1 4. Formalny opis j zyka naturalnego Analiza
Transkrypt
1 4. Formalny opis j zyka naturalnego Analiza
Analiza morfologiczna Analiza morfologiczna to przypisywanie formie słowa jego formy podstawowej oraz zestawu warto ci cech gramatycznych ś 4. Formalny opis j zyka naturalnego (form podstawowa dla rzeczowników i przymiotników jest forma mianownika liczby pojedynczej, dla czasowników bezokolicznik) ą Analiza morfologiczna. Rozpoznawanie morfemów, np.koty -> kot +N +PL+nom metoda: kaskada FST - wyj cie z jednego jest wej ciem do kolejnego ś Struktury artybutów. Unifikacja. pa dziernik, 2004 1 ź pa dziernik, 2004 2 ź Najprostsza analiza morfologiczna ś Prosty sł słownik bardzo prosty automat angielskie rzeczowniki reg. plural plural (-s) q0 c q1 a t s q2 irreg-pl g r ε irreg-sg dog (q1), dogs(q2), fox(q2), foxes (q2) o o e Kolejne kroki: doł czenie słów (przej cia po ka dej literze) modelowanie uogólnie (np. ko cówki regularne typu -ing) s e e ś ą Ŝ ń car, cars, cat, cats, goose, geese ?fox, foxes ń ź pa dziernik, 2004 ź 3 pa dziernik, 2004 Analiza morfologiczna Rozpoznawanie morfemów, np. FST (Finite State Transducer) 4 FST - Tnum koty -> kot +N +PL przypisanie słowom tagów oznaczaj cych liczb gramtyczn ą (a - skrócony zapis a : a ę ^ - granica morfemu ą # - granica słowa) mapowanie mi dzy dwoma poziomami opisu ę leksykalny -> powierzchniowy ś c a t +N c a t s q0 +PL ź 5 +N : irreg-pl-noun-stem ź pa dziernik, 2004 ε +PL : ^s# q7 +SG:# q5 +SG:# q4 +N : q3 ś kaskada FST - wyj cie z jednego jest wej ciem do kolejnego pa dziernik, 2004 reg. noun stem q1 irreg-sg-noun-stem q2 ε q6 +N : + PL : # ε 6 1 FST - Tnum ο Tstems Reguł Reguły ortograficzne ś Analiza morfologiczna - kaskada (zło enie) f o x Ŝ c a t Dla po redniej postaci tekstu mo emy zdefiniowa reguły implementuj ce ró ne zasady ortograficzne, np Ŝ ą +N: ε g ć Ŝ – Wprowadzenie znaczników ko ca morfemu pozwala na ń implementacj reguł wprowadzania -e- mi dzy spółgłoski ‘z’, ‘s’ i ‘x’ a ko cówk -s – reguła ta mo e by zaimplementowana jako kolejny transducer ę ń d o + PL:^s# ę ę Ŝ ć +SG:# +PL:# m u: ε o:i s:c +N : ε e pa dziernik, 2004 7 ź pa dziernik, 2004 Kolejny poziom analizy FST - Tstems reg-noun-stem | cat q0 8 ź @ :@ (cokolwiek) q1 Analiza morfologiczna - (foxes) poziom leksykalny irreg-sg-noun-stem | goose irreg-pl-noun-stem | g o:e o:e s e poziom po redni ś foxes poziom leksykalny poziom po redni ś f o x +N f o x ^ poziom powierzchniowy +PL s ź x +N +PL f o x ^ s f o x e s # ź 9 pa dziernik, 2004 10 Analizatory morfologiczne dla polskiego Analizatory morfologiczne Ró nice pomi dzy analizatorami: Ŝ o # pa dziernik, 2004 f Morfeusz, http://nlp.ipipan.waw.pl/~wolinski/morfeusz/morfeusz, PoMor, analizator firmy MorphoLogic, W gry, ę analizator AMOR (IJP UW), SAM, analizator oparty o indeks a tergo Tokarskiego (2002), dost pny ę –sposób analizy –reakcja na nieznane słowa –zestaw przyj tych znaczników morfosyntaktycznych (format ę zwracanych rezultatów) ę bezpłatnie do celów niekomercyjnych pod adresem: http://www.mimuw.edu.pl/~kszafran/SAM-dists/, obecnie nierozwijany; LEM, produkt firmy LEX, Pozna ; prof. Zygmunt Vetulani, ([email protected]), XeLDA, produkt firmy XEROX: tokenizer i analizator morfologiczny; wersja demo http://www.xrce.xerox.com/competencies/content-analysis/demos/polish narz dzia Jana Daciuka do analizy morfologicznej dost pne bezpłatnie do celów niekomercyjnych pod adresem: http://www.pg.gda.pl/~jandac/fsa.html analizator firmy TiP , działaj cy m.in. w programie MsWord, baza fleksyjna j zyka polskiego, Kraków, AGH; prof. Wiesław Lubaszewski: http://www.icsr.agh.edu.pl/fleksbaz/, analizator opracowany na potrzeby systemu tłumacz cego POLENG, Filip Grali ski, [email protected]. ń ę –raczej nie warto budowa kolejnego przed sprawdzeniem istniej cych ć ą ę ą ę ą ń ź pa dziernik, 2004 11 ź pa dziernik, 2004 12 2 Anotowanie informacjami morfoskł morfoskładniowymi Synteza morfologiczna Synteza morfologiczna (proces odwrotny do analizy) to ustalenie formy słowa na podstawie jego formy podstawowej oraz zestawu warto ci cech gramatycznych Przypisywanie słowom kategorii składniowej (part of i warto ci cech morfologicznych, np. piła: V, os3, liczba poj., r. e ski , czas przeszły N, liczba poj.,r. e ski, mian. ś speech tagging) ś Ŝ Ŝ Poniewa transducery opisuj przekształcenia dwukierunkowe, ta sama kaskada transducerów mo e słu y do analizy i do syntezy morfologicznej. (oczywi cie nie ka da analiza morfologiczna jest w ten sposób zaimplementowana) Ŝ ą Ŝ Ŝ ć ń ń zastosowanie ( zamiana tekstu na mow , wyszukiwanie informacji, analiza składniowa, tłumaczenie) ę Ŝ ś Dane: - zbiór tagów (indeksów, etykiet) tagset – słownik zawieraj cy słowa wraz z ich tagami ą – tekst do analizy ś pa dziernik, 2004 13 ź Znajomo celu wpływa istotnie na sposób wykonania zadania anotowania tekstu pa dziernik, 2004 14 ź ć Tagset Tagowanie ś Spis wszystkich kombinacji wybranych cech gramatycznych dla danego j zyka Tagowanie to przypisywanie słowom w tek cie jednoznacznych oznacze morfoskładniowych ń ę – T ⊂ C1×C2×... ×Cn Problemy: Tagi podlegaj standardowemu prawu dystrybucji: – wi kszo słów ma tylko jedn kategori składniow – z pozostałej cz wi kszo słów ma dwie kategorie … ą – zwykle ci g liter i cyfr: ą ę system skrótów: NNS (gen. noun, plural) system pozycyjny: pozycja i odpowiada Ci: – AAMP3----2A---- (gen. Adj., Masc., Pl., 3rd case (dative), comparative (2nd degree of comparison), Affirmative (no negation)) – tense, person, variant, etc.: N/A (oznaczone ‘-’) ć ś ą ę ś ć ę ś Oczywi cie, cz sto pojawiaj ce si słowa cz sto maj wi cej ni jeden tag: ę ś ą ę ę ą ę Ŝ np. lub (czasownik i spójnik), mam (czasownik i rzeczownik), je, lecz, klej, bro ń ! Stosunkowo łatwo przypisa tagi poszczególnym słowom, ale nie tak łatwo przypisa tagi słowom w tek cie ć ć ą ę ć ś tzn. problemem jest stwierdzenie, które z jednakowo wygl daj cych słów zostało u yte w danym miejscu tekstu. najbardziej znane: Brown, Penn, Multext[-East], ... ą ą Ŝ ź pa dziernik, 2004 ź 15 pa dziernik, 2004 Tagowanie reguł regułowe 16 Tagowanie reguł regułowe dla polskiego ś 1. R cznie opracowane reguły okre lania tagów: Adverbial-that rule (That is white,I consider that bad. vs. It isn’t that bad.) dane wej ciowe: "that" + wszystkie mo liwe jego tagi if (+1 A/ADV/QUANT); /* if next word is adj, adverb, or quantier */ (+2 SENT-LIM); /* and following which is a sentence boundary, */ (NOT -1 SVOC/A); /* and the previous word is not a verb like */ ę 1. 