German clause-embedding predicates : an extraction and classification approach

This thesis describes a semi-automatic approach to the analysis of subcategorisation properties of verbal, nominal and multiword predicates in German. We semi-automatically classify predicates according to their subcategorisation properties by means of extracting them from German corpora along with their complements. In this work, we concentrate exclusively on sentential complements, such as dass, ob and w-clauses, although our methods can be also applied for other complement types. Our aim is not only to extract and classify predicates but also to compare subcategorisation properties of morphologically related predicates, such as verbs and their nominalisations. It is usually assumed that subcategorisation properties of nominalisations are taken over from their underlying verbs. However, our tests show that there exist different types of relations between them. Thus, we review subcategorisation properties of morphologically related words and analyse their correspondences and differences. For this purpose, we elaborate a set of semi-automatic procedures, which allow us not only to classify extracted units according to their subcategorisation properties, but also to compare the properties of verbs and their nominalisations, which occur both freely in corpora and within a multiword expression. The lexical data are created to serve symbolic NLP, especially large symbolic grammars for deep processing, such as HPSG or LFG, cf. work in the LinGO project (Copestake et al. 2004) and the Pargram project (Butt et al. 2002). HPSG and LFG need detailed linguistic knowledge. Besides that, subcategorisation iformation can be applied in applications for IE, cf. (Surdeanu et al. 2003). Moreover, this information is necessary for linguistic, lexicographic, SLA and translation work. Our extraction and classification procedures are precision-oriented, which means that we focus on high accuracy of our extraction and classification results. High precision is opposed to completeness, which is compensated by the application of extraction procedures on larger corpora. Die vorliegende Arbeit beschreibt einen Ansatz zur semi-automatischen Analyse von deutschen Pradikaten. Verben, Nomina und Mehrwortausdrucke (MWAs) werden automatisch aus den Copora extrahiert und nach ihren Valenzeigenschaften klassifiziert. In dieser Arbeit berucksichtigen wir nur satzformige Komplemente, obwohl diese Methode fur die Extraktion weiterer Komplementtypen geeignet ist. Neben der subkategorisierungsbasierten Klassifikation wollen wir auch die Eigenschaften morphologisch verwandter Pradikate (e.g. Verben und ihrer Nominalisierungen) vergleichen. In den meisten Ansatzen wird generell angenommen, dass Nominalisierungen ihre Valenzeigenschaften von den Basisverben ubernehmen oder erben. Dennoch zeigen unsere Extraktionsexperimente, dass diese Annahme nicht immer stimmt. Deswegen befast sich diese Arbeit mit dem Vergleich der Valenzeigenschaften von Verben und Nominalisierungen und der Analyse ihrer Ubereinstimmungen und Unterschiede. Dafur entwerfen wir ein semi-atomatisches Verfahren zur Extraktion und Klassifikation der Valenzeigenschaften deutscher Pradikate, sowie der Relationen zwischen Valenzeigenschaften von Verben und ihren Nominalisierungen. Die extrahierten Daten konnen fur symbolische NLP-Systeme angewendet werden, besonders fur die symbolischen Grammatiktheorien LFG und HPSG1. Ausfuhrliche lexikalische Informationen sind fur diese Grammatiken sehr wichtig. Auserdem sind Informationen uber Subkategorisierung fur Linguistik, Lexikographie, sowie multilinguale Ansatze, z.B. Fremdsprachenunterricht oder Ubersetzungen, notwendig. Unser Ziel ist hohere Prazision der Extraktions- und Klassifikationsergebnisse zu erreichen. Somit wird ihre Vollstandigkeit vernachlassigt, was wir durch die Anzahl der verwendeten Corpora ausgleichen wollen.