הגדרה של קורפוס בעברית המתוייג מורפו-סינטקטית. גרסה: $Revision: 1.6 $ תאריך עדכון אחרון: $Date: 19.12.2011 $. הקורפוס נועד לייצג טקסטים בעברית אשר מחולקים למאמרים, פסקות, משפטים ומילים, כאשר כל מילה ומילה יכולה לקבל ניתוחים מורפו-סינטקטיים. מסמך זה אמור להיות ברור ועצמאי, אולם, ייתכן שבעתיד יתווספו הפניות למקורות מידע נוספים. נא לשלוח הערות, שאלות ובקשות לדליה בוז'ן daliabo@cs.technion.ac.il mila@cs.technion.ac.il להלן התנאים לשימוש במסמך זה, להלן, הרשיון: Copyright (C) 2010 Mila Knowledge center. It is released to the public licensed under the GNU General Public License (GPL). See the COPYING file included in this distribution for the whole text of the GNU General Public License version 2. There is no warranty of any kind for the contents of this distribution. נותר לבצע: ========== יש לאכוף אילוצים רבים אשר אינם באים לידי אכיפה או אפילו לידי ביטוי בסכימה זו. ההצעה שלי היא לנסח סכימת RELAXNG אשר תדאג לאכיפת האילוצים, ואז כל מערכת אשר תעשה שימוש בהגדרות אלה, תצטרך בעצם לבצע ולידציה מול שני סוגי הסכימות. קורפוס משמש כשורש המסמך. הוא מכיל מידע על הקורפוס וכן אוסף מאמרים. שם הקורפוס, גרסה, גרסה פנימית, תאריך עדכון אחרון, שם מתחזק המסמך, דוא"ל של מתחזק המסמך, רשימת מקורות, רשיון שימוש, מיפוי מחרוזות לתעתיק לועזי. מבנה המתאר מקור ממנו התקבלו הטקסטים לקורפוס. שם המקור, גרסה של המקור, הפנייה (למשל קישור). מבנה המתאר מיפוי בין מחרוזות בעברית למחרוזות בתעתיק לטיני. בפרט, מתואר מיפוי אותיות. כל מאמר מורכב מאוסף של פסקות. מזהה (id) הוא בעל משמעות בתוך המסמך עצמו ולצרכי הצבעה על עליו ועל חלקיו. ההצבעה היא בעלת משמעות כאשר היא משולבת גם בנתוני המידע של הקורפוס מתוך ה-metadata. מאמר, כאמור, מורכב מאוסף פסקות. בפרט, כותרות ותת כותרות ייוצגו גם הן ע"י פסקות, בהעדר תיוג מיוחד עבורן. פסקה מורכבת מאוסף משפטים. משפט מורכב מאוסף תמניות (מילים). תמנית מציגה את המילה על פני השטח בעברית ובתעתיק לטיני וכן, עשויה להכיל ניתוחים מורפו-סינטקטיים של המילה על פני השטח. ניתוח מכיל בסיס וייתכן שגם תחיליות וסופיות לדיון בצירופים אפשריים של מילות השימוש הזעירות ראה דיון: http://cs.haifa.ac.il/~shlomo/hebrew/prefixal_particles.html ערך מילוני של המילה המנותחת בכתיב מלא חסר ניקוד ע"פ כללי האקדמיה ללשון עברית. אין חובה למלא ערך זה עבור צורות שלהן אין ערך מילוני, כגון סימני פיסוק. משמש לאותה מטרה כמו lexiconItem אבל מכיל את אותו המידע בתעתיק הלטיני. אין חובה למלא ערך זה עבור צורות שלהן אין ערך מילוני, כגון סימני פיסוק. ערך מילוני של המילה המנותחת בכתיב מנוקד. מצביע למזהה בלקסיקון, לצורך הצבעה על הערך המילוני הרצוי. המזהה מתייחס לסרסה מסויימת מתאריך מסויים של הלקסיקון. מבנה זה מתאר את הערכים האפשריים לתכונת המין. מבנה זה מתאר את הערכים האפשריים לתכונת המספר. מבנה זה מתאר מצב הסמיכות: האם המילה בנטיית סמיכות, או שלא... מבנה זה מתאר סוגים שונים של כינוי גוף (שם גוף). המבנה מתאר מילות קריאה. מבנה זה מתאר מילות חיבור. מבנה זה מתאר מילות שלילה. מבנה זה מתאר חסרי משקל וגוף. מבנה זה מתאר תחיליות מבנה זה מתאר מילים זרות. מבנה זה מתאר כתובת דואר אלקטרוני וכתובת אינטרנט זבל מבנה זה מתאר את כל המקרים בהם לא ניתן ניתוח מתוך הלקסיקון מבנה זה מייצג תאריך/שעה מבנה זה מתאר סימני פיסוק או סימנים אחרים שאינם מתאימים לחלקי הדיבר שמפורטים לעיל מבנה זה מגדיר כמתים מספריים ושמות מספר. התכונות הן ע"פ Glinert "The grammar of Modern Hebrew". הצורה הבסיסית בשמות מספר היא דווקא צורת נקבה. אולם, מטעמי נוחות נפרט את שמות המספר. וכן ישנם מספרים המיוצגים בספרות ובגימטריא. באופן כללי כל כמת נראה אותו הדבר בנפרד ובנסמך, אולם ישנם מספר יוצאי דופן. אין התייחסות ליחיד מול רבים שכן רק אחד/אחת ביחיד וכל השאר מייצגים ריבוי כזה או אחר או שלתכונת הריבוי אין משמעות.