alpino_ds.dtd

<?xml version="1.0" encoding="UTF-8"?>

<!-- Alpino Dependency Structures DTD -->

<!--
Versie 1.16 per februari 2023
 - is_np
 - is_vorfeld, is_nachfeld

Versie 1.15 v_per person information of finite verb

Versie 1.14 dropped_prs, dropped_agr

Versie 1.13 mwu_sense and mwu_root are gone, no longer used

Versie 1.12 per 16 september 2020

 - sonar_ne_class, sonar_ne_begin, sonar_ne_end, sonar_ne

Versie 1.11, per 18 juni 2020

 - meta type="bool"
 - data

Versie 1.10, per 12 juni 2019, aangepaste representatie van UD

Versie 1.9, per 21 november 2018, met compacte representatie van UD

versie 1.8, per 11 oktober 2018, met UD

alpino_ds.dtd versie 1.7, per 17 mei 2017

all additions beyond version 1.3 are optional

version 1.3: added mwu_root attribute for mwu nodes
version 1.4: metadata
version 1.5: sentid
version 1.6: parser tag for number of categories and skips; attribute 'his' for words
version 1.7: dscsense dscmanual attributes
version 1.8: universal dependencies
version 1.9: meer universal dependencies
-->

<!ENTITY % nodeattr "
buiging		(zonder|met-e|met-s)							#IMPLIED
conjtype	(neven|onder)								#IMPLIED
dial		(dial)									#IMPLIED
genus		(genus|zijd|masc|fem|onz)						#IMPLIED
getal		(getal|ev|mv)								#IMPLIED
getal-n		(zonder-n|mv-n)								#IMPLIED
graad		(basis|comp|sup|dim)							#IMPLIED
lwtype		(bep|onbep)								#IMPLIED
naamval		(stan|nomin|obl|bijz|gen|dat)						#IMPLIED
npagr		(agr|evon|rest|evz|mv|agr3|evmo|rest3|evf)				#IMPLIED
ntype		(soort|eigen)								#IMPLIED
numtype		(hoofd|rang)								#IMPLIED
pdtype		(pron|adv-pron|det|grad)						#IMPLIED
persoon		(persoon|1|2|2v|2b|3|3p|3m|3v|3o)					#IMPLIED
positie		(prenom|nom|postnom|vrij)						#IMPLIED
pt		(let|spec|bw|vg|lid|vnw|tw|ww|adj|n|tsw|vz|na)				#IMPLIED
pvagr		(ev|mv|met-t)								#IMPLIED
pvtijd		(tgw|verl|conj)								#IMPLIED
spectype	(afgebr|onverst|vreemd|deeleigen|meta|comment|achter|afk|symb|enof)	#IMPLIED
status		(vol|red|nadr)								#IMPLIED
vwtype		(pr|pers|refl|recip|bez|vb|vrag|betr|excl|aanw|onbep)			#IMPLIED
vztype		(init|versm|fin)							#IMPLIED
wvorm		(pv|inf|od|vd)								#IMPLIED
" >

<!-- mogelijke waardes voor Gender: 'Com' 'Neut' 'Com,Neut' dus CDATA dan maar... -->
<!ENTITY % feats "
Abbr		(Yes)				#IMPLIED
Case		(Nom|Acc|Gen|Dat)		#IMPLIED
Definite	(Def|Ind)			#IMPLIED
Degree		(Pos|Cmp|Sup)			#IMPLIED
Foreign		(Yes)				#IMPLIED
Gender		CDATA			        #IMPLIED
Number		(Sing|Plur)			#IMPLIED
Person		(1|2|3)				#IMPLIED
PronType	(Prs|Rcp|Int|Dem|Ind|Rel)	#IMPLIED
Reflex		(Yes)				#IMPLIED
Tense		(Past|Pres)			#IMPLIED
VerbForm	(Fin|Inf|Part)			#IMPLIED
" >

<!ENTITY % upos "
upos (ADJ|ADP|ADV|AUX|CCONJ|DET|INTJ|NOUN|NUM|PART|PRON|PROPN|PUNCT|SCONJ|SYM|VERB|X) #REQUIRED
" >

<!-- relaties van dependencies, ZONDER root -->
<!ENTITY % rels "acl|advcl|advmod|amod|appos|aux|case|cc|ccomp|clf|compound|conj|cop|csubj|det|discourse|dislocated|expl|fixed|flat|goeswith|iobj|list|mark|nmod|nsubj|nummod|obj|obl|parataxis|punct|reparandum|vocative|xcomp" >

<!-- extra relaties die alleen bij standaard dependencies voorkomen -->
<!ENTITY % srels "orphan" >

