fastmorph
1.0.0
Fast Corpus Search Engine originalmente hecho para el corpus del lenguaje tártaro escrito.
Puedes probarlo aquí.
El código fuente está disponible en https://github.com/mansayk/fastmorph.
Query:
Word 1: китап
Number of occurences: 32209
Query processing time: 0,4 sec.
Query:
Word 1 (case sensitive, distance to the next word up to 3 words): Китап
Word 2 (if in brackets, then it is lemma): (бир)
Number of occurences: 15
Query processing time: 0,4 sec.
Quite heavy query:
Word 1 (word begins with "б" letter, distance range to the next word is from 1 to 10): б*
Word 2 (pronoun, word ends with "ң", distance range to the next word is from 1 to 10): <prn>*ң
Word 3 (lemma "кил", word ends with "р"): (кил)*р
Number of occurences: 135210
Query processing time: 0,8 sec.
Very heavy query:
Word 1 (word ends with "ы", distance range to the next word is from 1 to 100): *ы
Word 2 (word ends with "а", distance range to the next word is from 1 to 100): *а
Word 3 (word ends with "м", distance range to the next word is from 1 to 100): *м
Word 4 (word ends with "с", distance range to the next word is from 1 to 100): *с
Word 5 (word ends with "ь", distance range to the next word is from 1 to 100): *ь
Word 6 (word ends with "е"): *е
Number of occurences: 135210
Query processing time: 1,4 sec.
Puedes probarlo aquí. Hay diferentes ejemplos de búsqueda en el manual de nuestro corpus. Si tiene alguna pregunta sobre el uso de FastMorph en sus proyectos, contáctenos por [email protected].
También le pedimos que nos haga saber dónde se usa este motor de búsqueda y, si no le importa, publicaremos aquí enlaces a esos proyectos.
Este software se distribuye bajo GNU General Public License v3.0.
Consulta de búsqueda:
Schematical view: {<adj>}(0) 1-5 {ке*<n>}(1) 1-1 {(кил)}(0) 1-1 {}(0) 1-1 {}(0) 1-1 {}(0)
Detailed:
Word 1 (distance range to the next word is from 1 to 5, adjective): <adj>
Word 2 (case sensitive, begins with "ке", noun): ке*<n>
Word 3: (lemma "кил"):(кил)
Word 4:
Word 5:
Word 6:
{
"word": [
"",
"",
"",
"",
"",
""
],
"lemma": [
"",
"",
"кил",
"",
"",
""
],
"tags": [
"<adj>",
"<n>",
"",
"",
"",
""
],
"wildmatch": [
"",
"ке*",
"",
"",
"",
""
],
"case": [
0,
1,
0,
0,
0,
0
],
"dist_from": [
1,
1,
1,
1,
1
],
"dist_to": [
5,
1,
1,
1,
1
],
"return": 100,
"last_pos": "0"
}
"Retorno" - Cantidad máxima de oraciones para devolver.
"Last_Pos" - "0" para la primera consulta o simplemente devuelva esta cadena para obtener la siguiente lista de oraciones.
¡Advertencia! Debe normalizar y verificar los datos de entrada antes de pasarlos a FastMorph:
{
"example": [
{
"id": 15853,
"source": ""2013 Универсиадасы блогы" (web-сайт)",
"source_type": "kazan2013.ru",
"sentence": "Универсиада кебек зур проектның бер өлеше булу өчен, Казанга Россиянең төрле
төбәкләреннән һәм Дөньяның
<span id='found_word_0' class='found_word' title='(төрле) <adj>'>төрле</span>
илләреннән бик күп
<span id='found_word_1' class='found_word' title='(кеше) <n>,<nom>,<sg>'>кеше</span>
<span id='found_word_2' class='found_word' title='(кил) <ifi>,<iv>,<p3>,<sg>,<v>'>килде</span>."
},
{
"id": -1
}
],
"last_pos": "892447x39311905x75980782x114356633",
"found_all": 1359
}
Como puede ver, cada palabra coincide con la consulta de búsqueda se devuelve en las siguientes etiquetas HTML:
<span id='found_word_0' class='found_word' title='(LEMMA) <TAG1><TAG2>'>FOUND_WORD</span>
Entonces, por ejemplo, puede usar CSS para resaltarlos.
