UD_Czech-PDTC 소개: Universal Dependencies의 대규모 및 장르 풍부 트리뱅크 (Treebank)

Czech어는 2015년 첫 출시 이후 Universal Dependencies (UD)의 일부였습니다. 또한 Prague Dependency Treebank가 다른 대부분의 UD 트리뱅크 (treebanks)보다 수십 배 더 클 정도로 가장 잘 표현된 언어 중 하나였습니다. 보다 최근에는 Prague 제품군의 다른 세 가지 데이터셋이 추가되고 주석 (annotations)이 철저히 재검토되어, "Prague Dependency Treebank-Consolidated" (PDT-C)를 형성했습니다. 기존의 PDT와 비교했을 때, PDT-C는 두 배 이상 크지만 장르와 도메인 측면에서도 훨씬 더 다양합니다. 본 논문에서는 이 새로운 리소스를 Universal Dependencies로 변환하는 과정을 설명합니다. 두 주석 체계 (annotation schemes)는 언뜻 보기에는 비교적 유사하지만, 의존 구조 (dependency structures)의 토폴로지 (topology)와 품사 (POS) 및 관계 유형 (relation type) 인벤토리의 세분성 (granularity) 측면에서 수많은 미세한 차이가 존재합니다. 우리는 예시를 통해 이러한 차이점의 선택된 사례들을 보여주고, 서로 다른 동기들을 논의하며, 변환 과정에서 이러한 차이점을 극복하는 방법들을 논의합니다. 우리는 PDT가 덜 "보편적 (universal)"이고 하나의 언어에 더 밀접하게 결합되어 있지만, 그 다층 주석 (multi-layer annotation)은 풍부하며 기본적인 UD 트리 (trees)에 필요한 모든 정보와 그 이상의 정보를 제공한다고 주장합니다.