Nutzung des DWDS-Wortprofils beim Aufbau eines lexikalischen Informationssystems zu deutschen Stützverbgefügen

Abstract

Im Hinblick auf eine Zuarbeit für die lexikographische Arbeit an einem lexikalischen Informations-system zu deutschen Stützverbgefügen wird das DWDS-Wortprofil vorgeschlagen. Mithilfe dieses Werkzeugs kann eine zeitintensive und mühsame Recherchearbeit über eine Textsuchmaschine ver-mieden werden, indem auf Basis eines ausgewogenen Korpus potenzielle Stützverbgefüge bereitge-stellt werden. Des Weiteren wird die Einbeziehung von Assoziationsmaßen vorgeschlagen, um die Menge des zu sichtenden Materials für die lexikographische Arbeit weiter reduzieren zu können.

Full text

345
Nutzung des DWDS-Wortprofils beim Aufbau eines
lexikalischen Informationssystems zu deutschen
Stützverbgefügen
Jörg Didakowski, Nadja Radtke
Berlin-Brandenburgische Akademie der Wissenschaften,
Technische Universität Dortmund
didakowski@bbaw.de, nadja.radtke@tu-dortmund.de
Abstract
Im Hinblick auf eine Zuarbeit für die lexikographische Arbeit an einem lexikalischen Informations-
system zu deutschen Stützverbgefügen wird das DWDS-Wortprofil vorgeschlagen. Mithilfe dieses
Werkzeugs kann eine zeitintensive und mühsame Recherchearbeit über eine Textsuchmaschine ver-
mieden werden, indem auf Basis eines ausgewogenen Korpus potenzielle Stützverbgefüge bereitge-
stellt werden. Des Weiteren wird die Einbeziehung von Assoziationsmaßen vorgeschlagen, um die
Menge des zu sichtenden Materials für die lexikographische Arbeit weiter reduzieren zu können.
Keywords: Stützverbgefüge; Assoziationsmaße; computerlinguistische Verfahren
1 Einleitung
Neben den traditionellen Textkorpora stehen den Lexikographen heutzutage auch digitale Textkor-
pora zur Verfügung, die über Abfrage- und Analysewerkzeuge die Möglichkeiten der lexikographi-
schen Arbeit stark erweitern (Engelberg & Lemnitzer 2009). Eines dieser Werkzeuge stellt das
DWDS-Wortprofil dar, welches beim Auau eines lexikalischen Informationssystems zu deutschen
Stützverbgefügen (das SVG-Wiki) hilft bzw. den Auau von diesem gar erst ermöglicht. Dieses Werk-
zeug ist Teil des Digitalen Wörterbuchs der deutschen Sprache (DWDS), eines Projekts der Ber-
lin-Brandenburgischen Akademie der Wissenschaften. Ziel des vorliegenden Beitrags ist es, die Po-
tenziale der Nutzung des DWDS-Wortprofils beim Auau des SVG-Wikis aufzuzeigen.
Im 2. Kapitel des Beitrags stellen wir zunächst das SVG-Wiki vor, dabei legen wir den Gegenstand fest,
bestimmen die Zielgruppe, führen die Komponenten des SVG-Wikis ein und heben abschließend die
korpusbasierte Erarbeitung des SVG-Wikis hervor. Im 3. Kapitel beschreiben wir das DWDS-Wortpro-
fil, das für die Datenerhebung des SVG-Wikis grundlegend ist. Anschließend gehen wir im 4. Kapitel
des Beitrags genauer auf die Nutzung des DWDS-Wortprofils beim Auau des SVG-Wikis ein.