Puede encontrar ejemplos de mesa Crear aquí.
mysql> select * de Morph6_Main_apertium Limit 10;
| identificación | unido | oración | fuente |
|---|---|---|---|
| 0 | 1594501 | 1 | 1 |
| 1 | 761564 | 1 | 1 |
| 2 | 787834 | 1 | 1 |
| 3 | 1505641 | 1 | 1 |
| 4 | 420024 | 1 | 1 |
| 5 | 764201 | 1 | 1 |
| 6 | 1003674 | 1 | 1 |
| 7 | 1003851 | 1 | 1 |
| 8 | 764201 | 1 | 1 |
| 9 | 1057551 | 1 | 1 |
mysql> seleccionar * de MORPH6_United_apertium donde id> = 100 límite 10;
| identificación | frecuente | Word_case | palabra | lema | etiquetas |
|---|---|---|---|---|---|
| 100 | 1 | 1000084 | 599888 | 429156 | 2 |
| 101 | 60 | 1000085 | 599890 | 429158 | 2 |
| 102 | 5 | 1000086 | 599891 | 429159 | 2 |
| 103 | 2 | 1000087 | 599892 | 429160 | 2 |
| 104 | 1 | 1000088 | 599893 | 429161 | 2 |
| 105 | 10 | 1000089 | 599894 | 429162 | 2 |
| 106 | 1 | 100008 | 164606 | 119768 | 2 |
| 107 | 1 | 1000090 | 599895 | 429163 | 2 |
| 108 | 5 | 1000091 | 599899 | 429167 | 2 |
| 109 | 1 | 1000092 | 599901 | 429169 | 2 |
mysql> seleccionar * de Morph6_words_case_apertium donde ID> 200000 límite 10;
| identificación | frecuente | Word_case |
|---|---|---|
| 200001 | 4 | Идарәсендәе |
| 200002 | 1 | Идарәсендәә |
| 200003 | 3 | Идарәсене |
| 200004 | 290 | Идарәсенең |
| 200005 | 14 | Идарәсеннән |
| 200006 | 1 | Идарәсеның |
| 200007 | 79 | Идарәсенә |
| 200008 | 1 | Идарәснең |
| 200009 | 1 | Идарәәнең |
| 200010 | 1 | Идарәханә |
mysql> seleccionar * de Morph6_words_apertium donde ID> 100000 límite 10;
| identificación | frecuente | palabra |
|---|---|---|
| 100001 | 975 | артиселарны |
| 100002 | 7 | ' |
| 100003 | 74 | артист veor |
| 100004 | 1 | артиселарныкы |
| 100005 | 1 | артистлар comior |
| 100006 | 8 | артиселарныкынан |
| 100007 | 1 | " |
| 100008 | 1 | арис vel |
| 100009 | 1408 | артиселарның |
| 100010 | 3 | ' |
mysql> seleccionar * de Morph6_lemmas_apertium donde ID> 300000 límite 10;
| identificación | frecuente | lema |
|---|---|---|
| 300001 | 1 | иechчелек |
| 300002 | 130 | иechчеләрәә |
| 300003 | 8 | ияеләрәә |
| 300004 | 2 | иecharчеләрдә |
| 300005 | 3 | ияеләр 24ән |
| 300006 | 9 | ияеләре |
| 300007 | 2 | ияеләрегез |
| 300008 | 2 | ияеләрен |
| 300009 | 1 | ияеләренең |
| 300010 | 12 | ияеләрне |
mysql> seleccionar * de MORPH6_TAGS_APERTIUM DONDE ID> 11100 límite 10;
| identificación | frecuente | combinaciones |
|---|---|---|
| 11101 | 4 | <NNT>, <CAT>, <F>, <PRESTA <Frm>, <Np>, <PX2SG> |
| 11102 | 17141 | <tnt>, <at>, <f>, <np> |
| 11103 | 387 | <NNT>, <ATAT>, <f>, <np>, <Pl> |
| 11104 | 1 | <NNT>, <CAT>, <F>, <NP>, <PLP>, <PX1PL> |
| 11105 | 1 | <NNT>, <Cat>, <F>, <Np>, <Pl>, <PX1SG> |
| 11106 | 12 | <NNT>, <CAT>, <F>, <NP>, <Pl>, <PX3SP> |
| 11107 | 1 | <NNT>, <CAT>, <F>, <NP>, <Pl>, <PX> |
| 11108 | 40 | <NNT>, <CAT>, <F>, <NP>, <PX1PL> |
| 11109 | 101 | <NNT>, <Cat>, <F>, <NP>, <PX1SG> |
| 11110 | 41 | <NNT>, <CAT>, <F>, <NP>, <PX2SG> |
MySQL> Seleccionar * de fuentes donde COL1> 300 LIMIT 3;
| COL1 | Col2 | COL3 |
|---|---|---|
| 301 | "Miras.belem.ru" (web-сй) | Miras.belem.ru |
| 302 | Аблла алиш. Крше» | libro |
| 303 | Әәәләт хакиock. | tatarstan.ru |
Si usa el etiquetador de Apertium para anotar morfológicamente el corpus, puede usar nuestro script de Python para generar tablas a partir de la salida de Apertium.
