CC BY
10
БОТ :10.30842/1е1ср230690152202
А. В. Андреев
СИНТАКСИЧЕСКИ УПРАВЛЯЕМАЯ РАЗМЕТКА НЕСТАНДАРТНЫХ ТЕКСТОВ (на материале «Катехизиса» 1595 г. М. Даукши)1
В статье рассматривается метод бессловарного морфологического анализа, специально приспособленный для текстов на флективных языках с высокой вариативностью, в первую очередь - для разметки старинных текстов. Суть метода заключается в применении синтаксических ограничений к набору возможных морфологических интерпретаций финалей слов. Неоднозначность разбора также уменьшается посредством применения универсальных ограничений, таких как принцип проективности и минимизация набора возможных основ. Описываются результаты применения метода к разметке «Катехизиса» 1595 г. М. Даукши.
Ключевые слова: морфологическая разметка, исторические корпуса, литовский язык, языковая вариативностью.
В настоящее время при составлении корпусов текстов морфологическое аннотирование является практически обязательным этапом. В то время, как для современных стандартизованных языков задача автоматического аннотирования не представляет особой трудности, в других случаях (таких как исторические, диалектные, разговорные корпуса и т. п.) ситуация оказывается не столь определенной. Связано это с тем, что большинство современных методов автоматического морфологического разбора требует наличия формализованной модели морфологии анализируемого языка и, что самое главное, грамматического словаря. В случае древних текстов ни того, ни другого, как правило, не существует; более того, отсутствие жесткой языковой нормы и «несовершенство» орфографии делают создание словаря, аналогичного, допустим, «Грамматическому словарю русского языка» А. А. Зализняка, достаточно нетривиальной задачей. Впрочем, даже и в отношении «стандартных» текстов существует одна важная задача, решение которой далеко от окончательного, а именно - проблема разрешения морфологической омонимии, особенно актуальная для языков «клас-
1 Работа выполнена при финансовой поддержке Российского научного фонда, грант № 17-18-01624
сического» индоевропейского типа. Таким образом, если речь идет о разработке метода автоматической аннотации текста, то было бы желательно, чтобы механизмы снятия омонимии в нем уже были в том или ином виде изначально заложены.
Сейчас преобладают два основных подхода к автоматическому морфологическому анализу «нестандартного» языкового материала:
• полуавтоматический прецедентный разбор (АгкИа^е^ку, МлБЫпа, Р1сЬкИаё7е 2014). При этом анализатор предлагает пользователю выбор из возможных вариантов аннотации, основываясь на словаре, морфологической модели и информации о контекстах данной формы, но окончательное разрешение неоднозначностей, а также обработка нераспознанных или неправильно проанализированных форм остается целиком ответственностью пользователя-лингвиста. Этот подход в принципе позволяет добиться идеальной точности, поскольку и словарь, и модель развиваются по мере анализа текста, однако он требует значительных человеческих ресурсов и, по очевидным причинам, лучше всего работает на достаточно больших корпусах.
• искусственная стандартизация текста, т. е. сведение его посредством некоторых формальных преобразований к тексту на языке с известной морфологической моделью и словарем, например, старолитовского к современному литовскому (Ое1итЪескайё, ¡^ткипаБ, 2ткеуШив 2012) или русского языка XVIII в. к современному русскому (Ро1уакоу 2012). Разумеется, такой подход возможен только в том случае, если лексико-грамматические различия между языками не слишком велики. Достоинством данного метода является, прежде всего, то, что он позволяет получить хоть какую-то морфологическую аннотацию, не затрачивая больших усилий, однако исследователя здесь подстерегает существенная методологическая проблема: в процессе «осовременивания» текста существует большая вероятность устранить, собственно, те грамматические явления, изучение которых составляет основную цель создания исторических корпусов. Что касается статистических методов морфологического
анализа и снятия омонимии, то их применение к историческим корпусам несколько ограничено вследствие малого объема и высокой вариативности таких текстов; впрочем, есть и
успешные примеры использования этих методов, см. обзор в (Gavrilova, Shalganova, Lyashevskaya 2016).
Нами был предложен метод бессловарной автоматической морфологической разметки, который опирается на априорную приблизительную модель морфологии и синтаксиса (Andreev 2014). Ниже мы опишем дальнейшее развитие этого метода. Материалом для исследования послужило оцифрованное нами издание «Катехизиса» под ред. Й. Палёниса (DK 1995), с час-
U V/ 1 v> v> v>
тичной ручной морфологической разметкой и подготовленный в Институте литовского языка цифровой корпус (DK 2006).