346
Proceedings of the XVI EURALEX International Congress: The User in Focus
2 Das SVG-Wiki: Ein lexikalisches Informationssystem zu
deutschen Stützverbgefügen
Den Gegenstand des SVG-Wikis bilden Stützverbgefüge (SVG, engl. support verb constructions) des
Deutschen wie z.B. Anwendung nden, zur Anwendung kommen und Kritik üben, die aus einem prädi-
kativen Nomen (z.B. Anwendung) und einem semantisch blassen Stützverb (z.B. nden oder kommen)
konstruiert werden1. Abgegrenzt werden SVG von freien Konstruktionen (z.B. zur Party kommen) so-
wie von Idiomen (z.B. zu Potte kommen); beschrieben werden sie in Bezug auf ihre Systematik und
hinsichtlich ihrer Leistungen (z.B. Pottelberge van 2001; Seifert 2004; Heine & Wotjak 2005; Storrer
2007).
SVG haben bereits Eingang in die Grammatiken, Wörterbücher und Lehrwerke des DaF-Unterrichts
gefunden. Wie sie am besten eingeführt und behandelt werden, wird in der Forschungsliteratur in-
tensiv diskutiert. Vermittelt werden sie bei der Arbeit mit dem Wortschatz sowie im Grammatikun-
terricht, indem einerseits ausgewählte SVG aufgeführt und andererseits ausgewählte grammatische
und stilistische Eigenschaften der SVG beschrieben werden. Wie man dabei zu einer adäquaten Aus-
wahl der SVG gelangt und wie Vollständigkeit und Systematik hinsichtlich der grammatischen und
stilistischen Eigenschaften der SVG erreicht werden können, bleibt jedoch oen. Die zu vermitteln-
den SVG auszuwählen, um dann diese in Hinblick auf ihre Systematik behandeln zu können, fällt
hier nach wie vor in das Aufgabenfeld der DaF-Lehrenden. Eine vor diesem Hintergrund hilfreiche
Ressource zu deutschen SVG für die DaF-Lehrenden gibt es noch nicht. Das SVG-Wiki schließt diese
Lücke, indem es die DaF-Lehrenden als zukünftige Nutzer vorsieht und auauend auf den bereits
ausgereiften Vorschlägen für die Printlexikographie (Heine 2006; Heine 2008) eine Wörterbuchkom-
ponente (Spezialwörterbuch) mit einer Grammatikkomponente verbindet. Das SVG-Wiki ist als ein
digitales wikibasiertes Informationssystem realisiert2, das den Nutzern im Internet zur freien Verfü-
gung stehen wird und kontinuierlich erweitert werden soll (siehe Abbildung 1).
1 In der deutschen linguistischen Fachliteratur findet man unterschiedliche Termini wie Nominalisie-
rungsverbgefüge, Funktionsverbgefüge und Streckverbgefüge, die ebenfalls unterschiedlich begriich gefasst
sind. Bei der Bestimmung des Gegenstandes des SVG-Wikis bedienen wir uns einem möglichst weiten
Begri der SVG: Das prädikative Nomen steht dabei im Akkustativ oder kommt als Präpositionalphrase
vor, es ist abstrakt, wird deverbal oder deadjektivisch gebildet, kann ein Fremdlexem sein und idiomatisch
verwendet werden.
2 Das Wikisystem (hier: MediaWiki) ermöglicht u.a., die jeweiligen Komponenten des SVG-Wikis kolla-
borativ auszubauen. So können z.B. die Nutzer die noch nicht im SVG-Wiki berücksichtigten Stützverben
zur Erweiterung des SVG-Wikis auf den dafür vorgesehenen Seiten des SVG-Wikis vorschlagen.

347
Lexicography and Language Technologies
Jörg Didakowski, Nadja Radtke
Abbildung 1: Hauptseite des SVG-Wikis.
Ziel des SVG-Wikis ist es, die SVG in ihrem Grundbestand festzuhalten, die DaF-Lehrenden bei der
Auswahl der SVG zu unterstützen und die SVG in Bezug auf ihre grammatischen und stilistischen Ei-
genschaften zu beschreiben.
Das Besondere an dem SVG-Wiki ist, dass die jeweiligen Komponenten korpusbasiert erarbeitet wer-
den. Ausgegangen wird hierbei von einer Lemmaliste der Stützverben, die aus 23 ausgewählten Gram-
matiken und unter Berücksichtigung der Forschungsliteratur erstellt wurde; sie enthält ca. hundert
Stützverben mit den für sie charakteristischen und für die Datenerhebung relevanten Merkmalen. So
wird z.B. bei dem Stützverb nden eingetragen, dass dieses mit einem prädikativen Nomen im Akku-
sativ vorkommt. Anhand dieser Lemmaliste werden zunächst die prädikativen Nomina der jeweiligen
Stützverben3 mithilfe des DWDS-Wortprofils ermittelt; von den ermittelten prädikativen Nomina
ausgehend, besteht im weiteren Schritt der Erarbeitung die Möglichkeit, die im SVG-Wiki noch nicht
berücksichtigten Stützverben ebenfalls mithilfe des DWDS-Wortprofils zu entdecken. Anschließend
findet die lexikographische Beschreibung der Stützverben, der prädikativen Nomina und der SVG an-
hand des DWDS-Kernkorpus statt. Parallel dazu wird die Grammatikkomponente des SVG-Wikis erar-
beitet. Das DWDS-Kernkorpus stellt somit die primäre Quelle für die Wörterbuchbasis der Wörter-
buchkomponente dar und bildet gleichzeitig die Datengrundlage für die Grammatikkomponente des
SVG-Wikis.
3 Kamber (2008) geht ebenfalls in seiner korpusbasierten Untersuchung zu den nominalen Prädikaten
des Deutschen von den jeweiligen Verben aus.