Para usar este convertidor deberías:
cat bigfile.txt | apertium -n -d . tat-tagger | cg-proc dev/mansur.bin > bigfile_tagged.txt
Donde Mansur.bin es solo un archivo con algunas reglas adicionales. Puedes encontrarlo aquí.
En resultado, debe obtener el archivo, que contiene oraciones anotadas:
^Мин/Мин<prn><pers><p1><sg><nom>$ ^үземне/үз<prn><ref><px1sg><acc>$ ^белә/бел<v><tv><prc_impf>$ ^башлаганнан/башла<vaux><ger_past><abl>$ ^бирле/бирле<post>$ ^түбән/түбән<adj>$ ^очка/оч<n><sg><dat>$ – ^ерак/ерак<adj>$ ^бабакайларга/бабакай<n><pl><dat>$ ^төшәргә/төш<v><iv><inf>$ ^ярата/ярат<v><tv><pres><p3><sg>$ ^идем/и<cop><ifi><p1><sg>$^./.<sent>$
| ID de oración | ID de origen |
|---|---|
| 1 | 1 |
| 2 | 1 |
| 3 | 1 |
| 4 | 1 |
| 5 | 1 |
| 6 | 1 |
| 7 | 1 |
| 8 | 1 |
| 9 | 1 |
| 10 | 1 |
Y colóquelo en el mismo directorio con script.
3) Ejecute el script de Python de esta manera:
./tat-tagger_to_ntables_v6.24.py tatcorpus2.sentences.apertium.tagged.txt
Tomará bastante tiempo según el tamaño de su corpus.
4) Si todo salió bien, debe obtener una lista de archivos nuevos que necesita importar a la base de datos MySQL:
tatcorpus2.sentences.apertium.tagged.txt.lemmas.output.txt
tatcorpus2.sentences.apertium.tagged.txt.main.output.txt
tatcorpus2.sentences.apertium.tagged.txt.tags-uniq.output.txt.sorted.txt
tatcorpus2.sentences.apertium.tagged.txt.tags.output.txt
tatcorpus2.sentences.apertium.tagged.txt.united.output.txt
tatcorpus2.sentences.apertium.tagged.txt.words.output.txt
tatcorpus2.sentences.apertium.tagged.txt.words_case.output.txt
27.02.2017 - Se libera la quinta versión del motor de búsqueda de FastMorph Corpus. Ahora consume aproximadamente 2,5 veces menos memoria (RAM).
18.11.2016 - Se lanza la cuarta versión del motor de búsqueda de FastMorph Corpus. Lista de cambios:
19.07.2016 - Algunas mejoras en el complejo motor de búsqueda morfológica "FastMorph":
13.06.2016 - La búsqueda por la parte media de una funcionalidad de Word se agregó en el módulo FastMorph. Por ejemplo, si escribe *әее *, palabras como ярәәндә, әйрәәен, үткәрәен, өйөйөй Es encontrar ...
21.04.2016 - Debido a la implementación en el módulo "FastMorph", algunas optimizaciones de procesadores y soporte de lectura múltiple logramos que la búsqueda morfológica compleja ahora funciona hasta cinco veces más rápido.
03.04.2016 - Las características complejas del sistema de búsqueda morfológica se extendieron significativamente. Puede obtener más información sobre ellas en las guías actualizadas hasta 3.0 y una versión superior.
22.02.2016 - La función de búsqueda morfológica compleja apareció en el corpus del tártaro escrito, donde puede usar diferentes combinaciones de parámetros tales como forma de palabra, lema, etiquetas gramaticales, inicio y final de palabras, distancias entre ellos. Información técnica: la versión 1 consume aproximadamente 6 GB de RAM para el corpus, que consta de 116 ocurrencias de palabras. Su velocidad es bastante alta.
