Discuție:Ghid pentru structurare

De la dexonline wiki
Sari la navigare Sari la căutare

Principiu general: atomicitate

[cata] Am vorbit cu Radu și m-a convins să adoptăm un model atomic. Oriunde o etichetă sau proprietate se aplică doar unei părți a arborelui de sensuri, spargem arborele în două. La căutări, încărcăm toți arborii relevanți și îi afișăm.

De aici rezultă schema: un lexem este asociat cu exact un arbore de sensuri, dar mai multe lexeme pot fi asociate cu același arbore.

[Matei] Păi nu prea e așa. Un lexem (sau mai multe) se asociază cu o intrare, care are unul sau mai mulți arbori. Deci nu avem asociere lexem(e) - arbore.

Propuneri de rezolvări

  • Numerotarea sensurilor, exemplelor și etimologiilor
    • [cata] Scheme diferite de numerotare, folosind prefixele 'E' pentru etimologii și 'X' pentru exemple. De exemplu, dacă un sens are două subsensuri și trei exemple, acestea vor fi numerotate 1.1, 1.2, 1.X1, 1.X2, 1.X3. Dacă o etimologie E1 are la rândul ei o sub-etimologie pentru completări (nu exclud posibilitatea), aceasta s-ar numi E1.E1.
    • [cata] La afișare arătăm doar numerotările pentru sensuri, ca să nu speriem utilizatorii.
    • Putem include aici și comentariile (adăugate de un moderator) și completările (cum este „... navă fluvială sau maritimă...” la intrarea monitor). Deci o linie din arborele de sensuri va avea un tip care poate fi sens, exemplu, etimologie, comentariu, completare.
  • Unificarea lexemelor MF. [cata, Matei] sunt de acord cu asta
    • [Matei] Unificarea presupune să nu avem lexeme separate pentru inginer s.m. și ingineră s.f. (DOOM2), ci un singur lexem inginer s.m. și f.
    • [cata] S-ar putea să nu putem fi riguroși. Avem un model pentru MF care să facă femininul în -iță, cum ne trebuie la sudoriță?
      • [Matei] Nu avem, dar putem crea. Sau le lăsăm ca atare și adăugăm la structurare lexemele respective (la intrarea sudor vom avea și lexemul sudor și lexemul sudoriță; oricare formă căutată va trimite la această intrare).
  • Diminutive, antonime, variante, etimologii, pronunții, modelele de flexiune valabile doar pentru anumite sensuri.
    • [cata] Matei, ai niște exemple pentru fiecare? M-ar ajuta mult.
      • [Matei] Doctor - doar sensul DEX-1 are var. doftor și dim. doctoraș.
      • [cata] La pronunție am găsit doar exemplul eu, pronunțat ieu ca pronume, dar eu ca substantiv (concept filozofic).
      • [cata] Exemple care admit vocativul doar pe unul dintre sensuri: frumos, obtuz, cățel (de usturoi), papagal / mops (ca unelte).
    • [cata] Abordarea atomică ar fi să spargem arborele de sensuri astfel încât fiecare arbore rezultat să admită proprietatea pe toate sensurile sale.
    • [cata] Diminutivele, antonimele și etimologiile deja există la nivel de sens.
    • [cata] Concret, propunerea mea de rezolvare este să folosim simple comentarii pentru pronunții, variante și flexiuni, cel puțin până încep să se adune situațiile.
  • Ce facem cu DER, DE, și într-o mai mică măsură Scriban și Șăineanu.
    • [cata] Este ok să aștepte până în „versiunea 2”. Dacă structurăm DEX-urile, NODEX, DN, MDN, DLRLC, Ortografic, DOOM2, deja vom fi redus enorm redundanța. [Matei] Cred că da.
  • [Matei] Flexiune pentru lexemele compuse. Ca profan, nu mi se pare greu. Trebuie detectată prezența cratimei sau a spațiului și creată posibilitatea combinării a două modele de flexiune (unul pentru prima parte și unul pentru ultima parte; lexemele cu mai mult de 2 părți au invariabilă partea din mijloc; invariabilă poate fi și ultima parte; cazul pentru prima parte invariabilă este rezolvat).
    • [cata] Da, ar fi frumos să facem și asta. Mă gândesc cum s-ar face. Cred că ar necesita o bifă explicită „lexem compus”, căci sunt și alte cuvinte cu cratimă care nu necesită asta (într-adins sau altele).
      • [Matei] Păi astea se încadrează la invariabile, nu văd necesitatea bifei.
        • [cata] Da, dădeam doar un exemplu că nu tot ce conține bifă trebuie automat tratat ca lexem compus (pot fi și nume proprii etc.).
        • [Matei] Păi nu tratăm automat. Etichetarea se face manual. Pentru nume proprii avem (creăm) modele. Totul e să putem pune 2 etichete (ex. M1+I, F1+AF1 etc.). Ar mai trebui implementate și 2 restricții: A - numai forme articulate; N - numai forme nearticulate.
  • Lexemele omonime, sensurile (și subsensurile) ar trebui numerotate, altfel trimiterile dintr-o definiție nu mai au sens. V. aalenian. De stabilit modul de numerotare pentru diferitele paliere.
    • Asta creează probleme când trimiterea e la un alt lexem.
    • [cata] Despre ce paliere este vorba? Avem suport pentru numerotare, cred că această bulină este rezolvată.
      • [Matei] Nu chiar. Sistemul funcționează doar dacă lexemul la care se face trimitere a fost structurat. Altfel după paranteza pătrată nu apare nimic...
        • [cata] Rezolvare: trimiteri se fac către o intrare, cu evidență, putem reveni după ce intrarea aceea a fost structurată și modifica trimiterile să ducă spre un sens anume.
    • Și etimologiile au (uneori) trimiteri (ex. Din auto^2). Sistemul cu paranteze nu funcționează în cazul lor. Rezolvare?