348
Proceedings of the XVI EURALEX International Congress: The User in Focus
3 Das DWDS-Wortprofil
Das DWDS-Wortprofil (Didakowski & Geyken 2013) stellt Kookkurrenzpaare für verschiedene gram-
matische Relationen wie z.B. Akkusativ-/Dativobjekt, Genitivattribut, Adjektivattribut und präpositi-
onales Komplement/Modifizierer bereit. Die Kookkurrenzpaare werden mithilfe von computerlingu-
istischen Verfahren automatisch extrahiert. In Kilgarri et al. (2004) wird für die automatische
Extraktion grammatischer Kookkurrenzpaare die flache Sketch-Grammar vorgeschlagen, mit der über
reguläre Ausdrücke Kookkurrenzpaare für bestimmte grammatische Relationen extrahiert werden
können. Ivanova et al. (2008) zeigen jedoch, dass es für das Deutsche sinnvoll ist, um gute Ergebnisse
zu erzielen, auf eine reichhaltigere linguistische Analyse zurückzugreifen. Beim DWDS-Wortprofil
wird für eine reichhaltigere Analyse die TAGH-Morphologie (Geyken & Hanneforth 2006) und der re-
gelbasierte Parser SynCoP (Syntactic Constraint Parser, Didakowski 2008) verwendet. So kann die rela-
tiv reichhaltige Morphologie und freie Wortstellung im Deutschen angemessen behandelt und die
Kookkurrenzen mit gewünschter Qualität extrahiert werden.
Im DWDS-Wortprofil sind die Kookkurrenzpaare mit Werten verschiedener Assoziationsmaße verse-
hen. Derzeit werden drei verschiedene Assoziationsmaße berechnet: 1) die reine Frequenz, 2) das auf
dem Dice-Koezienten basierende logDice-Maß (Rychlý 2008) und 3) das auf Mutual-Information ba-
sierende MI-log-Freq-Maß (Kilgarri & Tugwell 2002). Mithilfe dieser Maße können Kookkurrenzpaa-
re nach Verbindungsstärke bzw. Anziehungskraft sortiert werden. Hierbei wird das Assoziationsmaß
in der Regel so gewählt, dass die entsprechende Sortierung für eine bestimmte Aufgabe am geeignets-
ten ist (Evert 2008).
Die Korpusgrundlage für das DWDS-Wortprofil bilden das DWDS-Kernkorpus und verschiedene ver-
breitete Zeitungen (Süddeutsche Zeitung, DIE ZEIT, Berliner Zeitung, DIE WELT, Der Tagesspiegel,
Bild). Das DWDS-Kernkorpus ist ein Referenzkorpus der deutschen Sprache des 20. Jahrhunderts und
ist ausgeglichen bezüglich verschiedener Textsorten, die zudem gleichmäßig über das 20. Jahrhun-
dert verteilt sind. Es umfasst über 100 Millionen laufende Wortformen (Tokens) und hat damit eine
vergleichbare Größe wie das British National Corpus (Geyken 2007). Das DWDS-Kernkorpus stellt so-
mit als ausgeglichenes Referenzkorpus das Herzstück der Korpusbasis des DWDS-Wortprofils dar und
nimmt damit eine besondere Stellung ein. Die gesamte Korpusgrundlage des DWDS-Wortprofils um-
fasst ca. 1,7 Milliarden laufende Wortformen (Tokens) und reicht zeitlich vom Anfang des 20. Jahr-
hunderts bis heute. Die Kookkurrenzpaare sind hierbei für die gesamte Korpusbasis und auch für die
einzelnen Subkorpora berechnet. So können Kookkurrenzpaare z.B. ausschließlich auf Basis des
DWDS-Kernkorpus abgefragt werden.
Das DWDS-Wortprofil ist einerseits über die DWDS-Webseite und andererseits innerhalb der CLA-
RIN-Infrastruktur über WebLicht (Hinrichs et al. 2010) zugänglich, wo es in Verarbeitungsketten inte-
griert werden kann.
Ein Beispiel für eine DWDS-Wortprofil-Abfrage auf der DWDS-Webseite ist in Abbildung 2 zu sehen.
Hier wurde das Verb nden für die Akkusativ-/Dativobjekt-Relation unter Verwendung des MI-log-