Первым этапом обработки текста является частичная орфографическая нормализация на основании недавних исследований орфографии М. Даукши (Andreev 2013; Hock 2014). Следует заметить, что целью такой нормализации является не полное устранение вариативности (как в случае словарных методов), а устранение тех элементов графики, которые, как нам представляется, несущественны для определения грамматического значения слов, что позволяет упростить описание морфологических правил. Таким образом, в принципе этап нормализации является факультативным; в том случае, если окажется, что те или иные графические признаки все-таки релевантны для грамматического описания, они могут быть легко учтены.
Орфографическая нормализация включает в себя следующие правила:
• упорядочиваются чисто графические варианты u/v/w, i/j, s/f;
• устраняются практически все диакритики над гласными и согласными, так как функция их во многом остается неясной (разумеется, кроме очевидных с и z; в этом случае происходит только унификация нескольких вариантов диакритики, а также кроме точки над согласными в конце слова, которая имеет довольно четкую морфологическую значимость, например, -t' как показатель инфинитива);
• унифицируется также написание s/ss, y/i, трех способов записи звука /ж/ (ia, ea, е), назализованных q, /, ц в начале и середине слова;
• вводятся отдельные обозначения для i как показателя мягкости предыдущего согласного и для i и и. Таким образом, нормализованный текст приближается к грубой фонологической транскрипции.
Морфологическая модель опирается на описание грамматики языка Даукши в (Palionis 1995: 50-62; Zinkevicius 1988: 186-190). В первую очередь она состоит из набора стратифицированных правил вида:
Уровень: [Чередование] + Финаль ^ Набор морфологических тегов / Новый уровень
Набор всех возможных морфологических разборов получается последовательным применением к данной форме всех правил уровня 0 с совпадающей финалью (мы намеренно не употребляем здесь термина суффикс, потому что в правилах могут фигурировать не обязательно элементы, обладающие самостоятельным морфологическим статусом, но просто диагностически значимые сегменты). Финаль отсекается, к получившейся основе применяется правило чередования, если оно есть, и затем результат опять пропускается через набор правил на том же или следующем уровне, и так повторяется до тех пор, пока хотя бы одно правило может быть применено 2 . Полученный набор признаков затем сверяется с таблицей всех возможных морфологических граммем, и разборы, приводящие к невозможным сочетаниям отбрасываются.
Например, правило для возвратного постфикса выглядит следующим образом:
0: [ie ^ i; и ^ и] + s ^ REFL / 0 что означает: «у формы, имеющей на конце -s, устранить его; затем применить закон Лескина3; добавить возвратность к списку грамматических значений; остаться на том же уровне». Последнее необходимо, чтобы можно было применить потом правило для невозвратных окончаний, например:
0: и ^ PERS1, SG, CONJ1 / 1 С другой стороны, например, правила для форманта -k повелительного наклонения отличаются на нулевом и первом уровне, потому что -k в конце слова без дополнительной финали означает именно 2 лицо ед. числа:
0: k ^ IMP, PERS2, SG / 2 1: k ^ IMP / 2
2
В настоящее время префиксация в модели не учитывается; это чисто техническое ограничение, которое со временем будет устранено.
3 По поводу соотношения между синхронными и диахронными правилами см., например, АпйПа 1989: 130.
Отдельные служебные слова и неправильные формы (например, многие формы глагола 'быть' идентифицируются специальными правилами словарного типа, например:
= bu4 ^ VERB, PRES, INDIC, PERSON3, COPULA, ATHEM.
Общая таблица граммем включает, помимо традиционных морфологических значений, также некоторые являения, которые обычно рассматриваются на синтаксическом уровне как клитики (Ambrazas 2006: 80, 87-89), в первую очередь, вопросительная частица -gu и усилительная частица -g, которым в нашей модели приписываются соотвестственно признаки interr и emph. Приведем здесь таблицу граммем целиком, отметив, что технически она устроена несколько сложнее, как набор теоретико-множественных выражений, так что граммемы разных классов могут влиять друг на друга (например, в настоящем времени возможны только окончания 1 -3 спряжений (признаки CONJ1-3), в прошедшем - только 3 и 4 (признаки CONJ3-4), а в остальных временах - только CONJ2); в таблице это взаимовлияние отражено не полностью.
