Лемма слова: каноническая форма и лемматизация.

Введение

В морфологии и лексикографии лемма (мн. ч. леммы или лемматы) — это каноническая, словарная или цитируемая форма набора словоформ. Например, в английском языке слова break, breaks, broke, broken и breaking являются формами одной и той же лексемы, а break выступает в качестве леммы, по которой они индексируются. Лексема в данном контексте обозначает совокупность всех флективных или чередующихся форм в парадигме одного слова, а лемма — конкретную форму, выбранную по соглашению для представления этой лексемы. Леммы имеют особое значение в языках с развитой морфологией, таких как арабский, турецкий и русский. Процесс определения леммы для заданной лексемы называется лемматизацией. Лемму можно рассматривать как основную форму среди основных форм слова, хотя лемматизация в значительной степени условна.

Морфология

Форма слова, которая выбирается в качестве леммы, обычно является наименее маркированной формой, но существует несколько исключений, таких как использование инфинитива для глаголов в некоторых языках. Для английского языка формой цитирования существительного является единственное число (и не притяжательное): *mouse*, а не *mice*. Для многословных лексем, содержащих притяжательные прилагательные или возвратные местоимения, в форме цитирования используется форма неопределенного местоимения: делать всё возможное, лжесвидетельствовать против себя. В европейских языках с грамматическим родом формой цитирования обычных прилагательных и существительных обычно является мужской род, единственное число. Если в языке также есть падежи, формой цитирования часто является мужской род, именительный падеж, единственное число. Для многих языков формой цитирования глагола является инфинитив: французский, немецкий, хиндустани, испанский и английский глаголы обычно имеют инфинитив, который в своей базовой форме (без частицы *to*) является наименее маркированным (например, *break* выбирается вместо *to break*, *breaks*, *broke*, *breaking* и *broken*); для дефектных глаголов, не имеющих инфинитива, используется форма настоящего времени (например, *must* имеет только одну форму, в то время как *shall* не имеет инфинитива, и обе леммы являются формами настоящего времени их лексем). Для латинского, древнегреческого, современного греческого и болгарского языков традиционно используется первое лицо единственного числа настоящего времени, но некоторые современные словари используют вместо этого инфинитив (за исключением болгарского языка, в котором нет инфинитива; для сокращенных глаголов в древнегреческом языке используется неконтрактная форма первого лица единственного числа настоящего времени, чтобы показать гласный исходного слова: φιλέω *philéō* для φιλῶ *philō* «я люблю» [выражает привязанность], ἀγαπάω *agapáō* для ἀγαπῶ *agapō* «я люблю» [выражает уважение]). Финские словари приводят глаголы не под корнем, а под первым инфинитивом, обозначенным (*t*)a, (*t*)ä. Для японского языка используется не прошедшее (настоящее и будущее) время. Для арабского языка наименее маркированной формой является третье лицо единственного числа мужского рода прошедшего/совершенного времени, и она используется в современных словарях. В старых словарях, которые до сих пор широко используются, используется трилитеральный корень слова, будь то глагол или существительное. Это аналогично ивриту, который также использует форму третьего лица единственного числа мужского рода в совершенном времени, например ברא *bara'* «создавать», כפר *kaphar* «отрицать». Грузинский язык использует именительный глагол. В корейском языке к основе присоединяется *da*. В тамильском языке, агглютинативном языке, часто приводится основа глагола (которая также является наименее маркированной формой императива), например, இரு.

