kollokaatioparien

Kollokaatioparien käsite kuvaa kahta sanaa, jotka esiintyvät yhdessä tilastollisesti usein ja säännöllisesti enemmän kuin sattumanvaraisesti. Näitä pareja pidetään usein vakiintuneina ilmauksina tai osana suurempia monisanaisia ilmauksia, ja ne voivat ilmetä erilaisissa taivutus- tai muodostustilanteissa. Kollokaatioparien tarkastelu kuuluu sekä kielitieteelliseen korpus-analyyttiin että sanakirjojen sekä kielioppien kehittämiseen.

Kollokaatioparien ja laajempien monisanaisten ilmaisujen välillä on ero: kollokaatio tarkoittaa yleensä vahvaa tilastollista assosiaatiota, mutta ei aina täysin kiinteää sanayhdistelmää. Esimerkkejä suomen kielellä ovat esimerkiksi “tehtävä päätös”, jos käytetään yleisesti, “ott Likewise huomioon” (ottaa huomioon) sekä “vahva väite”. Sanguun kollokaatioiden tunnistaminen voi palvella sekä oppimista että kielenkäsittelyä, kun taas täysin vakiintuneet fraasit voivat kuulua idiomien luokkaan.

Mittaa kollokaatioparien tilastollisia yhteyksiä voidaan sanoa korpusperusteisiksi: yleisimpiä mittareita ovat muun muassa PMI/PMI-tyyppiset arvot, Dice-kerroin sekä t-score. Mittausten tulokset riippuvat kuitenkin korpuksen koosta, kielestä ja sanastosta, ja siksi tallennuksessa voidaan käyttää useita menetelmiä yhdessä. On myös tärkeää huomioida konteksti ja sananmuodonmuutokset.

Käyttökohteita ovat sanakirjojen ja oppimateriaaleiden kehittäminen, kielentutkimus sekä luonnollisen kielten käsittelyn (NLP) tehtävät kuten sanastokokonaisuuksien/parien hallinta, käännösten laadun parantaminen ja hakukoneiden tulosten relevanssin lisääminen. Haasteisiin kuuluvat monimerkityksellisyys, morfologinen vaihtelu sekä idiomaattisten ja semanttisesti laajasti muuttuvien ilmauksien erottaminen muista yhdistelmistä.