Отметим несколько ограничений данной модели. Во-первых, граммемы, выражаемые в литовском языке только аналитически (в первую очередь, перфект) не выделяются отдельно (возможно, в дальнейшем это ограничение будет снято). Во-вторых, нашей целью было прежде всего выделение грамматических значений, а не лемматизация, которая вообще вряд ли может быть надежно проведена автоматически в условиях значительной языковой вариативности. Поэтому леммой считается в контексте настоящей работы неразложимая по правилам цепочка графем + классифицирующие признаки (часть речи, тип склонения / спряжения). В силу формальных ограничений на вид чередований некоторые формы, логически относящиеся, безусловно, к одной лексеме будут представлены разными леммами; это касается в первую очередь глагольных форм прошедшего vs. настоящего времени.
4 Ьи используется здесь исключительно как условная метка, объединяющая все формы глагола 'быть' в синхронном описании, а не как указание на и.-е. корень *Ькй, который, по общему мнению, презентного значения не имел.
Части Паде- Число: Род: Тип
речи: жи: sg m склоне
noun nom pl f ния:
pron gen dat dual decl1-6
adj acc instr loc ill Причас тия: part. act Нескл. формы: compar adv
adess part.
all pass.
voc det semi-
verb Лицо: Модель Спря- Накло- Время: part Клити-
pers1 управ- жение: нение: pres ки:
pers2 ления ~ падеж conj1-4 athem ind pret fut interr emph
pers3 copula subj opt imp refl
Нелич. формы:
inf
sup
prep
adv
conj
Синтаксическая модель претерпела значительные изменения по сравнению с предложенной нами ранее (Лпёгееу 2014). Изначально мы опирались на подход контекстно-свободных грамматик, однако практика показала, что для наших целей гораздо удобнее использовать грамматики зависимостей, хотя в некоторых случаях они вынуждают прибегать к приемам, не вполне корректным с точки зрения строгой лингвистики. Следует заметить, что нашей целью не является получение автоматической синтаксической разметки в полном объеме, особенно в отношении синтаксиса целого предложения. Очевидно, что во многих случаях такая разметка не может быть получена без обращения к семантике. Нашей главной задачей является использование информации о синтаксических связях в качестве ограничений на возможные грамматические значения отдельных форм, поэтому полученное синтаксическое дерево
практически всегда будет допустимым с точки зрения грамматики, но не обязательно тем самым, которое уместно в данном контексте. Математически эта задача решается т. н. методом удовлетворения ограничений в конечных доменах (Triska 2012).
В рамках данной модели рассматривается один недифференцированный вид подчинительной синтаксической связи. Каждая форма имеет ровно одного синтаксического хозяина (за исключением формы-вершины) и произвольное число зависимых слов. Допустимые связи между формами, относящимися к тем или иным граммемам, описываются набором правил (в отличие от морфологических эти правила достаточно универсальны и могут с небольшими изменениями использоваться и для других языков индоевропейского типа. Правила могут быть трех разновидностей:
• обязательная валентность («если форма A обладает набором признаков X, то от нее должна зависеть хотя бы одна форма B с набором признаков Y»)
• факультативная валентность («если форма А с набором признаков X зависит от формы B, то форма B должна обладать одним из наборов признаков Yb Y2, ... Yn
• созависимость («если форма A с набором признаком X зависит от того же хозяина, что и B, то форма B должна обладать одним из наборов признаков Yb Y2, ... Yn
Все правила могут быть ограничены позиционно («хозяин слева/справа от зависимого слова», «хозяин непосредственно примыкает к зависимому слову»). Особенностью «Катехизиса» является вопросно-ответная структура текста, причем часто ответ является эллиптическим предложением по отношению к вопросу. Поэтому в нашей модели предусмотрено проведение синтаксических связей через границу предложения (это тоже представляется как позиционное ограничение особого рода). Например, правила могут выглядеть следующем образом:
• PREPX requires rightward NOUN, X, X G {GEN, ACC, DAT, INSTR}, т. е. «за предлогом, требующим падежа Х должно обязательно следовать существительное в форме этого падежа»