349
Lexicography and Language Technologies
Jörg Didakowski, Nadja Radtke
Freq-Maßes auf der Basis des DWDS-Kernkorpus abgefragt. Die relevanten Kookkurrenzpartner zu
dem Verb nden werden als Wortwolke dargestellt. Je größer der Wert des Assoziationsmaßes eines
Kookkurrenzpaares ist, desto größer wird der Kookkurrenzpartner in der Wolke dargestellt. Eine alter-
native Darstellungsform zu dieser Wortwolke ist die Tabellenansicht, in der die Kookkurrenzpartner
nach dem Assoziationsmaß sortiert aufgelistet und genauere Informationen zu Wortkategorien und
Assoziationswerten aufgeführt sind.
Hervorzuheben ist dabei, dass im DWDS-Wortprofil über die einzelnen Kookkurrenzpartner direkt auf
die entsprechenden Korpusbelege zugegrien werden kann. Erst dadurch wird eine sinnvolle lexiko-
graphische Arbeit möglich. In Abbildung 3 sind die Belege für das Kookkurrenzpaar Anwendung n-
den aufgeführt.
Abbildung 2: DWDS-Wortprofil-Wortwolke. Abbildung 3: DWDS-Wortprofil-Belege.
Mit dem DWDS-Wortprofil ist es also möglich, auf strukturierte Weise Kookkurrenzpaare mit den da-
zugehörigen Korpusbelegen zu ermitteln. Verschiedene Assoziationsmaße können dazu verwendet
werden, bestimmte Kookkurrenzpaare aus der Menge der Kookkurrenzpaare hervorzuheben. Die gro-
ße Korpusbasis zusammen mit dem DWDS-Kernkorpus als ausgeglichenem Bestandteil gewährleis-
tet hierbei ein breites Spektrum an Kookkurrenzen und repräsentative Ergebnisse.
4 Nutzung des DWDS-Wortprofils beim Aufbau des SVG-
Wikis
Im Folgenden begründen wir die Wahl der Korpusbasis für die Ermittlung der prädikativen Nomina
beim Auau des SVG-Wikis und gehen kurz auf verschiedene Möglichkeiten zur Ermittlung der prä-
dikativen Nomina ein. Hierbei heben wir die Potenziale des DWDS-Wortprofils hervor. Im Weiteren