2. ś Ŝ Tager stworzony na potrzeby korpusu PWN Przykładowe reguły: zasada: czasownik w liczbie pojedynczej nie wyst puje z podmiotami w liczbie mnogiej, Implementacja: w kontek cie ograniczonym przez spójniki lub znaki interpunkcyjne nie mo e jednocze nie wyst pi czasownik w liczbie pojedynczej i rzeczownik w mianowniku liczby mnogiej, ę ś /* `consider' which allows adjs as object complements*/ ś then eliminate non-ADV tags else eliminate ADV tag ś osi gana skuteczno ą ć Ŝ to od 91 do 97% ź 2. wykorzystanie metod statystycznych (dokładny opis pó niej) ź pa dziernik, 2004 ą ć czasownik w liczbie mnogiej nie wyst puje z podmiotami w liczbie pojedynczej, chyba e s to podmioty szeregowe, 2004przed form miejscownika wyst puje albo inny18 blisko dopa dziernik, miejscownik albo jeden z przyimków \emph{na, po, w, przy, o}. ę Ŝ ą ś 17 ź ć ą ę 3 Alternatywne podej cia Gramatyki unifikacyjne (UG). dopuszczenie innych metod powstawania fraz ni tylko konkatenacja, uwzgl dnienie innych powi za syntaktycznych ni tylko struktura frazowa (nawet przy zachowaniu konkatenacji jako jedynej operacji), zawarcie informacji bezpo rednio w opisach słów (w słowniku) - leksykalizm, rezygnacja z atomowych zmiennych lub w ogóle z reguł CFG, uwzgl dnienie semantyki. Zapis własności języka naturalnego w gramatykach unifikacyjnych. Ŝ ę ą ń Ŝ ś Literatura dodatkowa: Shieber, S. M. An Introduction to Unification-Based Approaches to Grammar, CSLI Stanford, 1986 pa dziernik, 2004 19 ź ę pa dziernik, 2004 Atrybuty i struktury atrybutó atrybutów (AVM) Rozszerzenie formalizmu CFG Motywacja: doł czenie uzgodnie (np. liczba, osoba, rodzaj). Metoda: rozszerzenie CFG o mechanizmy oparte o struktury atrybutów - wzbogacenie symboli terminalnych i nieterminalnych o zestawy cech. ą 20 ź ń Struktury atrybutów (Attribute-value matrices (AVMs)) to zbiór par cecha - warto takich, e: ś ć Ŝ atrybuty s symbolami atomowymi warto ci atrybutów s albo atomami albo innymi strukturami atrybutów ą ś ą ś Własno ci metody: feature-1 value-1 feature-2 value-2 ... feature-n value-n – odpowiednia do opisu wielu zjawisk w j zyku naturalnym, nawet ę tak skomplikowanych jak zale no ci nielokalne. – Zachowuje podstawow struktur frazow opisywan przez CFG Ŝ ą ś ę ą ą ź pa dziernik, 2004 ź 21 pa dziernik, 2004 Struktury atrybutó atrybutów jako grafy Przykł Przykłady liczba poj. number sg liczba poj. osoba trzecia fraza rzecz. liczba poj. osoba trzecia 22 (zorientowane, acykliczne) cat np agreement number sg number sg person 3 person 3 CAT cat np number sg person 3 NP NUMBER SG cat np agreement ⇐ Tego nie osi gniemy ą number sg person 3 ju za pomoc atrybutów bez struktury wewn trznej Ŝ 3 ą ę AGREEMENT PERSON ź pa dziernik, 2004 23 ź pa dziernik, 2004 24 4 Zmienne Wspó Wspólne podstruktury W ramach jednej struktury atrybuty mog „podziela ” warto ci. Oznacza to, e ich warto ci s dokładnie te same