standaardlemma

Standaardlemma is een concept in de lexicografie en computational linguistics. Het verwijst naar de standaard- of canonieke vorm van een woord die als referentie dient in een lexicon of taalverwerkingssysteem. Deze vorm, het lemma, fungeert als centraal knooppunt waar alle inflecties en varianten van het woord aan worden toegewezen.

De selectie van een standaardlemma gebeurt op basis van taalregels en soms praktische conventies binnen een taalcollectie. Voor werkwoorden is vaak de infinitief of een basisvorm; voor zelfstandige naamwoorden de enkelvoudsvorm; voor bijvoeglijke naamwoorden de basisvorming. In samengestelde of afgeleide termen kan het lemma gebaseerd zijn op de semantische kern. In sommige systemen kan een woord meerdere lemmas krijgen afhankelijk van context of domein.

In de praktijk is de standaardlemma cruciaal voor lemmatisering, indexering en synoniemenbeheer. Inflected vormen zoals loopt, liep of gelopen worden teruggeleid naar het standaardlemma lopen; namen en plaatsen kunnen ook een lemma hebben. Een lexicon kan verschillende standaardlemmas hanteren voor verschillende taalvarianten of registers (bijv. standaard-Nederlands versus dialecten).

Uitdagingen omvatten homoniemen die meerdere lemmas hebben, meervoudsvormen die afwijken van het lemma, en multiword expressions waarvoor de hele uitdrukking als lemma geldt. Ook spellingvarianten en eigennamen vereisen duidelijke regels om de standaardlemma consistent te houden, zodat zoek- en analysetools eenduidige resultaten leveren.

Zie ook: lemmatization, lexicon, morfologische analyse.