The form of a word that is chosen to serve as the lemma is usually the least marked form, but there are several exceptions such as the use of the infinitive for verbs in some languages. For English, the citation form of a noun is the singular (and non possessive) form: mouse rather than mice. For multiword lexemes that contain possessive adjectives or reflexive pronouns, the citation form uses a form of the indefinite pronoun one: do one's best, perjure oneself. In European languages with grammatical gender, the citation form of regular adjectives and nouns is usually the masculine singular. If the language also has cases, the citation form is often the masculine singular nominative. For many languages, the citation form of a verb is the infinitive: French , German , Hindustani /, Spanish English verbs usually have an infinitive, which in its bare form (without the particle to) is its least marked (for example, break is chosen over to break, breaks, broke, breaking, and broken); for defective verbs with no infinitive the present tense is used (for example, must has only one form while shall has no infinitive, and both lemmas are their lexemes' present tense forms). For Latin, Ancient Greek, Modern Greek, and Bulgarian, the first person singular present tense is traditionally used, but some modern dictionaries use the infinitive instead (except for Bulgarian, which lacks infinitives; for contracted verbs in Ancient Greek, an uncontracted first person singular present tense is used to reveal the contract vowel: φιλέω philéō for φιλῶ philō "I love" [implying affection], ἀγαπάω agapáō for ἀγαπῶ agapō "I love" [implying regard]). Finnish dictionaries list verbs not under their root, but under the first infinitive, marked with (t)a, (t)ä. For Japanese, the non past (present and future) tense is used. For Arabic the third person singular masculine of the past/perfect tense is the least marked form and is used for entries in modern dictionaries. In older dictionaries, which are still commonly used, the triliteral of the word, either a verb or a noun, is used. This is similar to Hebrew, which also uses the third person singular masculine perfect form, e. g. ברא bara' create, כפר kaphar deny. Georgian uses the verbal noun. For Korean, da is attached to the stem. In Tamil, an agglutinative language, the verb stem (which is also the imperative form the least marked one) is often cited, e. g., இரு

В ирландском языке слова сильно изменяются по падежам (родительный, именительный, дательный и звательный) и по их положению в предложении из-за начальных мутаций. Существительное *cainteoir* (лемма для слова, означающего «говорящий»), имеет различные формы: *chainteoir*, *gcainteoir*, *cainteora*, *chainteora*, *cainteoirí*, *chainteoirí* и *gcainteoirí*. Некоторые фразы приводятся в виде своеобразной леммы: *Carthago delenda est* (буквально «Карфаген должен быть разрушен») — распространенный способ цитирования Катона, но то, что он сказал, было ближе к *censeo Carthaginem esse delendam* («Я считаю, что Карфаген должен быть разрушен»).

Лексикография

В словаре лемма "go" представляет собой формы слова "go", "goes", "going", "went" и "gone". Отношение между измененной формой и ее леммой обычно обозначается угловой скобкой, например, "went" < "go". Разумеется, недостатком таких упрощений является невозможность поиска склоненной или спряженной формы слова, но некоторые словари, например, Webster's Dictionary, включают "went" в список. Многоязычные словари по-разному решают эту проблему: в словаре немецкого языка Langenscheidt не приводится форма "ging" (< gehen), а в словаре Cassell – приводится. Леммы или основы слов часто используются в корпусной лингвистике для определения частоты употребления слов. В этом контексте конкретное определение "леммы" может быть гибким в зависимости от решаемой задачи.

Произношение

Слово может произноситься по-разному в зависимости от его фонетического окружения (соседних звуков) или степени ударения в предложении. Примером этого служат сильные и слабые формы некоторых служебных слов английского языка, таких как *some* и *but* (произносится [сом] при ударении и [сэм] без ударения). В словарях обычно указывается произношение слова в изолированном виде (его форма в изоляции) и с ударением, но также могут быть отмечены и распространенные слабые формы произношения.

Разница между стебелью и леммой

Стебель – это часть слова, которая не изменяется даже при морфологическом изгибании; лемма – это наименее отмеченная форма слова. Например, от слова "produced" лемма – "produce", а стебель – "produc". Это связано с тем, что существуют такие слова, как "production" и "producing". В лингвистическом анализе стебель определяется более общо как анализируемая базовая форма, от которой могут быть образованы все флективные формы. При учёте фонологии определение неизменяемой части слова оказывается неэффективным, что видно на фонологических формах слов в предыдущем примере: "produced" /p//ɹ//ə/'/dj//uː//s//t/ против "production" /p//ɹ//ə/'/d//ʌ//k//ʃ//ən/. Некоторые лексемы имеют несколько стеблей, но одну лемму. Например, глагол "to go" имеет стебли "go" и "went" из-за суплетивизма: форма прошедшего времени была заимствована из другого глагола, "to wend".