• VERB, GOVERNX requires following X, X G {NOM, GEN, ACC, DAT, INSTR, LOC, ILL}, т. е. «если глагол управляет каким-
либо падежом, то форма в этом падеже должна появиться в этом или следующем предложении» • PERSON1j2,3 allows NOM, т. е. «личная форма глагола допускает при себе зависимое слово в им. падеже в этом же предложении (подлежащее)»
Вершиной синтаксического дерева всегда предполагается глагол в личной форме, возможно, в другом предложении. Это делает разбор некоторых предложений невозможным, однако в нашем материале назывные предложение - это в основном разного рода заголовки, так что на практике это ограничение не очень существенно. Особого внимания требуют случаи, в которых вид и направление синтаксической связи не вполне однозначно определяются. Так, частицы всегда считаются синтаксически примыкающими к предыдущему слову, что для литовского языка практически всегда дает лингвистически осмысленный результат. Слово из эллиптического ответа связывается с вопросительным словом из предложения-вопроса, что не вполне традиционно, но кажется разумным решением. В случае сочинительных конструкций нам пришлось прибегнуть к техническому приему и предположить, что сочинительный союз наследует признаки соединяемых слов. Иными словами, например, для союза ir существует набор правил, требующих слева и справа от него слов с совпадающими наборами признаков: CONJ(NOUN, X) requires rightward NOUN, X & leftward NOUN, X, X G {NOM, GEN, ACC, DAT, INSTR...} CONJ(ADJ, X, Y) requires rightward ADJ, X, Y & leftward ADJ X, Y,
X G {NOM, GEN, ACC, DAT, INSTR...}, Y G {M, F} CONJ(VERB, X) requires rightward VERB, X & leftward VERB, X, X
G {PERSl, PERS2, PERS3, INF} После того, как возможные синтаксические деревья построены, лишние варианты убираются посредством применения дополнительных универсальных ограничений. Во-первых, мы используем принцип проективности, требующий, чтобы стрелки синтаксических зависимостей не пересекались (этот принцип, как известно, не всегда применим, но в текстах простой структуры отклонения от него чрезвычайно редки). Во-вторых, предполагается, что в одном предложении не могут встретиться два омонима, т. е. если какая-то форма встречается в предложении дважды, то она оба раза должна принадлежать к одной
лемме. В общем случае это, разумеется, неверно, но практически, особенно при отсутствии в тексте элементов языковой игры, применение такого ограничения позволяет значительно уменьшить число возможных разборов в случаях типа [Jesus] ira tikras diewas ir tikras zmogus ' [Иисус] истинно бог и истинно человек'. Наконец, последнее правило, применяемое глобально ко всему анализируемому тексту, состоит в том, чтобы всегда предпочитать разборы, которые дают суммарно наименьшее количество лемм.
В завершение рассмотрим пример работы описанной процедуры:
M. Kaip izpildiffimea keatwîrtq prifsâkimq / apç milêiimq téwo ir môtinos?
Mo. Turimea щ klausit / turét ius pagearbimea / tarnâut iiemus / ir paßelpt ius. [DK 81.11-17, написание несколько упрощено по техническим причинам]
'Как исполним четвертую заповедь о любви отца и матери? Должны их слушать, иметь их в почести, служить им и помогать им [в лит. - acc.]'
После применения процедур нормализации орфографии получаем:
kaip izpildisimœ kœtwirtq prisakimq apç mileiimq tewo ir motinos?
turimœ 1ц klaûsiP tureP ius pagœrbimœ tarnaûP iiemus ir paßelpt ius
Применяя морфологические правила приходим к следующим результатам:
kaip (ADV, INTERR) izpildisimœ (VERB, FUT, PERSON3, PL | NOUN, LOC, SG, DECL1) kœtwirtq (ADJ|N0UN, ACC, SG, DECL1|DECL2) prisakimq (ADJ|N0UN, ACC, SG, DECL1|DECL2) apç (PREP(ACC)) mileiimq (ADJ|N0UN, ACC, SG, DECL1|DECL2) tewo (NOUN, GEN, SG, DECL1 | VERB, PRES|PRET, C0NJ3) ir (CONJ) motinos (NOUN GEN, SG | NOM, PL, DECL2 | VERB. PRES|PRET, CONJ3, REFL) turimœ (VERB, PRES, CONJ2, PERS1, PL | NOUN, LOC, SG, DECL 1) 1ц (PRON, GEN,. PL) klausiP (VERB, INF) tureP (VERB, INF) lus (PRON, ACC, PL) pagœrbimœ (VERB, PRES, PERS 1, PL, CONJ2 | NOUN, LOC, SG, DECL 1) tarnaûP (INF.) iiemus (PRON, DAT, PL) ir (CONJ) paßelpt (INF) lus (PRON, DAT, PL).