350
Proceedings of the XVI EURALEX International Congress: The User in Focus
erläutern wir, ob die Assoziationsmaße dabei helfen können, die Menge der Kookkurrenzpaare für
mögliche prädikative Nomina zu verkleinern, sodass weniger Kookkurrenzpaare gesichtet werden
müssen und dabei trotzdem der Grundbestand der SVG festgehalten werden kann.
4.1 Ermittlung der prädikativen Nomina
Bei der Ermittlung der prädikativen Nomina wird die Korpusbasis auf das DWDS-Kernkorpus einge-
schränkt, damit mit Blick auf die Zielsetzung des SVG-Wikis die Dekaden des 20. Jahrhunderts sowie
verschiedene Textsorten gleichermaßen vertreten sind.
Zur Ermittlung der prädikativen Nomina kann einerseits die DWDS-Suchmaschine und andererseits
das DWDS-Wortprofil genutzt werden. Bei der Nutzung der DWDS-Suchmaschine erhält man z.B. für
die Abfrage zu dem Verb finden eine Liste mit 82.864 Treern, in der nach den prädikativen Nomina
manuell gesucht werden muss. Bei der Nutzung des DWDS-Wortprofils reduziert man bereits durch
die Wahl einer grammatischen Relation die Menge der Treer. So erhält man bei dem Verb finden
durch die Wahl der Akkusativ-/Dativobjekt-Relation eine Liste mit 779 Kookkurrenzpaaren, die dann
durch das Zugreifen auf einzelne Korpusbelege manuell nach prädikativen Nomina klassifiziert wer-
den können. Hierbei beträgt die durchschnittliche Anzahl an Kookkurrenzpaaren für die 31 in den
Grammatiken am häufigsten genannten Stützverben pro Verb mit dem Nomen im Akkusativ ca. 437
und pro Verb mit dem Nomen als Präpositionalphrase ca. 843. Hervorzuheben ist im Weiteren, dass
dem DWDS-Wortprofil eine reichhaltigere linguistische Analyse (siehe Kapitel 3) zugrunde liegt und
somit bestimmte Fälle, die die Suche mit der DWDS-Suchmaschine zusätzlich erschweren, vermieden
werden. Zu solchen Fällen gehören Verben mit einem abtrennbaren Präfix (z.B. ausüben) oder Verben,
die bezüglich einer Wortform homograph zu einem anderen Verb sind (z.B. geraten und raten). Somit
ermöglicht das DWDS-Wortprofil, die Ermittlung der prädikativen Nomina überhaupt in einem rea-
listischen Zeitrahmen bewältigen zu können.
4.2 Verwendung von Assoziationsmaßen bei der Ermittlung der
prädikativen Nomina
Über das DWDS-Wortprofil ist es möglich, die abgefragten Kookkurrenzpaarlisten nach verschiede-
nen Assoziationsmaßen zu sortieren (siehe Kapitel 3). Hierbei ist die Frage, ob die Assoziationsmaße
in der Lage sind, die Kookkurrenzpaarlisten so zu sortieren, dass am Anfang der Listen die Dichte der
prädikativen Nomina sehr hoch ist und am Ende nur wenige prädikative Nomina vorkommen. So
könnten die Kookkurrenzpaarlisten verkleinert werden, ohne dass zu viele prädikative Nomina verlo-
ren gehen. Auf diese Weise kann Recherchearbeit eingespart werden.4
4 Langer (2009) versucht, Funktionsverbgefüge vollautomatisch aus Korpora zu gewinnen. Dies will er
hauptsächlich über Assoziationsmaße realisieren. Er zeigt, dass die Maße für so eine Aufgabenstellung

351
Lexicography and Language Technologies
Jörg Didakowski, Nadja Radtke
Um in Bezug zu der oben genannten Fragestellung eine Bewertung der Assoziationsmaße durchzu-
führen, folgen wir der Methodik in Evert et al. (2000) und beurteilen die Maße anhand von Precision
und Recall. Hierzu wurden vier Verben herangezogen: bringen, nden, kommen und üben. Zu diesen
Verben wurden mithilfe des DWDS-Wortprofils unter Berücksichtigung der jeweiligen grammati-
schen Relationen und durch die Wahl des DWDS-Kernkorpus als Korpusbasis Kookkurrenzpaarlisten
ermittelt, wobei eine Minimalfrequenz für die Kookkurrenzpaare auf fünf festgelegt wurde. Die Listen
wurden dann manuell vollständig gesichtet und nach prädikativen Nomina klassifiziert. Insgesamt
wurden 859 prädikative Nomina aus 9.166 Kookkurrenzpaaren identifiziert. Die prädikativen Nomina
machen demnach 27% der Gesamtmenge aus. Über die so erstellte Referenzmenge können nun Preci-
sion und Recall ermittelt werden. Zur Bewertung des Nutzens der Assoziationsmaße wird hier zusätz-
lich eine Zufallssortierung der Kookkurrenzlisten hinzugezogen. Die Zufallsliste deckt den Fall ab,
dass kein Assoziationsmaß zur Sortierung verwendet wird.
Der Verlauf von Precision und Recall zu den einzelnen Assoziationsmaßen und der Zufallsliste ist in
den Diagrammen in Abbildung 4 und 5 zu sehen. Auf den X-Achsen ist der Anteil an Kookkurrenzpaa-
ren, der durch das Verkürzen der Kookkurrrenzpaarlisten entsteht, in Prozent aufgetragen. Precision
und Recall zu den einzelnen Anteilen sind jeweils auf den Y-Achsen in Prozent ablesbar.
Abbildung 4: Precision-Kurven. Abbildung 5: Recall-Kurven.
Der Verlauf der Precision-Kurven in Abbildung 4 zeigt, dass über die Sortierung nach dem MI-log-
Freq-Maß die besten Precision-Werte erreicht werden. Hier liegt der Anteil der prädikativen Nomina
sogar bei 78%, wenn 1% der Kookkurrenzpaare herangezogen wird. Mit anwachsendem Anteil an Ko-
okkurrenzpaaren flachen die Precision-Kurven der Assoziationsmaße anfangs ab und fallen stetig auf
das Grundniveau von 27%, welches durch den Anteil an prädikativen Nomina gesetzt ist. Bei der Zu-
nicht ausreichend sind. Die vollautomatische Extraktion, die Langer (2009) im Sinn hat, wird in unserer
Vorgehensweise jedoch nicht verfolgt.


