Issn 2518-198х индексі 74623 Индекс 74623 Қ ар ағ анд ы уни вер си тетiнiң ÕÀÁÀÐØÛÑÛ



Pdf көрінісі
бет14/46
Дата12.10.2022
өлшемі5,53 Mb.
#42591
1   ...   10   11   12   13   14   15   16   17   ...   46
Байланысты:
аааа сейдімбек

Kazakh POS tag sets 
No. Tag 
Name in Kz 
Description 
No. 
Tag 
Name in Kz 
Description 
1 n 
تاز
 
مﯩسە
 
noun 8 
part 
ۋلاﯩش 
Auxiliary word 
2 num 
ناس
 
مﯩسە
 
numeral 9 ono 
شﯨۋەتكﯩلە 
onomatopoeia 
3 int 
ياعادو 
interjection 10 q 
كﯩلرەشلوم
 
quantifier 
4 v 
كﯩتسﯩتە 
verb 11 F 
مرﯩك
رەدزﯘسە
 
loanword 
5 adj 
نﯩس
 
مﯩسە
 
adjective 12 abbrev 
پﯩتراقسﯩق 
abbreviate 
6 pron 
كﯨدمﯩسە 
pronoun 13 punc سﯩنﯩت
 
ب
ىسﯩگلە
punctuation 
7 adv 
ۋەتسۇ 
adverb 14 sym 
ب
ىسﯩگلە
symbol 
Recent years, according to the phrase recognition of Kazakh shallow syntactic parsing problem, we in-
vestigated the basic structure system of Kazakh basic phrase , and study determined the noun, verb and ad-
jective phrase structure as following. The basic phrase symbols using the IOB annotation approach for Ka-
zakh language basic phrase (Table 2). 
T a b l e 2
Kazakh phrase tag sets and examples 
Phrase Tag 
Keyword 
E.g. 
Begin-tag 
In-tag 
Out-tag 
Noun phrase 
NP 
Noun 
زﯘك نﯩتلا 
B-NP I-NP o 
Verb phrase 
VP 
Verb 
 اقتارﯘم
ﯟتەج 
B-VP I-VP o 
Adjective phrase 
ADJP 
Adjective 
پات
-
 
ازات
 
B-ADJP I-ADJP o 
Pronoun phrase 
PRONP 
Pronoun 
 ﯔﯩنو
ىتارﯘم 
B-PRONP I-PRONP 

Numeral phrase 
NUMP 
Numeral 
 زﯩگەس
ﯔﯩم زﯩعوت 
B-NUMP I-NUMP 

Adverb phrase 
ADVP 
Adverb 
زەت ڭە 
B-ADVP I-ADVP 

Constructing Kazakh corpus: Before collecting the Kazakh Arabic texts, a plan was made to decide on 
the start size of our corpus and text types. So, In order to achieve the balance and typical of the distribution 
of Kazakh language corpus, there are two main corpora for our research, one is use the ‘Xinjiang daily’ Ka-
zakh version electronic text data whole 2008 year. The corpus includes news, economy, science and educa-
tion, sports, Kazakhstan customs five columns. Another is the Kazakh Arabic textbooks from primary school, 
middle school to senior high school in Xinjiang, China, it is a classic and standard Kazakh teaching textbook. 
Through the construction of a few years, these two corpora and some other materials constitute our Kazakh 
language corpus – Kazakh language corpus – KzLC. Many text collection was done manually because Ka-
zakh language is low resource language, and our task was to fine Arabic Kazakh text resources and obtain 
their copyright permission, then convert the different input text to our standard Unicode text format. For ex-
ample, the raw corpus is media newspaper webpage format, and needs to convert into plain text corpus ac-
cording to the ‘year/month/date’, and should remove junk information in webpage format, only retaining the 
effective text information content, and the converted file format for the TXT file. 