<!-- extra relaties die alleen bij enhanced dependencies voorkomen -->
<!ENTITY % erels "ref" >

<!ENTITY % udep "(%rels;|%srels;|%erels;)*" >

<!ENTITY % udattr "
ud		(basic|enhanced)	#REQUIRED
id		NMTOKEN			#REQUIRED
form		CDATA			#REQUIRED
lemma		CDATA			#REQUIRED
%upos;
head		NMTOKEN			#REQUIRED
deprel		CDATA			#REQUIRED
deprel_aux	CDATA			#IMPLIED
recursion_limit CDATA			#IMPLIED
%feats;
%nodeattr;
" >

<!--
  We hebben het toplevel element

	alpino_ds

  Daaronder komen voor:

	sentence (PCDATA)

	comments

	node

	parser

	metadata

	root

	conllu

  Ik kan niet zeggen dat ik ze allemaal 1x wil zien, maar dat de
  volgorde niet uitmaakt.  Zie o.a.
  http://www.xml.com/pub/a/98/07/dtd/.

  Het kan wel in SGML (de "ampersand connector") en met RELAX NG.

  We moeten hier kiezen voor of een te ruime optie of we moeten de
  volgorde vastleggen:

  <!ELEMENT alpino_ds ( (node | sentence | comments | metadata | parser | root | conllu)+ )>

  of

  <!ELEMENT alpino_ds (metadata?, parser?, node, sentence, comments?, root*, conllu?)>

  We kiezen voor de stricte variant.

-->


<!--			Alpino Dependency Structure			-->
<!ELEMENT alpino_ds	(metadata?, parser?, node, sentence, comments?, root*, conllu?)			 >
<!ATTLIST alpino_ds
	  version	NMTOKEN		#IMPLIED>

<!--
	meta-data zoals voorgesteld door P. Kleiweg voor PaQu project

	attribuut "type", verplicht, geldige waardes: "text", "int",
	"float", "date", "datetime", "bool"
	attribuut "name", verplicht
	"name" hoeft niet uniek te zijn, maar als het vaker voorkomt moet die
	metadata van hetzelfde type zijn.
	Hetzelfde geldt voor een heel corpus in PaQu.
	attribuut "value", verplicht, formaat afhankelijk van "type":
	type="int"
		waarde in decimale notatie die een 32-bits signed integer
		representeert, waarbij de maximumwaarde is gereserveerd binnen
		PaQu. Blijft over: -2147483648 t/m 2147483646
	type="float"
		waarde die een 32-bits float representeert, gebruikelijke
		notaties: decimaal, met/zonder punt, met/zonder exponent
	type="date"
		Datum zonder tijdzone in bereik "1000-01-01" t/m "9999-12-31",
		in dit formaat
	type="datetime"
		Datum (zelfde bereik) plus tijd zonder tijdzone, zoals
		"2015-01-31 01:59" of, met seconden zoals "2015-01-31 01:59:59"
	type="bool"
		waarde is "true" of "false"

-->
<!ELEMENT metadata	(meta*) >
<!-- meta is an elemnent with only attributes, how to define it? -->

<!ELEMENT meta		EMPTY >
<!ATTLIST meta
	  type		(text|int|float|date|datetime|bool)	#REQUIRED
	  name		CDATA					#REQUIRED
	  value		CDATA					#REQUIRED
>

<!ELEMENT parser	EMPTY >
<!ATTLIST parser
	  build		CDATA				#IMPLIED
	  date		CDATA				#IMPLIED
	  cats		CDATA				#REQUIRED
	  skips		CDATA				#REQUIRED
>

<!--			Node						-->
<!--			een knoop van een dependency tree		-->
<!ELEMENT  node		(data*, (node*|ud))				>
<!--
	rel		de dependency relatie van de knoop
	cat		de categorie van de knoop
	pos		de part of speech tag van de knoop ALPINO-stijl
	postag		de part of speech tag van de knoop CGN/DCOI/LASSY-stijl
	lemma		de lemma van de knoop CGN/DCOI/LASSY-stijl
	begin		de beginpositie van de bijbehorende woordgroep in de gehele zin
	end		de eindpositie van de bijbehorende woordgroep in de gehele zin
	root		de stam van het woord ALPINO-stijl
	word		het woord zoals het in de zin voorkomt
	index		een co-index om gedeelde structuren mogelijk te maken
	id		een per zin uniek nummer om de knopen te kunnen identificeren



