[voikko] Muutamia huomioita perusmuotoon palauttamisesta

[Hannu Väisänen]

su, 2011-06-19 kello 23:48 +0300, Tuomas Salo kirjoitti:
> ajelin huvikseni Suomen hallitusohjelmaa
>
(http://www.valtioneuvosto.fi/tiedostot/julkinen/hallitusneuvottelut-2011/neuvottelutulos/fi.pdf)
> sukijan läpi, ja perusmuotoon palauttaminen toi esiin muutamia
> huomioita.

Suomi-Malagasta on siis kaksi versiota
Voikko, jota käytetään oikoluvussa (jota kehittää Harri Pitkänen) ja
Sukija, jota käytetään tiedostojen indeksoinnissa (jota minä kehitän).

Sanasto on niille yhteinen, mutta sanojen johtaminen
ja yhdyssanojen tunnistaminen poikkeavat toisistaan.


> malaga> ma niin
> Analyses of "niin":
> 1: "ne"
> 2: "niin"
> 
> Onko "niin" ne-sanan muotona aika teoreettinen?

"Niin" on sanastossa taipumattomana seikkasanana: "niin se käy" yms.

> malaga> ma opinta
> Analyses of "opinta":
> 1: "opinta"
> Ei liene sana. Samoin muitakin, ainakin "asunta". Onkohan
> -nta-sanoja oikeasti aika vähän?

Sanakirjassa olevia -nta-sanoja on aika vähän, mutta Sukija
hyväksyy -nta-johdokset kaikista sanoista, jotka taipuvat
tietyllä tavalla (oppia -> opinta, asua -> asunta jne).
Tämä on Suomi-Malagan suunnitteluvirhe, koska aikanaan
yhdistin sanojen taipumisen ja johtamisen. Suuressa osassa
tapauksista se kuitenkin menee oikein. (-:

Sitä paitsi tiedostojen indeksoinnissa ei ole väliä, jos
ohjelma tunnistaa sanoja, joita ei oikeasti ole olemassa,
koska niitä ei kumminkaan ole indeksoitavassa tekstissä
(mutta jos on, ne olisi hyvä tunnistaa).


> Lisäksi perusmuotoon palautus tarjoaa rinnakkaismuotoina
> kaikenlaista hupsua (ansioturpa, jatkossakki, keskeisimpi,
> kuluttajansuoja-Alan, lainvalmisteluu, vaihtoehtoo,
> äänestysaktiivisuu), mutta näille ei varmaankaan voi mitään.

Yksi tapa on listata yhdyssanat, joita ei hyväksytä (ansioturpa yms).
Yhteen aikaan Sukijassa oli tällainen lista, mutta ohjelman nopeus
kasvoi noin kaksikertaiseksi, kun otin sen pois.

Yhdyssanojen muodostaminen on Sukijassa paljon vapaampaa kuin
Voikossa, sillä vaikka yhdys sanojen kirjoittamiseen on sääntöjä,
käytännössä ne kirjoitetaan mitensattuu, ja ne pitää tunnistaa.