struktury. ą rodzaje notacji: Ŝ num X([ ]) pers 1st num 1 pers 1st ś ą ć ś ą cat s head agreement 1 num X pers 1st number sg person 3rd [ agreement 1 ] subject ś podzielanie warto ci (value sharing, reentrancy): CAT f X(a) g X(a) S f 1 a g 1 AGREEMENT NUMBER SG ! HEAD SUBJECT pa dziernik, 2004 25 ź cie ki Struktura atrybutów to obiekt syntaktyczny składaj cy si ze sko czonego (mo e by pusty) zbioru par nazwa atrybutu-warto . Atrybuty nale do sko czonego, okre lonego z góry dla ka dej gramatyki zbioru cech. Warto ci atrybutów pochodz z danego, sko czonego zbioru atomów lub s tak e strukturami atrybutów. Struktura atrybutów mo e mie przypisana zmienn dwa wyst pienia tej samej zmiennej w ramach jednej struktury oznaczaj t sam warto Zbiory nazw atrybutów oraz warto ci atomowych tworz sygnatur danej gramatyki. ą ń number sg person 3rd [ agreement 1 ] Ŝ Ŝ zapis cie ki: head | agreement | number lub <head, agreement, number> head | subject | agreement | number Ŝ ś ś ń ą ć Ŝ ś ń Ŝ Ŝ ć ą ą ą ą ą ą ś ć ą ś ę val(A,cat) = s val(A, head|subject |agreement|number) = sg ź pa dziernik, 2004 27 Poprawno ę ć ś ą ś warto ci: 26 AVM - charakterystyka A= cat s head agreement 1 subject 3rd PERSON AGREEMENT pa dziernik, 2004 ź ź pa dziernik, 2004 AVM Warto ci atrybutó atrybutów ( cie ek) Struktura atrybutów jest poprawna (well-formed), je eli wszystkie wyst pienia tych samych zmiennych zwi zane s z tymi samymi warto ciami. Ŝ ą 28 ą ś val(A, Fi) -- warto ć atrybutu Fi w strukturze A ą ś well-formed f X(a) czyli g [ h X(a) ] not well-formed f g not well-formed f X ([H a]) g X ([H b]) ź pa dziernik, 2004 f 1 a g [h 1 A=[f X] B= [f Y] ] val(A, f) = val(B, f) = [ ] C= 1 [h a ] 1 b f X g X(a) val(C, f) = a 29 ź pa dziernik, 2004 D= f Y g X(a) val(D, f) = [ ] 30 5 Pochł Pochłanianie (subsumption (subsumption,, ⊆) Warto ci atrybutó atrybutów a uto samianie A1 = f1 [ g a ] f2 [ g a ] A2 = f1 1 [ g a ] f2 1 Informacje reprezentowane przez ró ne struktury atrybutów mog by porównywane. Relacj wyznaczaj ca porz dek cz ciowy struktur atrybutów jest pochłanianie. Ŝ ć val( A1, f1 ) = val( A1, f2 ) = val( A2, f1 ) = val( A2, f2 ) = [g a ] ę Załó my, e do AVM b d cej warto ci f1 w A1 i A2 dodana jest cecha h o warto ci b: Ŝ Ŝ ę ą g a h b f2 g a A2’ = f1 1 ą ę ą ę ą ś A1’ = f1 ą ą ś Niech A i B b d strukturami atrybutów opartymi o t sam sygnatur . Mówimy, e A pochłania B (A jest bardziej ogólne ni B, B jest bardziej specyficzne ni A, A ⊆ B ) je eli: ś ą ę ą Ŝ Ŝ Ŝ Ŝ 1. Je li A jest atomem, to B jest identycznym atomem. 2. Dla ka dego atrybutu F, je eli F okre lone jest w A (F∈ ∈dom(A)), to F okre lone jest w B (F ∈ dom(B)) i warto F w A pochłania warto F w B (val(A,F) ⊆ val(B, F)) 3. Je eli dwie cie ki w A s uto samione, to te same cie ki uto samione s w B. g a h b ś Ŝ f2 1 Ŝ ś ś teraz val( A1’, f1 ) = val( A2’, f1 ) = val( A2’, f2 ) ≠ val( A1’, f2 ) ś Ŝ Ŝ ś ą ć ś Ŝ ś Ŝ ć Ŝ ą pa dziernik, 2004 31 ź pa dziernik, 2004 Pochł Pochłanianie Pochł Pochłanianie, wł własno ci Pusta struktura [ ] jest struktur najbardziej ogóln (nie reprezentuje adnej informacji), pochłaniaj ca wszystkie inne struktury (tak