	case		naamval van nomina (nom,acc,dat,..)
	comparative	type complement van comparatives (dan,als,dat,..)
	def		definitietheid van nomina (def,indef,..)
	frame		volledige Alpino POS-tag
	gen		gender van nomina (de,het,..)
	infl		inflection van adjectieven, determiners
	neclass		classificatie van namen (org, loc, per, misc)
	num		getalinformatie van nomina (sg,pl,..)
	per		persoonsinformatie van nomina (fir,thi,..)
	refl		reflexiviteit van pronomina (refl)
	sc		subcategorizatie frame
	special		vergaarbak voor andere speciale features
	wh		geeft vraagwoordinformatie voor pronomina (ywh,nwh,rwh)


	misschien dat er meerdere #REQUIRED zijn, of dat in sommige
	NMTOKEN beter gebruikt kan worden ipv. CDATA.

	Het is ook mogelijk een opsomming van de mogelijke waarden te
	geven.	Voor sommige attributen is dat misschien wenselijk.
-->

<!-- value "part" for cat is not really allowed, but sometimes is produced
	for modified particles in conjunction, "hij ademde in en hard uit" -->


<!-- MWU_ROOT and MWU_SENSE are obsolete as of 1.13 -->


<!ATTLIST node
	  rel	(hdf|hd|cmp|sup|su|obj1|pobj1|obj2|se|pc|vc|svp|predc|ld|me|
		 predm|obcomp|mod|body|det|app|whd|rhd|cnj|crd|nucl|sat|tag|
		 dp|top|mwp|dlink|--)
		#REQUIRED


	  cat	(smain|np|ppart|ppres|pp|ssub|inf|cp|du|ap|advp|ti|rel|whrel|
		 whsub|conj|whq|oti|ahi|detp|sv1|svan|mwu|top|cat|part)
		#IMPLIED
	  pos		CDATA	#IMPLIED
	  postag	CDATA	#IMPLIED
	  lemma		CDATA	#IMPLIED
	  begin		CDATA	#IMPLIED
	  end		CDATA	#IMPLIED
	  root		CDATA	#IMPLIED
	  word		CDATA	#IMPLIED
	  index		CDATA	#IMPLIED
	  id		CDATA	#IMPLIED

	  %nodeattr;

	  mwu_root	CDATA	#IMPLIED
	  mwu_sense	CDATA	#IMPLIED

	  sense		CDATA	#IMPLIED
	  lcat		CDATA	#IMPLIED
	  tense		CDATA	#IMPLIED
	  aform		CDATA	#IMPLIED
	  vform		CDATA	#IMPLIED
	  wk		(yes)	#IMPLIED

	  case		CDATA	#IMPLIED
	  comparative	CDATA	#IMPLIED
	  def		CDATA	#IMPLIED
	  frame		CDATA	#IMPLIED
	  gen		CDATA	#IMPLIED
	  infl		CDATA	#IMPLIED
	  neclass	CDATA	#IMPLIED
	  num		CDATA	#IMPLIED
	  per		CDATA	#IMPLIED
	  refl		CDATA	#IMPLIED
	  sc		CDATA	#IMPLIED
	  special	CDATA	#IMPLIED
	  wh		CDATA	#IMPLIED
	  iets		CDATA	#IMPLIED
	  pron		CDATA	#IMPLIED
	  personalized	CDATA	#IMPLIED
	  rnum		CDATA	#IMPLIED
	  stype		CDATA	#IMPLIED
	  dropped_prs   CDATA	#IMPLIED
	  dropped_agr	CDATA	#IMPLIED
	  v_per         CDATA   #IMPLIED

	  pb
	  (Arg0|Arg1|Arg2|Arg3|Arg4|Arg5|ArgM-ADV|ArgM-CAU|ArgM-DIR|ArgM-DIS|
		ArgM-EXT|ArgM-LOC|ArgM-MNR|ArgM-MOD|ArgM-NEG|ArgM-PNC|ArgM-PRD|
		ArgM-REC|ArgM-STR|ArgM-TMP|rel|SYNT)
	  #IMPLIED