Общее количество возможных разборов составляет, следовательно, 16384. Однако, к счастью, мы имеем здесь
много однозначно идентифицируемых слов (предлоги, союзы и инфинитивы). Это сразу же приводит к анализу mileïimq как существительного, следующего за предлогом. После этого необходимость иметь единственный корень синтаксического дерева и требование, чтобы союз ir соединял однородные формы сразу дает анализ tewo и motinos как существительных. По тем же правилам izpildisimœ оказывается глаголом. Таким образом, в этом предложении неоднозначным остается только выбор между существительным и прилагательным для kœtwirtq и prisakimq и их тип склонения. Однако эта неоднозначность снимается минимизацией числа лемм, поскольку prisakimas 'заповедь' - очень частотное слово в «Катехизисе», так что его частеречная принадлежность и тип склонения определяются другими контекстами. Во втором предложении, так же руководствуясь правилом о союзе ir, идентифицируются однородные группы tarnaüP iïemus и paßelpt ïùs. После этого по остаточному принципу также выделяются группы щ klaüsit и tureP ïùs, а также синтаксический корень: форма turimœ. Однако мы не можем сделать выбор между pagerbimœ VERB и pagerbimœ NOUN, поскольку в других местах текста от этого корня встречается и глагольные, и именные формы. Следовательно, первое предложение в конечном результате получает единственный разбор [[kaïp (ADV, INTERR) izpildisimœ (VERB, FUT, PERSON3, PL)] [kœtwirtq (ADJ, ACC, SG, DECL1) prisakimq]] (NOUN, ACC, SG, DECL1) [apç (PREP(ACC)) [mileïimq (NOUN, ACC, SG, DECL1 ) [tewo (NOUN, GEN, SG, DECL1) ir (CONJ) motinos (NOUN GEN, SG, DECL2)]]], а второе — два, корректный: turimœ (VERB, PRES, CONJ2, PERS1, PL) [щ (PRON, GEN,. PL) klaüsit (VERB, INF)] [tureP (VERB, INF) ïùs (PRON, ACC, PL) pagœrbimœ (NOUN, LOC, SG, DECL1)] [[tarnaüP (INF.) iïemus (PRON, DAT, PL)] ir (conj) [paßelpP (INF) ïùs (PRON, DAT, PL)]]] и паразитический: [turimœ (VERB, PRES, CONJ2, PERS1, PL) <...>] [*pagœrbimœ (VERB, PRES, PERS1, PL, CONJ2) [[tarnaüP (inf.) iïemus (PRON, DAT, PL)] ir (CONJ) [paßelpP (INF) ïùs (PRON, DAT, PL)]]. Отметим, что если добавить специальное морфологическое правило о моделях управления частотного turéi 'иметь', то разбор станет однозначным.
Таким образом, мы можем видеть, что бессловарный морфологический анализ может давать результаты, не уступающими более распространенным словарно-ориентированным методам.
Литература
Ambrazas, V. 2006: Lietuvi^ kalbos istorine sintakse. Vilnius: Lietuvi^ kalbos institutas.
Andreev A. V. 2014: [On a method of automatic morphosyntactic annotation of old texts], In: Pismenoto nasledstvo i informacionnite tekhnologii. «El'Manuscript-2014». Materiali ot V mezhdunarodna nauchna konferentsiya [Proceedings of the 5th International Conference Textual Heritage and Information Technologies, «El'Manuscript-2014»], Sophia, Izhevsk, 99-101. Андреев А. В. 2014: Об одном методе автоматической грамматической разметки старопечатных текстов. В сб.: Баранов, В. А., Желязкова, В., Лаврентьев, А. М. (отг. ред.). Писменото наследство и информационните технологии. «El'Manuscript-2014». Материали от V международна научна конференция. София, Ижевск, 99-101.
Andreev, A. V. 2013: [Diacritic marks and orthography in M. Dauksa's Catechism of 1595: a quantitative aspect], the analysis of the names]. Indoevropeiskoe yazykoznanie i klassicheskaya filologiya [Indo-European linguistics and classical philology], 17, 16-25. Андреев А. В. Знаки ударения в орфографии катехизиса М. Даукши 1595 г.: опыт количественного исследования. Индоевропейское языкознание и классическая филология 17, 16-25.
