СинТа́гРус (, сокр. от , «синтаксически аннотированный корпус русских текстов») — глубоко аннотированный корпус текстов русского языка, первый корпус русских текстов с синтаксической разметкой. Разрабатывается с 1998 года Лабораторией компьютерной лингвистики ИППИ РАН. Корпус состоит из текстов различных жанров; общее количество словоупотреблений составляет более миллионов.
СинТагРус основан на идеологии многоцелевого лингвистического процессора ЭТАП. Особенностью корпуса является наличие нескольких уровней аннотации разной глубины, включая полную морфологическую и синтаксическую разметку со снятой омонимией. Языком разметки является XML.
СинТагРус распространяется по некоммерческой лицензии. Кроме того, корпус был также преобразован в различные форматы; некоторые из этих версий (или конвертеров) находятся в открытом доступе, а ограниченная версия оригинального корпуса входит в состав Национального корпуса русского языка.
История Результатом появления в начале 1990-х годов корпусов с синтаксической разметкой стало развитие эмпирических методов в задачах обработки естественного языка. Причём использование таких корпусов нашло своё применение не только в контексте собственно синтаксического анализа, но и в ряде других задач, среди которых разрешение лексической многозначности, семантический анализ и др.
К концу 1990-х годов для большинства основных европейских языков были созданы аннотированные корпусы, тогда как для русского языка таких корпусов фактически не существовало. Более того, даже существовавшие на тот момент неразмеченные корпусы (например, Уппсальский корпус русского языка) не были общедоступными.
По этим причинам с 1998 года началась разработка первого аннотированного корпуса русского языка СинТагРус, ставшего впоследствии эталоном среди корпусов с синтаксической разметкой. При этом разработчики принимали участие и в создании Национального корпуса русского языка; в частности, СинТагРус (с некоторыми ограничениями) является составной, но полностью автономной частью НКРЯ с момента создания последнего. В НКРЯ для СинТагРуса (как подкорпуса) используется название «Синтаксический корпус».
Разработка СинТагРуса осуществляется Лабораторией компьютерной лингвистики ИППИ РАН. В создании корпуса также принимал участие Сектор теоретической семантики ИРЯ РАН.
Состав корпуса Исходным материалом для СинТагРуса послужил Уппсальский корпус русского языка: было взято около предложений из текстов художественных произведений. Впоследствии в корпус были добавлены короткие (до предложений) тексты, взятые с сайтов популярных новостных изданий (yandex.ru, rbc.ru, polit.ru, lenta.ru, strana.ru, news.ru).
По состоянию на 2024 год СинТагРус насчитывает около тысяч предложений (более миллионов словоупотреблений), взятых из текстов следующих жанров:
художественная проза XX—XXI веков; современная научно-популярная литература; публицистика; биографии; газетные и журнальные статьи, опубликованные в период с 1960 года по настоящее время; новостные ленты (тексты общественно-политического, культурного, экономического и научно-технического характера).
Типы и формат разметки
Отличительной особенностью СинТагРуса по сравнению с другими аннотированными корпусами русского языка является наличие нескольких уровней аннотации разной глубины, которые могут извлекаться из корпуса независимо, причём количество этих уровней потенциально не ограничено. Языком разметки корпуса является XML, а формат разметки совместим с формализмом , за исключением некоторых дополнительно введённых элементов и атрибутов. В основном разметка произвольного текста осуществляется в два шага:
Предварительная разметка текста в автоматическом режиме средствами лингвистического процессора ЭТАП, являющегося практической реализацией модели «Смысл — Текст». Проверка и, в случае необходимости, корректирование разметки экспертом-лингвистом.
Далее будут перечислены имеющиеся в корпусе типы разметки.
Разбиение текста на предложения и лексические элементы Каждый текст в СинТагРусе разбит на предложения. Каждое предложение является элементом с именем S, и у каждого такого элемента есть атрибут ID, значением которого является порядковый номер предложения в тексте. Аналогично каждое предложение разбито на лексические элементы с именем W, и у каждого такого элемента есть атрибут ID, значением которого является порядковый номер слова в данном предложении. Знаки препинания оформляются в виде текста тега предложения (с сохранением их относительного расположения в исходном тексте) и не выражаются собственными тегами.
Морфологическая разметка Морфологическая структура словоформы представляет собой имя лексемы, или лемму, которой приписывается часть речи и морфологические характеристики, то есть значения соответствующих морфологических категорий. Для соответствующей словоформы лемма является значением атрибута LEMMA, а часть речи и морфологические характеристики совместно являются значением атрибута FEAT.