352
Proceedings of the XVI EURALEX International Congress: The User in Focus
fallssortierung hingegen bewegt sich die Precision lediglich nahe am Grundniveau und sogar darun-
ter. Der Verlauf der Recall-Kurven in Abbildung 5 zeigt ergänzend dazu, dass unter Verwendung des
MI-log-Freq-Maßes nur die Hälfte der Kookkurenzpaare gesichtet werden muss, um bereits 72% der
prädikativen Nomina zu ermitteln. Sind die Kookkurrenzpaare nach dem Zufall sortiert, bekommt
man hingegen lediglich ca. 50% der prädikativen Nomina.
Hier wird deutlich, dass die Assoziationsmaße hilfreich sind, wenn man bei der Ermittlung der prädi-
kativen Nomina den Umfang und den damit verbundenen zeitlichen Aufwand reduzieren möchte
und gleichzeitig möglichst viele prädikative Nomina als Grundbestand ermitteln will. Hierbei hat
sich das MI-log-Freq-Maß als am geeignetsten herausgestellt.
5 Zusammenfassung
Das DWDS-Wortprofil hat das Potential, den Auau eines lexikalischen Informationssystems zu deutschen
Stützverbgefügen entscheidend zu erleichtern. Die Aufgabe des DWDS-Wortprofils liegt bei dem Auau des
SVG-Wikis darin, mögliche prädikative Nomina für Stützverben bereitzustellen. Dadurch wird eine zeitintensi-
ve und mühsame Recherche über eine Textsuchmaschine vermieden. Unter dem Aspekt zeitlicher Restriktio-
nen ist das DWDS-Wortprofil sogar unabdingbar. Über eine zusätzliche Bewertung nach Assoziationsmaßen
kann zudem weitere Recherchezeit eingespart werden.
6 Literaturhinweise
Das digitale Wörterbuch der deutschen Sprache (DWDS). Accessed at: www.dwds.de [11/04/2014].
Didakowski, J. (2008). Local Syntactic Tagging of Large Corpora Using Weighted Finite State Transducers.
In A. Storrer, A. Geyken et al. (eds.) Text Resources and Lexical Knowledge. Selected Papers from the 9th
Conference on Natural Language Processing, KONVENS 2008. Berlin et al.: Mouton de Gruyter, pp.
65-78.
Didakowski, J., Geyken, A. (2013). From DWDS corpora to a German Word Profile – methodological prob-
lems and solutions. In Network Strategies, Access Structures and Automatic Extraction of Lexico-
graphical Information, 2nd Work Report of the Academic Network “Internet Lexicography” (OPAL
- Online publizierte Arbeiten zur Linguistik X/2012). Mannheim: Institut für Deutsche Sprache, pp.
43-52.
Engelberg, S., Lemnitzer, L. (2009). Lexikographie und Wörterbuchbenutzung. Tübingen: Stauenburg.
Evert, S., Heid, U. et al. (2000). Methoden zum qualitativen Vergleich von Signifikanzmaßen zur Kollokati-
onsidentifikation. In W. Zühlke, Ernst G. Schukat-Talamazzini (eds.) Sprachkommunikation, KONVENS
2000. Berlin et al.: VDE, pp. 215-220.
Evert, S. (2008). Corpora and collocations. In A. Lüdeling, M. Kytö (eds.) Corpus Linguistics. An Internation-
al Handbook of the Science of Language and Society. Berlin: Mouton de Gruyter, pp. 1212-1248.
Geyken, A., Hanneforth, T. (2006). TAGH: A Complete Morphology for German based on Weighted Finite
State Automata. In A. Yli-Jyrä, L. Karttunen et al. (eds.) Finite State Methods and Natural Language
Processing. Berlin et al.: Springer, pp. 55-66.

