语言注释的形式框架

语言注释(linguistic annotation)涵盖了应用于原始语言数据的任何描述性或分析符号。基本数据可能以时间函数形式出现——包括音频、视频和/或生理记录，亦或为文本。所添加的注释可能包括各种形式的转录(从语音特征到话语结构)、词性和意义标注、语法分析、命名实体识别、指代注释等。尽管已有多个持续进行的努力旨在提供格式和工具以支持此类注释以及发布已注释的语言数据库，但缺乏广泛接受的标准正成为一个关键问题。已有的提出标准(若有)主要聚焦于文件格式。本文则侧重于语言注释的逻辑结构。我们调查了广泛的现有注释格式，并展示了一个常见概念核心——注释图(annotation graph)。这为构建、维护和搜索语言注释提供了形式框架，同时与许多替代数据结构和文件格式保持一致。