+ Используемые части речи Часть речи Сокращение Примеры Существительное S завод, я Прилагательное A новый, мой Глагол V одеваться Наречие ADV плохо, отчасти Числительное NUM пять, 2 Предлог PR под Композит COM авиа, гидро Союз CONJ и Частица PART всё-таки Междометие INTJ то-то Слово — иноязычное вкрапление NID WhatsApp, Берлинер Цайтунг
+ Используемые морфологические характеристики Морфологическая характеристика Сокращение Примечание Одушевлённость Одушевлённое ОД Неодушевлённое НЕОД Род Мужской МУЖ Женский ЖЕН Средний СРЕД Число Единственное ЕД Множественное МН Падеж Именительный ИМ Родительный РОД Партитивный ПАРТ Указывается только для существительных, у которых эта форма графически отличается от формы родительного падежа Дательный ДАТ Винительный ВИН Творительный ТВОР Предложный ПР Местный МЕСТН Указывается только для существительных, у которых эта форма графически отличается от формы предложного падежа Звательный ЗВ Указывается только для существительных, у которых эта форма графически отличается от формы именительного падежа Степень сравнения Сравнительная СРАВ Превосходная ПРЕВ Краткость Краткое КР Репрезентация Инфинитив ИНФ Причастие ПРИЧ Деепричастие ДЕЕПР Наклонение Изъявительное ИЗЪЯВ Повелительное ПОВ Вид Несовершенный НЕСОВ Совершенный СОВ Время Непрошедшее НЕПРОШ Прошедшее ПРОШ Настоящее НАСТ Приписывается только глаголу быть в личной форме Лицо Первое 1-Л Приписывается только глаголам Второе 2-Л Третье 3-Л Залог Страдательный СТРАД Дополнительные характеристики Словосложение СЛ Смягчённая сравнительная степень СМЯГ
Синтаксическая разметка
Синтаксическая разметка предложений корпуса осуществляется в рамках грамматики зависимостей: синтаксической структурой является ориентированное дерево, узлами которого являются слова, а каждое ребро направлено от слова-хозяина к слову-слуге и соответствует некоторому синтаксическому отношению. Слово, соответствующее корню дерева, называется вершиной предложения и, в отличие от остальных слов предложения, синтаксически не зависит ни от какого другого. Синтаксические группы оформляются в виде поддеревьев исходного дерева: в каждом таком поддереве один из членов группы является её представителем во внешних связях и подчиняет остальные члены группы. Всего в СинТагРусе различается около 70 типов синтаксических отношений.
+ Актантные синтаксические отношения Синтаксическое отношение Сокращение Слово-хозяин Слово-слуга Предикативное предик Сказуемое Подлежащее Дательно-субъектное дат-субъект Слово, обозначающее состояние субъект состояния, обозначаемого словом-хозяином Агентивное агент Слово, обозначающее действие Субъект действия, обозначаемого словом-хозяином Квазиагентивное квазиагент Предикатное существительное Слово, реализующее первую синтаксическую валентность слова-хозяина Несобственно-агентивное несобст-агент Глагол Слово, реализующее первую семантическую валентность существительного, являющегося семантическим актантом слова-хозяина Первое комплетивное 1-компл Предикатное слово Синтаксический актант слова-хозяина, за исключением первого. Так, первое комплетивное отношение относится ко второму актанту, второе — к третьему и т. д. Второе комплетивное 2-компл Третье комплетивное 3-компл Четвертое комплетивное 4-компл Пятое комплетивное 5-компл Присвязочное присвяз Глагол-связка Именная часть сказуемого Первое несобственно-комплетивное 1-несобст-компл Функциональный глагол Дополнение (первое, второе и т. д.), семантическим хозяином которого является некоторый семантический актант слова-хозяина Второе несобственно-комплетивное 2-несобст-компл Третье несобственно-комплетивное 3-несобст-компл Четвертое несобственно-комплетивное 4-несобст-компл Пятое несобственно-комплетивное 5-несобст-компл Неактантно-комплетивное неакт-компл Предикатное слово Слово, не являющееся полноценным семантическим актантом слова-хозяина, но по синтаксической функции близкое к дополнению Комплетивно-аппозитивное компл-аппоз Параметрическое существительное или существительное типа рейс, маршрут, поезд Семантический актант слова-хозяина, если этот актант выражается именительным падежом или его синтаксическим эквивалентом Предложное предл Предлог Вершина именной группы, зависящая от предлога Подчинительно-союзное подч-союзн Подчинительный союз Вершина придаточного предложения, вводимого починительным союзом Инфинитивно-союзное инф-союзн Подчинительный союз Инфинитив Сравнительное сравнит Прилагательное или наречие в сравнительной степени Вершина именной группы в родительном падеже, представляющая второй из сравниваемых членов, либо сравнительный союз чем Глагол, имя или наречие Сравнительный союз Сравнительно-союзное сравн-союзн Сравнительный союз Второй из сравниваемых членов сравнительной конструкции Элективное электив Числительное, порядковое прилагательное, прилагательное в превосходной степени или прилагательное со словом самый Предлог из или среди, вводящий указание на множество, в котором производится выбор Сентенциально-предикативное сент-предик Вершина предложения, выражающего ситуацию, описываемую в идентифицирующей конструкции Указательное местоименное существительное это или то в именительном падеже Адресатно-присвязочное адр-присв Слово-отношение, выступающее в качестве именной части сказуемого при (возможно, нулевой) связке Существительное в дательном падеже, заполняющее, по существу, синтаксическую валентность слова-хозяина Дательно-сентенциальное дат-сент Существительное или его эквивалент в именительном, винительном, родительном или партитивном падеже, а также предлог, вводящий предложную группу с распределительным значением Слово в дательном падеже, обозначающее лицо или агента