Ierobežotas latviešu valodas formālā gramatika un semantika

Abstract

Promocijas darba pētījuma priekšmets ir latviešu valodas kā izteikti fleksīvas, sintētiskas valodas automātiska gramatiskā un semantiskā analīze. Darbā ir piedāvāts oriģināls, hibrīds gramatikas modelis, kas ir piemērots tādu valodu sintaktiskajai analīzei, kurās vārdu secība ir relatīvi brīva. Izstrādātais modelis ir aprobēts praksē, formalizējot latviešu valodas apakškopu, kas aptver dažādas vienkāršos paplašinātos teikumos sastopamas sintaktiskās konstrukcijas. Tālāk problēma tiek sašaurināta ne tikai sintaktiski, bet arī semantiski, izstrādājot viennozīmīgu, taču iespējami dabisku ierobežotu latviešu valodu (un atbilstošus automātiskas analīzes/sintēzes līdzekļus), kuras semantika ir definēta aprakstošajā loģikā. Darbā ir parādīts, ka teikuma informatīvās struktūras analīze ir pietiekams līdzeklis viennozīmīgai kvantoru un koreferenču noteikšanai ierobežotas sintētiskas valodas formā dotās OWL terminoloģiskajās aksiomās, SWRL izvedumu likumos un SPARQL integritātes vaicājumos. Darbā ir piedāvāta un realizēta divlīmeņu tulkošanas pieeja, demonstrējot ierobežotās latviešu valodas teikumu automātisku, semantiski precīzu translēšanu uz OWL (un otrādi), lietojot esošu ierobežotu angļu valodu kā starpvalodu un atkalizmantojot tās rīkus. Papildus ir piedāvāta pusautomātiska metode sistemātiskas leksiskās daudznozīmības atbalstam un nozīmju precīzai izšķiršanai ierobežotas valodas tekstos, vienlaikus risinot OWL ontoloģiju sastatīšanas problēmu.

The research subject of this doctoral thesis is the formal, automatic grammatical and semantic analysis of the highly inflective, synthetic Latvian language. A novel hybrid grammar model is proposed, which is especially suited for languages with relatively free word order. The model has been tested on a syntactically restricted subset of Latvian, covering various constructions that can be found in simple extended sentences. The problem is then restricted also from the semantic perspective by developing a deterministic, yet natural subset of Latvian (accompanied with its parser and generator), whose semantics is defined in description logic. The author shows that the analysis of the information structure of a sentence is a reliable way to unambiguously identify the implicit quantifiers and coreferences in OWL terminological axioms, SWRL inference rules and SPARQL integrity queries that are given in a form of a controlled synthetic language. A two-level translation approach is proposed and implemented in a prototype that demonstrates the semantically precise machine translation from controlled Latvian to OWL (and vice versa) by using an existing controlled English as an interlingua and by reusing its readily available tools. In addition, a semi-automatic method is proposed to enable controlled, systematic polysemy and word sense disambiguation in controlled language texts, simultaneously dealing with the OWL ontology merging problem.