e atomowe). [ ] ⊆ [ num poj ] [ num X ] ⊆ [ num poj ] (X to skrót notacyjny X [ ]) ą Ŝ 32 ź ą ś Relacja pochłaniania wyznacza porz dek cz ciowy. ą ę ą Ŝ Wi cej informacji -> bardziej specyficzna struktura num poj ⊆ num poj pers 3 Uto samienie warto ci to te dodanie informacji num1 poj ⊆ num1 1 poj num2 poj num2 1 Nie ka de dwie struktury s w tej relacji: Ŝ ró ne warto ci tego samego atrybutu [ num sg ] ⊇ [ num pl ] ⊆ ró ne zbiory atrybutów [ num sg ] ⊇ [ pers third ] ⊆ ę ś Ŝ Ŝ ź pa dziernik, 2004 ą ś Ŝ Ŝ ź 33 pa dziernik, 2004 34 Pochł Pochłanianie, wł własno ci, cd. cd. Operacje na AVM Co mo emy chcie zrobi ze strukturami atrybutów ? Ŝ ć ć – sprawdzi kompatybilno ć Element najmniejszy: struktura pusta pochłania ka d inn : ∀A, [ ] ⊆ A Ŝ ś ć (niesprzeczno ś ć dwóch struktur) – poł czy informacje zawarte w dwóch strukturach ą ą ć ⇓ ą Zwrotno : ∀ A, A ⊆ A Przechodnio : je eli A ⊆ B i B ⊆ C to A ⊆ C. unifikacja ś ć ś ć – znale Ŝ ź ć struktur ogólniejsz od danych dwóch struktur ę ą ⇓ generalizacja ź pa dziernik, 2004 35 ź pa dziernik, 2004 36 6 Unifikacja, Unifikacja, proste przykł przykłady Unifikacja, , to operacja ł czenia informacji zawartych w dwóch strukturach atrybutów. Wynikiem B C jest najbardziej ogólna struktura, która jest bardziej specyficzna ni B i C, o ile taka istnieje. A = B C wtw. gdy A najbardziej ogólna struktura tak , e B ⊆ A i C ⊆ A. ą Dwie struktury s unifikowalne, je eli składaj si z kompatybilnych opisów atrybutów: ą Ŝ ą ę Ŝ ą [ liczba sg] [ liczba sg] [ liczba sg] unifikacja ł [ liczba sg] Je eli wynik unifikacji istnieje, to mówimy, e dwie struktury s unifikowalne b d zgodne. Ŝ Ŝ ą ą ź Je eli wynik unifikacji nie istnieje, mówimy e dwie struktury s sprzeczne i oznaczamy to przez W terminach porz dku wyznaczonego przez pochłanianie wynik unifikacji to najmniejsze górne ograniczenie (lub) Ŝ [ liczba sg] = [ liczba sg ] Ŝ Niepowodzenie! [ liczba mnoga] = [ liczba [] ] = [ liczba sg ] czy ró ne atrybuty: [osoba 3rd] = liczba sg osoba 3rd ą Ŝ Ŝ ą ą argumentów. pa dziernik, 2004 37 ź pa dziernik, 2004 Unifikacja, przykł przykłady Unifikacja, przykł przykłady Struktura pusta jest elementem neutralnym unifikacji: [ agr [num sg]] [] 38 ź Uto samienie: Ŝ f [num sg ] g [pers third] = [ agr [num sg]] f g 1 1 = unifikacja „wchłania” struktury bardziej ogólne: f 1 g 1 num sg pers third ś [ num sg ] num sg pers third = Zmienne, po cz ciowym ukonkretnieniu, nie gin : num sg pers third ę [f X] ą [ f a ] = [ f X(a) ] ...i mog by wykorzystane do dalszych uto samie : ą ć [f X] ź pa dziernik, 2004 Ŝ [g X] = f X(a) g X ź 39 pa dziernik, 2004 40 Unifikacja, przykł przykłady Własno ci unifikacji [ g X ] = [f X(a)] [f a] ń warto ci równe idempotencja: A A=A A B=B ś f [ num sg ] g [num sg ] ś [f [ pers third ]] = f num sg pers third g [ num sg ] ... warto ci uot samione ś Ŝ f 1 [ num sg ] g 1 [f [ pers third ]] = f 1 przemienno : ł czno : A (B absorpcja If A ⊆ B then A B = B monotoniczno : If A ⊆ B then for every C, A ć ś ą ć A C) = (A B) C ś ć num sg pers third C⊆B C (uniikacja A z C pochłania wynik unifikacji B z C) g 1 ź pa dziernik, 2004 41 ź pa dziernik, 