Antilla, R. 1989: Historical and comparative linguistics. Amsterdam, Philadelphia: John Benjamins Publishing Company.
Arkhangelsky, T. A., Mishina, E. A., Pichkhadze, A. A. 2014: [A system for digital morphological tagging for Old Russian and Church Slavonic texts]. Palaeobulgarica, 38 (4), 21-37.
Архангельский, Т .А., Мишина, Е. А., Пичхадзе, А. А. 2014: Система электронной грамматической разметки древнерусских и церковнославянских текстов. Palaeobulgarica / Старобългаристика, 38 (4), 21-37.
DK 1995: Mikalojaus Dauksos 1595 katekizmas. Red. J. Palionis. Vilnius: Moklso ir enciklopedj leidykla.
DK 2006: Mikalojus Dauksa. Katekizmas, 1595. Prepared by M. Sinkunas, sponsored by Lithuanian State Science and Studies Foundation, 2006. (http://seniejirastai.lki.lt/db.php?source=1).
Gavrilova, T. S., Shalganova, T. A., Lyashevskaya, O. N. 2016: [Lexico-grammatical annotation of the middle russian corpus 1400-1700: a computational approach]. Vestnik Pravoslavnogo Svyato-Tikhonov-skogo gumanitarnogo universiteta. Seriya 3: Filologiya [Bulletin of the Orthodox St. Tikhon University of Humanities], 47 (2) 7-25. Гаврилова, Т. С., Шалганова, Т. А., Ляшевская, О. Н. 2016: К задаче автоматической лексико-грамматической разметки старорусского корпуса XV-XVII вв. Вестник Православного Свято-Тихоновского гуманитарного университета. Серия 3: Филология. 47 (2) 7-25.
Gelumbeckaite, J., Sinkunas, М., Zinkevicius,V. 2012: Old Lithuanian Reference Corpus (SLIEKKAS) and Automated Grammatical Annotation. Journal for Language Technology and Computational Linguistics, 27 (2). 83-96.
Hock, W. 2014: Untersuchungen zu Dauksas Postille - II. Doppelakzentuierungen, Archivum Lithuanicum, 16, 173-202. Palionis, J. 1995: Lietuvi-ц rasomosios kalbos istorija. Vilnius: Mokso ir
enciklopediju leidykla. Polyakov, A. E. 2012: [A stemmer for the pre-reform Russian orthography] In: Informacionnye tekhnologii i pis'mennoe nasledie: materialy IV mezhdunarodnoy nauchnoy konferentsii (Petrozavodsk, 3—8 sentyabrya 2012 g.) [Proceedings of the international conference Information Technologies and Textual Heritage El'Manuscript-12], Petrozavodsk, Izhevsk, 211-215.
Поляков, А. Е. 2012: Лемматизатор для дореформенной русской орфографии. В сб.: Баранов, В. А., Варфоломеев, А. Г. (отв. ред.) Информационные технологии и письменное наследие: материалы IV международной научной конференции (Петрозаводск, 3—8 сентября 2012 г.). Петрозаводск, Ижевск, 211-215. Triska, M. 2012: The Finite Domain Constraint Solver of SWI-Prolog. In: Schrijvers T., Thiemann P. (eds) Functional and Logic Programming. FLOPS 2012. Lecture Notes in Computer Science, vol 7294. Berlin, Heidelberg: Springer, 307-316. Zinkevicius, Z. 1988: Lietuvii kalbos istorija. T. 3. Vilnius: Moklso ir enciklopediju leidykla.
A. V. Andreev. A method of syntactically-constrained morphological annotation (as applied to «Katechismas» of 1595 by M. Dauksa)
In the article, the existing methods of morphological annotation for historical corpora are analysed. A new method of an unsupervised dictionary-free morphological tagging is proposed which is based on applying syntactical dependency constraints to a set of possible morphological interpretations of word finals. The procedure starts with a draft set of orthographical, morphological and syntactic rules that are adjusted and refined as the analysed text is processed. The method is specifically tailored to the highly-inflectionate languages of 'classical' Indo-European type. The ambiguity of annotation is further reduced by applying a set of language-neutral constraints, such as the well-known principle of projectivity or the minimization of possible word stems. The application of the method to tagging M. Dauksa's Cathechism of 1595 is described.
Key words: morphological annotation, historical corpora, Lithuanian language, linguistic variation.