	  his		CDATA	#IMPLIED
	  his_1		CDATA	#IMPLIED
	  his_2		CDATA	#IMPLIED
	  his_1_1	CDATA	#IMPLIED
	  his_1_2	CDATA	#IMPLIED
	  his_2_1	CDATA	#IMPLIED
	  his_2_2	CDATA	#IMPLIED
	  his_1_1_1	CDATA	#IMPLIED
	  his_1_1_2	CDATA	#IMPLIED
	  his_1_2_1	CDATA	#IMPLIED
	  his_1_2_2	CDATA	#IMPLIED
	  his_2_1_1	CDATA	#IMPLIED
	  his_2_1_2	CDATA	#IMPLIED
	  his_2_2_1	CDATA	#IMPLIED
	  his_2_2_2	CDATA	#IMPLIED
	  his_1_1_1_1	CDATA	#IMPLIED
	  his_1_1_1_2	CDATA	#IMPLIED
	  his_1_1_2_1	CDATA	#IMPLIED
	  his_1_1_2_2	CDATA	#IMPLIED
	  his_1_2_1_1	CDATA	#IMPLIED
	  his_1_2_1_2	CDATA	#IMPLIED
	  his_1_2_2_1	CDATA	#IMPLIED
	  his_1_2_2_2	CDATA	#IMPLIED
	  his_2_1_1_1	CDATA	#IMPLIED
	  his_2_1_1_2	CDATA	#IMPLIED
	  his_2_1_2_1	CDATA	#IMPLIED
	  his_2_1_2_2	CDATA	#IMPLIED
	  his_2_2_1_1	CDATA	#IMPLIED
	  his_2_2_1_2	CDATA	#IMPLIED
	  his_2_2_2_1	CDATA	#IMPLIED
	  his_2_2_2_2	CDATA	#IMPLIED

	  dscsense	CDATA	#IMPLIED
	  dscmanual	(true|false) #IMPLIED

          sonar_ne_class CDATA #IMPLIED
          sonar_ne_begin CDATA #IMPLIED
          sonar_ne_end   CDATA #IMPLIED
          sonar_ne       CDATA #IMPLIED

	  is_np          (true) #IMPLIED
	  is_vorfeld     (true) #IMPLIED
	  is_nachfeld    (true) #IMPLIED

>

<!-- pb - propbank role op verzoek van Universiteit Utrecht -->

<!-- his* - voor woorden om te zien welke heuristiek is gebruikt	-->

<!-- dscsense, dscmanual: word senses extracted from Dutch SemCor	-->

<!-- sonar_* voor Lassy Klein, named entities uit SONAR 1.2

'sonar_ne_class', 'sonar_ne_begin' en 'sonar_ne_end' alleen op terminals,
voor alle named entities uit SONAR.
   sonar_ne_class : de klasse van de named entity
   sonar_ne_begin : gelijk aan attribuut 'begin' van het eerste woord
   sonar_ne_end   : gelijk aan attribuut 'end' van het laatste woord
Bestaat een named entity uit meerdere woorden, dan heb al die woorden
deze drie attributen, met identieke waardes.

'sonar_ne' bevat de klasse van de named entity op de node die de
complete named entity omvat, maar niet meer dan dat. Voor named
entities die maar uit één woord bestaan is dat de terminal node.
Voor named entities die uit meerdere woorden bestaan is dat de parent
node die alle woorden uit de named entity als dochters heeft, en geen
enkele andere dochter heeft. Niet elke multi-word named entity heeft
zo'n parent, en in dat geval ontbreekt het attibuut 'sonar_ne'.

-->

<!ELEMENT data		(#PCDATA) >
<!ATTLIST data
	  name		CDATA					#IMPLIED
>


<!--			Sentence					-->
<!--			de tekst van de gehele zin			-->
<!ELEMENT  sentence	(#PCDATA)					>

<!ATTLIST  sentence
		sentid	CDATA		#IMPLIED
>


<!--			Comments					-->
<!--			een of meerdere comment elementen		-->
<!ELEMENT  comments	(comment+)					>


<!--			Comment						-->
<!--			een commentaar entry				-->
<!ELEMENT  comment	(#PCDATA)					>

<!--

Universal Dependencies

See: http://universaldependencies.org/format.html

Columns:

 1. ID: Word index, integer starting at 1 for each new sentence; may be a range for multiword tokens; may be a decimal number for empty nodes.
 2. FORM: Word form or punctuation symbol.
 3. LEMMA: Lemma or stem of word form.
 4. UPOS: Universal part-of-speech tag.
 5. XPOS: Language-specific part-of-speech tag; underscore if not available.
 6. FEATS: List of morphological features from the universal feature inventory or from a defined language-specific extension; underscore if not available.
 7. HEAD: Head of the current word, which is either a value of ID or zero (0).
 8. DEPREL: Universal dependency relation to the HEAD (root iff HEAD = 0) or a defined language-specific subtype of one.
 9. DEPS: Enhanced dependency graph in the form of a list of head-deprel pairs.
10. MISC: Any other annotation.

Values of only an underscore are omitted.
Values for column 6 FEATS are split into individual features.
Values for column 9 DEPS are split into sub-elements <dep>.

MISC is not used.