2004 42 7 Generalizacja, Generalizacja, wł własno ci ś Generalizacja (anty-unifikacja) to odwrotno Wynikiem generalizacji jest najbardziej specyficzna (najmniej ogólna) struktura atrybutów, która jest bardziej ogólna od obu argumentów ć unifikacji. W treminach porz dku wyznaczonego przez relacj pochłaniania wynikiem generalizacji jest najwi ksze dolne ograniczenie (greatest lower bound, glb) dwóch struktur atrybutów. Inaczej ni w przypadku unifikacji generalizacja nigdy nie “zawodzi”. ą ę Generalizacja redukuje informacje [num sg ] [pers third ] =[] ró ne atomy nie daj si poł czy : [ num sg ] [ num pl ] =[] pusta struktura jest zerem operacji uto samienie mo e zosta utracone Ŝ ą ę ą [agr [num sg ]] ę Ŝ ć []=[] Ŝ ć Ŝ pa dziernik, 2004 f [ num sg ] g [ num sg ] 43 ź f g 1 [ num sg ] = f [num sg] 1 g [num sg] pa dziernik, 2004 44 ź „Utypowione” Utypowione” struktury atrybutó atrybutów „Utypowione” Utypowione” struktury atrybutó atrybutów Strukturom atrybutów mo na przypisa typ. Typy mog tworzy hierarchi (wielohierarchi ). Definicja typu to nazwa oraz lista atrybutów i typów ich warto ci. Obiekty nale ce do podtypu dziedzicz definicje atrybutów od wszystkich swoich nadtypów. Ŝ ę ć ą ć ę ś Ŝ ą ą 3sgmas-agr top a Atr1 a [Atr1 b] a1 [Atr2 c] b a2 b1 a Atr2 c b NUMBER sg PERSON 3rd GENDER masc AGR c a1 Atr1 b1 Atr2 c b2 3sgmas-agr b Atr1 a1 AGR 3sgmas NUMBER sg PERSON 3rd GENDER masc 3sgmas dwie konwencje zapisywania nazw typów, my b dziemy zapisywa „na górze” struktury ę kolor niebieski – nazwy typów, kolor zielony – nazwy atrybutów ć ź pa dziernik, 2004 45 ź pa dziernik, 2004 46 Hierarchia typó typów Dziedziczenie ą ć ę Obiekty nale ce do podtypu dziedzicz definicje atrybutów od wszystkich swoich nadtypów. Typy mog tworzy hierarchi (wielohierarchi ). Ŝ ę nom ≤nom-gen ≤ case-type ą ą verb case-type verb1 sg verb2sg verb3sg gen-dat acc-dat nom-gen nom-acc dat gen acc nom ... verb3pl verb_npacc verb_acc_dat ... verb3sg_npacc ź pa dziernik, 2004 47 ź pa dziernik, 2004 48 8 Unifikacja utypowionych struktur atrybutó atrybutów Dziedziczenie verb verb3sg Dwie struktury atrybutów f1 i f2 o typach t1 i t2 unifikuj si je eli: ę agr person person number number gender gender agr person 3 number sg gender gender a) f1 i f2 unifikuj si b) okre lone jest najmniejsze górne ograniczenie dla typów t1 i t2 (zbiory obiektów opisywanych przez t1 i t2 nie s rozł czne) ą verb3sg_npacc subcat < noun > case acc ą widzi nom-acc CASE cval person 3 number sg gender gender subcat < noun > case acc OBL − 49 ź ą Przykład: agr pa dziernik, 2004 ę ś verb_npacc ą Ŝ nom-gen CASE cval = nom CASE cval OBL {+, −} OBL − pa dziernik, 2004 50 ź Unifikacja utypowionych AVM, cd Unifikacja utypowionych struktur mo e wi c zawie , nawet je eli same opisy s unifikowalne: Ŝ Ŝ ę ś ć ą nom CASE cval OBL - dat CASE cval OBL - = Przykład: je eli zdefiniujemy rzeczowniki i przymiotniki w sposób nast puj cy: noun adj CASE cval CASE cval NUMBER nval NUMBER nval GENDER gval GENDER gval Ŝ ę ą Dzi kuj za uwag . ę ę ę powy sze opisy nigdy si nie uzgodni (zunifikuj ). Ŝ ź pa dziernik, 2004 ę ą ą 51 ź pa dziernik, 2004 52 9