!!!Prinsipp for lemmatisering av samiske språk



!!Lemma som ikkje skal inn i stavekontrollen - Err/Lex

Bakgrunnen for dette er ord i leksikon som ikkje er skal inn i stavekontrollen, men som likevel skal bli generert. Døme på slike ord er på sørsamisk ''cubanske, juni'', og det kan være behov for det i nordsamisk også.

Desse blir merka med ''+Err/Lex'' i leksikon. Dei kjem med i genereringsfilene, men ikkje i den normative fila.

!!Leksikalsk homonymi: identifisere riktig lemma

Lemmaene er homonyme, men det er samantisk forskjell og forskjellige bøyningsparadigmer. I nordsamisk skiller vi de fleste med G3- og NomAg-tagger, fordi det er systematikk for store grupper av lemmaer. 
+G3 blir lagt inn i leksikon før POS, men burde flyttast til etter POS i kompileringa.

 
|| Nom  || Gen  	|| norsk 	|| norm-fst-analyse	 
| lohkki |  lohki  	|  lokk		| lohkki+N+Sg+Nom
| lohkki |  lohkki 	|  lesar 	| lohkki+N+NomAg+Sg+Nom
|  beassi 	| beasi  |  reir	| beassi+N+Sg+Nom
|  beassi  	| beassi |  never	| beassi+G3+N+Sg+Nom


Når det er snakk om enkelttilfeller, gir vi disse arbitrære taggar {{+Hom1, +Hom2, …}} (nummerert oppover ad lib).

* Eksempler fra sørsamisk:
** govledh+Hom1  - kl. IV å høre
** govledh+Hom2  - kl. V å høres

Denne blir i Apertium endret til hevet tall.

!!Varianter under samme lemma: sortere bøyningsformer til riktig grunnform - v1, v2 osv

Ortografiske varianter av samme lemma, dvs. grunnform og ihvertfall deler av bøyingsparadigmet, bør i fst sorteres under samme lemma. Men vi legger til en tag for å kunne sortere bøyningsparadigmene til riktig grunnform.

Vi brukar taggane {{+v1, +v2, …}} (nummerert oppover ad lib) for å skilje mellom
dei ulike paradigmene.

* Eksempler:
** sihkar+v1:sihkar
** sihkar+v2:sihkkar

Hvis grunnformen er den samme, men det er to mulige bøyningsparadigmer, bruker vi ikke denne merkinga.