
Съществителните за мъже и жени носители на титли и рангове са членове на едно синонимно гнездо. Например: дон и доня са в едно синонимно гнездо с equivalent-to релация към Don и near-equivalent-to Dona.
Обръщенията за мъже и жени са в едно синонимно гнездо. Например: батко (за обръщение към по-възрастен мъж) и кака (за обръщение към по-възрастна жена) са в едно синонимно гнездо, което има хипероним обръщение.
Изключение от това правило са господин и госпожа, които са в отделни синонимни гнезда и всяко има equivalent-to релация съответно към Mister и Mrs.
Умалителните форми са членове на синонимното гнездо на основната форма на думата. Например: стол и столче са в едно синонимно гнездо.

Прилагателни имена

Граматика

В тази категория също се включват и причастия, които функционират като прилагателни имена, при две условия - причастието има речникова статия в речниците или е определено като синоним на прилагателно име. Например: прилагателното дебел има няколко синонима причастия - охранен (от глагола охранвам), угоен (от угоявам) и хранен (от храня).
Редните числителни имена (например трети) са причислени към категорията на прилагателните в BTB-WN, както и в OEW.

Семантика

Наречия

Граматика

Двата вида български наречия са представени в BTB-WN - обикновени (образувани от съществителни, прилагателни, числителни, глаголи, предлози, например бързо) и местоименни наречия (образувани от местоимения, например тук).

Семантика

Глаголи

Граматика

Безличните глаголи имат леми в трето лице, единствено число. Например: оказва се, окаже се.

Семантика

Местоимения, предлози, съюзи, частици и междуметия ще бъдат добавени в бъдеще.

Съответствия

Mapping with
Open English Wordnet (OEW)

BTB-WN is mapped first with the Princeton WordNet 3.0 and later also with the OEW.

The mapping process starts with translation of a Bulgarian term in English, then search for the corresponding English synset and establishment of relation between the two synsets, addition of Bulgarian definition and examples.

Since 2020 BTB-WN is mapped to the OEW and the main benefits of the mapping are that this wordnet is being updated, edited and expanded (unlike PWN).

Mapping with
Wikipedia

Two types of extension of BTB-WN were intended - extension of the existing lemmas with new senses and extension with instances.

For the first task all the lemmas in BTB-WN were compared with the titles of Bulgarian Wikipedia articles and the senses from Wikipedia, which were missing in BTB-WN, were added in the wordnet with definitions and links to Wikipedia.

The titles of the corresponding English Wikipedia articles were also extracted and used for the selection of right sense in English and thus, an appropriate synset in EWN for mapping.

Mapping with
DBpedia

The mapping with DBpedia (an open knowledge graph with information from Wikimedia) was used for the second type of BTB-WN extension - with instances.

Named entities in BulTreeBank are annotated with URIs from DBpedia and because Bulgarian DBpedia is relatively small, Bulgarian Wikipedia was also used.

So far the mapping is done with the three most frequent types of Named entities in the BulTreeBank - people, locations and organisations.

Източници

Тук е представен списък с основните източници, които са използвани по време на създаването на BulTreeBank WordNet за определяне на възможни значения, формулиране на дефиниции, примери, съотнасяне с Princeton WordNet и English Open WordNet.

Многотомен речник на българския език
Л. Андрейчин и др. Български тълковен речник, IV издание, допълнено и преработено от Д. Попов. Наука и изкуство, 1994
Е. Пернишка, Д. Благоева и С. Колковска. Речник на новите думи в българския език, Наука и изкуство, 2010
Д. Благоева и С. Колковска. Речник на новите думи в българския език, Наука и изкуство, 2021
И. Касабов и К. Стоянов. Универсален енциклопедичен речник, Свидас, 1999, 2003
А. Нанова. Български синонимен и антонимен речник с идиоми, Просвета, 2019
Онлайн речник
Princeton WordNet
English Open WordNet
Уикипедия
Уикиречник

В процеса на създаване на BTB-WN са използвани и конкордансери на няколко български корпуси:

Bulgarian HPSG-based TreeBank
Bulgarian National Reference Corpus - BulTreeBank
CLaDA-BG Multi Billion Corpus