А corpus-based frequency statistic… 
Серия «Филология». № 2(86)/2017 
17 
Based on the Corpus evaluation principles of the standard, typical, structural and balanced, our work 
adopts the method of human-computer interaction and statistics to construct the annotated corpus. This con-
struction tasks include dictionary resources, words and phrases annotation by syntactic level in Kazakh lan-
guage corpus. The analysis of word statistics information based on corpus 
Study on word statistics information analysis based on corpus includes many aspects, the natural lan-
guage information statistical corpus based analysis of lexical distribution analysis on keywords based analy-
sis of various circumstances analysis, the analysis of corpus based vocabulary research, including frequency 
collocation research, dictionary compilation, new words and popular words etc.. This paper focuses on 
the word frequency, the Kazakh word length and different stage, the Kazakh word frequency is consistent 
with the linguistic rules of Zipf's law. 
In order to make a corpus based statistical analysis of Kazakh word information, the following terms are 
introduced. Frequency analysis refers to the distribution of data by means of frequency distribution tables 
and charts. Frequency refers to the ratio of the frequency of the word to that of the current corpus. The for-
mula is as follows: 
F
/
100
i
i
n N


%. 
Here 
i
n
— is the number of occurrences of the word; N — is the total number of occurrences of the corpus; 
F — is frequency; 
i
F
— is the frequency of the word i
Data of Corpus. In the experiment, there are two corpora for our research, First experimental data is 
«Xinjiang daily» Kazakh version of 2008 year electronic text data, Second experimental data is for analysis 
of word frequency use the Kazakh Textbooks. The Kazakh word frequency comply. Kazakh language has a 
complex morphological structure, similar to typical agglutinative languages. Words can be formed by long 
concatenations of morphemes with some order or semantic features. Kazakh words letters analysis with sta-
tistics: Firstly, We use the first experimental data for the following Initials letter statistical analysis of Kazakh 
words.
Figure 1. Initials letter statistics of Kazakh words
Figure 1 show the letter «
ا
» accounts for 9.71% of our total vocabulary, then accounted the letter «
ق
» 
and «
ب
» for 9.09 % and 8.66 %, the letter «
ھ
» is minimum number of words Accounts for only 0.019% of the 
total vocabulary only in interjection. 
Then, we also use the first experimental data for the following all letter statistical analysis of Kazakh 
words. According to Figure 2, these three letters, 
appear lots of times in the textbook. 
However, three other letters, 

ھ
did not appear to many times, which show the frequency of 
utilization of Kazakh letters. 
Figure 2. All letter statistics of Kazakh words 
0
2
4
6
8
10
12
ا
ب
إ
گ ع
د ج
ز ي ك ق ل
م ن ث پ ر س ت
ة ش و وء ذ
ؤ ذء ئ ئء ح چ ف
ه
اء
哈萨克语33个基本字母
开头字
母的
百分
比(%

系列1
哈萨克语语字母
0
50000
100000
150000
200000
250000
300000
ا ب إ گ ع د ج ز ي ك ق ل م ن ث پ ر س ت ة ش و وء ذ
ؤ ذء ئ ء ح چ ف ه اء
字母
字母的个数
哈语字母


G. Altenbek, X.L. Wang 
18 
Вестник Карагандинского университета 
Finally, in order to do further explanation, for a comparative analysis of the statistics of the Arabic Ka-
zakh alphabet statistical data and the Cyrillic Kazakh alphabet frequency statistics, the Kazakhstan scholar 
Makhambetov (Makhambetov et al., 2013). The Cyrillic Kazakh alphabet frequency statistics table shown in 
Figure 3. The Table shows that we are ranked first а, е, ы, н, «а, е, ы, н» four letters in Kazakhstan's Ka-
zakh language is also ranked the first four. And the ranking of the «ə, һ» letters in Kazakhstan Kazakh lan-
guage is also ranked low. This experiments show that the frequency of pure Kazakh voice letters all over the 
world are basically consistent. 
Figure 3. Kazakh Cyrillic letter statistics (Kazakhstan) 
The Kazakh word frequency comply with Zipf's law of power law: The Zipf's law is named after the 
American linguist George Kingsley Zipf, it states that given some corpus of natural language utterances, the 
frequency of any word is inversely proportional to its rank in the frequency Table 3. The Zipf's law formula 
is as follows: 
.
r
f
r c
 
Or 
γ
,
r
p
cr


here f — is frequency; r — is rank; c — is constant; γ — is parameter. 
We use the first experimental data for the relationship between the frequency and length of words 
statistical analysis of Kazakh words. Length of the word is calculated based on numbers of letters in the 
word. 
T a b l e 3


Достарыңызбен бөлісу:
1   ...   10   11   12   13   14   15   16   17   ...   46




©emirsaba.org 2024
әкімшілігінің қараңыз

    Басты бет