Vezi și lista de probleme de pe GitHub.

Nerezolvate

  • Diferite dicționare consideră diferite variante ca fiind forma principală (ținterim, țintirim sau ciot, cioată). Dacă le preluăm ca atare, atunci va apărea redundanță la afișare: două definiții care ambele zic, în esență, cimitir, respectiv parte rămasă.
    • [cata] Radu se opune unificării arborilor, pentru că se pierd informații istorice.
      • [Matei] Eu nu înțeleg cum vedeți această chestiune, pentru că „varianta” este marcată prin eliminarea bifei „formă principală” de pe lexem. Deci ce facem? Dublăm lexemele ca să avem unul „variantă” menționat de o sursă veche (ex. zbenghi - DEX'98), plus unul „principal” menționat de o sursă mai nouă (DEX'09), la care se adaugă alte două lexeme (benghi) cu proprietatea inversă? Mi se pare absurd. Și ce legătură are cu arborii?
    • [cata] Aș vrea să văd un exemplu concret pentru ciot / cioată / ciotur.
  • Reconcilierea micilor variațiuni între definiții.
    • [Matei] Eu aş merge pe varianta cu definiţie succintă (explicaţiile mai ample se pot consulta în sursele menționate). Redactarea unei definiții cuprinzătoare e anevoioasă (şi subiectivă).
    • [Matei] Mă refer la definiții care au mici diferențe de la o sursă la alta. Ex.: monitor (navă) este definit ca:
      • „Navă fluvială de război, blindată, de tonaj mic, cu tunuri protejate cu turele - DEX”;
      • „Navă militară, maritimă sau fluvială, de tonaj mic, echipată cu armament de artilerie - NODEX”;
      • „Navă de război cuirasată, prevăzută cu artilerie grea - DN”;
      • „navă fluvială de tonaj mic, cuirasată, cu artilerie grea, destinată luptei împotriva obiectivelor de pe mal - MDN” etc.
        • toate sursele descriind în principiu o navă de război. Unele adaugă elemente de armament, altele de blindaj etc. Dacă compilăm toate sursele, iese o chestie destul de stufoasă...
    • [cata] Acum înțeleg. Pe de altă parte, dacă nu facem noi efortul acesta, va trebui să-l facă utilizatorul. Ca și în prezent, va trebui să citească 10 definiții pentru a găsi micile diferențe între ele. Sunt de acord cu abordarea ta, de definiție succintă (factor comun sau aproape comun), dacă putem cumva să creăm subsensuri care să arate completările aduse de unele surse. Cam așa:
      • Navă fluvială de război, de tonaj mic, echipată cu artilerie grea.
      • „blindată” [DEX];
      • „cu tunuri protejate cu turele” [DEX];
      • „maritimă sau fluvială” [NODEX];
      • „cuirasată” [MDN];
      • „destinată luptei împotriva obiectivelor de pe mal” [MDN].
        • [Matei] Mi se pare ok, de rezolvat prezentarea completărilor.
  • Unde tragem linia la gruparea lexemelor în aceeași intrare.
    • [cata] Matei a întâlnit vreo trei tipuri de situații:
      • Variante listate ca atare: ambreiare - ambreiere
      • Variante nelistate ca atare, dar care fac trimitere una la alta bulonaj - bulonare
      • Cuvinte diferite ca formă, dar unde unul trimite la altul (diverse dicțioare îl pot adopta pe unul sau pe altul ca referință): celțiu - hafniu

Rezolvate

Etichete

Discuție despre etichete ierarhice.

  • Când punem etichete și când lăsăm paranteza respectivă?
    • Cred că ar trebui încet-încet să creăm etichete pentru toate parantezele.
    • Paranteza se înlocuiește cu etichetă dacă este la începutul (sub)sensului și se aplică acestuia în totalitate. Dacă se aplică doar parțial, sau este plasată în cuprinsul (sub)sensului, trebuie să rămână.