-->

<!ELEMENT  ud		(dep*)						>
<!ATTLIST  ud

	   id		NMTOKEN			#REQUIRED
	   form		CDATA			#REQUIRED
	   lemma	CDATA			#REQUIRED
	   %upos;
	   xpos		CDATA			#IMPLIED
	   head		NMTOKEN			#REQUIRED
	   deprel	CDATA			#REQUIRED
	   deprel_main	(root|%rels;|%srels;)	#REQUIRED
	   deprel_aux	CDATA			#IMPLIED
	   %feats;
>

<!ELEMENT  dep	 EMPTY						>
<!ATTLIST  dep
	   id		NMTOKEN			#REQUIRED
	   head		NMTOKEN			#REQUIRED
	   deprel	CDATA			#REQUIRED
	   deprel_main	(root|%rels;|%erels;)	#REQUIRED
	   deprel_aux	CDATA			#IMPLIED
	   elided	(true|1)		#IMPLIED
>

<!ELEMENT root		%udep; >	<!ATTLIST root		%udattr; >

<!ELEMENT acl		%udep; >	<!ATTLIST acl		%udattr; >
<!ELEMENT advcl		%udep; >	<!ATTLIST advcl		%udattr; >
<!ELEMENT advmod	%udep; >	<!ATTLIST advmod	%udattr; >
<!ELEMENT amod		%udep; >	<!ATTLIST amod		%udattr; >
<!ELEMENT appos		%udep; >	<!ATTLIST appos		%udattr; >
<!ELEMENT aux		%udep; >	<!ATTLIST aux		%udattr; >
<!ELEMENT case		%udep; >	<!ATTLIST case		%udattr; >
<!ELEMENT cc		%udep; >	<!ATTLIST cc		%udattr; >
<!ELEMENT ccomp		%udep; >	<!ATTLIST ccomp		%udattr; >
<!ELEMENT clf		%udep; >	<!ATTLIST clf		%udattr; >
<!ELEMENT compound	%udep; >	<!ATTLIST compound	%udattr; >
<!ELEMENT conj		%udep; >	<!ATTLIST conj		%udattr; >
<!ELEMENT cop		%udep; >	<!ATTLIST cop		%udattr; >
<!ELEMENT csubj		%udep; >	<!ATTLIST csubj		%udattr; >
<!ELEMENT det		%udep; >	<!ATTLIST det		%udattr; >
<!ELEMENT discourse	%udep; >	<!ATTLIST discourse	%udattr; >
<!ELEMENT dislocated	%udep; >	<!ATTLIST dislocated	%udattr; >
<!ELEMENT expl		%udep; >	<!ATTLIST expl		%udattr; >
<!ELEMENT fixed		%udep; >	<!ATTLIST fixed		%udattr; >
<!ELEMENT flat		%udep; >	<!ATTLIST flat		%udattr; >
<!ELEMENT goeswith	%udep; >	<!ATTLIST goeswith	%udattr; >
<!ELEMENT iobj		%udep; >	<!ATTLIST iobj		%udattr; >
<!ELEMENT list		%udep; >	<!ATTLIST list		%udattr; >
<!ELEMENT mark		%udep; >	<!ATTLIST mark		%udattr; >
<!ELEMENT nmod		%udep; >	<!ATTLIST nmod		%udattr; >
<!ELEMENT nsubj		%udep; >	<!ATTLIST nsubj		%udattr; >
<!ELEMENT nummod	%udep; >	<!ATTLIST nummod	%udattr; >
<!ELEMENT obj		%udep; >	<!ATTLIST obj		%udattr; >
<!ELEMENT obl		%udep; >	<!ATTLIST obl		%udattr; >
<!ELEMENT orphan	%udep; >	<!ATTLIST orphan	%udattr; >
<!ELEMENT parataxis	%udep; >	<!ATTLIST parataxis	%udattr; >
<!ELEMENT punct		%udep; >	<!ATTLIST punct		%udattr; >
<!ELEMENT ref		%udep; >	<!ATTLIST ref		%udattr; >
<!ELEMENT reparandum	%udep; >	<!ATTLIST reparandum	%udattr; >
<!ELEMENT vocative	%udep; >	<!ATTLIST vocative	%udattr; >
<!ELEMENT xcomp		%udep; >	<!ATTLIST xcomp		%udattr; >


<!--
Possible value for 'status' if not 'OK' is currently only 'error',
but may change to distinguish between error types.
-->
<!ELEMENT  conllu	(#PCDATA)					>
<!ATTLIST  conllu

	   status	(OK|error)	#REQUIRED
	   error	CDATA		#IMPLIED
	   auto		CDATA		#IMPLIED
>