353
Lexicography and Language Technologies
Jörg Didakowski, Nadja Radtke
Geyken, A. (2007). The DWDS corpus: A reference corpus for the German language of the 20th century. In
Ch. Fellbaum (eds.) Idioms and Collocations. Corpus-based Linguistic and Lexicographic Studies.
London et al.: Continuum, pp. 23-41.
Heine, A., Wotjak, B. (2005). Zur Abgrenzung und Beschreibung verbonominaler Wortverbindungen (Wor-
tidiome, Funktionsverbgefüge, Kollokationen). In Deutsch als Fremdsprache. Zeitschrift für Theorie und
Praxis des Deutschunterrichts für Ausländer, 42(3), pp. 143-153.
Heine, A. (2006). Funktionsverbgefüge in System, Text und korpusbasierter (Lerner-) Lexikographie. Frank-
furt a. M. et al.: Peter Lang.
Heine, A. (2008). Funktionsverbgefüge richtig verstehen und verwenden. Ein korpusbasierter Leitfaden
mit finnischen Äquivalenten. Frankfurt a. M. et al.: Peter Lang.
Hinrichs, E., Hinrichs, M. et al. (2010). WebLicht: Web-based LRT services for German. In Proceedings of the
ACL 2010, System Demonstrations (ACLDemos ‘10), Association for Computational Linguistics. Stroudsburg, PA
(USA), pp. 25-29.
Ivanova, K., Heid, U. et al. (2008). Evaluating a German Sketch Grammar: A Case Study on Noun Phrase
Case. In Proceedings of the 6th International Conference on Language Resources and Evaluation, 2008. Mar-
rakech (Morocco), pp. 2101-2107.
Kilgarri, A., Tugwell, D. (2002). Sketching Words. In M.-H.Corréard (eds.) Lexicography and Natural Lan-
guage Processing. A Festschrift in Honour of B.T.S.Atkins, EURALEX, pp. 125-137.
Kilgarri, A., Rychlý, P. et al. (2004). The Sketch Engine. In Proceedings of EURALEX 2004. Lorient (France), pp.
105-116.
Kamber, A. (2008). Funktionsverbgefüge – empirisch. Eine korpusbasierte Untersuchung zu den nomina-
len Prädikaten des Deutschen. Tübingen: Max Niemeyer.
Langer, S. (2009). Funktionsverbgefüge und automatische Sprachverarbeitung. München: LINCOM.
MediaWiki. Accessed at: www.wikipedia.org [11/04/2014].
Pottelberge van, J. (2001). Verbonominale Konstruktionen, Funktionsverbgefüge. Vom Sinn und Unsinn
eines Untersuchungsgegenstandes. Heidelberg: Universitätsverlag C. Winter.
Rychlý, P. (2008). A lexicographer-friendly association score. In P. Sojka, A. Horák (eds.): Proceedings of Second
Workshop on Recent Advances in Slavonic Natural Languages Processing, RASLAN 2008. Brno: Masaryk Uni-
versity, pp. 6-9.
Seifert, J. (2004). Funktionsverbgefüge in der deutschen Gesetzessprache (18. – 20. Jahrhundert).
Hildesheim et al.: Georg Olms.
Storrer, A. (2007). Corpus-based investigations on German support verb constructions. In Ch. Fellbaum
(eds.) Idioms and Collocations. Corpus-based Linguistic and Lexicographic Studies. London et al.:
Continuum, pp. 164-187.
WebLicht. Accessed at: https://weblicht.sfs.uni-tuebingen.de [11/04/2014].

354