[cata] Cred că avem nevoie de o ierarhie de etichete, nu doar de o listă. Am vorbit și cu Radu, care e de aceeași părere. De exemplu:

Exemplu de ierarhie -- clic pentru a o expanda.

  • parte de vorbire
    • substantiv
      • s.f.
      • s.m.
      • s.n.
      • s.m. și f.
    • adjectiv
    • pronume
      • pronume demonstrativ
      • pronume nehotărât
    • verb
      • verb tranzitiv
      • verb reflexiv
      • verb intranzitiv
  • grupă verb
    • grupa I
    • grupa a II-a
    • grupa a III-a
    • grupa a IV-a
  • regionalism
    • Moldova
    • Banat
    • Bucovina

Matei Ierarhia e bună pentru o vedere de ansamblu, dar poate duce la dublete ([masculin] poate fi și la [adjectiv] și la [substantiv]). Ar fi bună o modalitate de căutare a unei etichete, precum și una de căutare a lexemelor / arborilor unde a fost aplicată.

O etichetă se aplică tuturor subsensurilor (care nu poartă o altă etichetă). De exemplu, în arborele de mai jos sensurile 2, 2.1 și 2.3 sunt tranzitive, iar 2.2 este reflexiv.

  • 2 [verb tranzitiv] ...
  • 2.1 ...
  • 2.2 [verb reflexiv] ...
  • 2.3 ...
    • [Matei] Și dacă sensul 2.2 este și tranzitiv? Ar fi mai bine să judecâm „global”: o etichetă se aplică tuturor subsensurilor (chiar dacă poartă și o altă etichetă). Iar dacă subsensurile nu au o etichetă comună, sensul nu are niciuna (eticheta generală [verb] apare pe lexem).
    • Etichetele trebuie să fie ordonabile. Acum sunt afișate alfabetic, ceea ce duce la situații gen [Moldova] [regionalism] [Transilvania]. - rezolvat.
    • Etichetele nu trebuie să fie redundante. În loc de [substantiv masculin] și [substantiv feminin] putem avea [substantiv masculin și feminin]. - rezolvat.

Asta ar rezolva (toate!) problemele de mai jos:

  • Crearea unui câmp separat pentru partea de vorbire. Există cazuri de adj. fem. (ex. vectoare), care în prezent sunt încadrate eronat (s.f.).
  • [cata] Pentru asta ar fi bine să creăm mai multe părți de vorbire, în special pentru adverbe, prepoziții etc. Dacă nicăieri în definiție nu va mai apărea „adverb”, este important ca flexiunea să menționeze asta. - rezolvat. Toate modelele I1-I8 pot fi reunite la loc în I1 (după ce etichetăm corespunzător sensurile, desigur).
  • Unde punem mențiunea tranzitiv / intranzitiv / reflexiv pentru verbe?
  • Unde punem grupa verbului (I-IV)? Și cred că asta se poate generaliza la pronume nehotărâte, demonstrative etc.
  • Corespondența între părți de vorbire și modele de flexiune
    • [cata] Pe principiul atomic, separăm lexemele muncitor s.m.f și muncitor adj., gravidă adj.f. și gravidă s.f. etc. Fiecare lexem are arborele lui de sensuri. Asta va genera forme flexionare duplicate, dar pare răul cel mai mic.
    • Varianta curentă: [cata] Propun ca partea / părțile de vorbire să fie etichete pe fiecare sens, ca mai sus. Modelul de flexiune va servi doar ca să arate lista de forme generate, nu și partea de vorbire. Asta va rezolva cazurile ca MF + A (ar fi aberant să avem două modele de flexiune practic identice) sau „gravidă” care este adjectiv, dar încadrat la F. [Matei] De acord.
  • Variante cu registru de folosire. Ex. ciot are variantele (popular) cioată, (rar) ciotur.
    • [cata] Etichetele să se poată aplica și pe lexem, nu doar pe sensuri. - rezolvat.

Altele

  • Punem absolut toate sursele la „surse care atestă flexiunea”?
    • [cata] Cred că ar fi prea mult zgomot. Mai bine doar acolo unde nu toate dicționarele sunt de acord. [Matei] Da, sursele „normative” (DOOM, DEX, Ortografic) n-ar trebui menționate.
  • Forme de bază multiple
    • [cata] Se rezolvă prin faptul că o intrare conține mai multe lexeme. Asta include și variantele de accent (agríș / ágriș).
  • Nu e totuși nevoie de o asociere many-to-many între lexeme și arbori de sensuri? Mai exact, nu e niciodată nevoie ca un lexem să fie asociat cu mai mulți arbori?
    • [cata] Rezolvat, am introdus o tabelă Entry. [Matei] Eu nu văd această asociere. Atât lexemele cât și arborii sunt asociați cu intrările. E nevoie de altceva?