fastmorph
1.0.0
O mecanismo de busca de corpus rápido foi originalmente feito para o corpus da língua tártara escrita.
Você pode tentar aqui.
O código -fonte está disponível em 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.
Você pode tentar aqui. Existem diferentes exemplos de pesquisa no manual de nosso corpus. Se você tiver alguma dúvida sobre o uso do FastMorph em seus projetos, entre em contato conosco por [email protected].
Também pedimos que você nos informe onde esse mecanismo de pesquisa é usado e, se você não se importar, publicaremos aqui links para esses projetos.
Este software é distribuído sob licença pública geral da GNU v3.0.
Consulta de pesquisa:
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"
}
"Return" - quantidade máxima de frases para retornar.
"last_pos" - "0" para a primeira consulta ou apenas devolva esta string para obter a próxima lista de frases.
Aviso! Você deve normalizar e verificar os dados de entrada antes de passá -los para o 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 você pode ver, cada palavra que corresponde à consulta de pesquisa é retornada nas seguintes tags HTML:
<span id='found_word_0' class='found_word' title='(LEMMA) <TAG1><TAG2>'>FOUND_WORD</span>
Por exemplo, você pode usar o CSS para destacá -los.
Você pode encontrar exemplos de tabela Criar aqui.
mysql> selecione * do limite de morph6_main_apertium 10;
| eu ia | unido | frase | fonte |
|---|---|---|---|
| 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> selecione * de morph6_united_apertium onde id> = 100 limite 10;
| eu ia | Freq | word_case | palavra | lema | tags |
|---|---|---|---|---|---|
| 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> selecione * de morph6_words_case_apertium onde id> 200000 limite 10;
| eu ia | Freq | word_case |
|---|---|---|
| 200001 | 4 | Иаарәәәәә ә ә ә |
| 200002 | 1 | Иаарәәенәе |
| 200003 | 3 | Иаарәәен passar |
| 200004 | 290 | Иаарәәенең |
| 200005 | 14 | Иаарәәнәнә |
| 200006 | 1 | Иааinto |
| 200007 | 79 | Иааinto |
| 200008 | 1 | Иаарәәнең |
| 200009 | 1 | Иаарәәнең |
| 200010 | 1 | Иарәханә |
mysql> selecione * de morph6_words_apertium onde id> 100000 limite 10;
| eu ia | Freq | palavra |
|---|---|---|
| 100001 | 975 | а а а а а а а а а а а а а а а ар |
| 100002 | 7 | а а а а а а а а а а а а а а а а а а de março |
| 100003 | 74 | а а а а а а а а а а а а а de março |
| 100004 | 1 | а а а а а а а а а а а а а а а а а а а а а а а а а de março |
| 100005 | 1 | а а а а а а а а а а а а а de março |
| 100006 | 8 | а а а а а а а а а а а а а а а а а а а а de março |
| 100007 | 1 | а а а а а а а а а de março |
| 100008 | 1 | а а а а а а а а а а а а а а а а а а а а de março |
| 100009 | 1408 | а а а а а а а а а а а а а а а ар |
| 100010 | 3 | а а а а а а а а а а а а а а а а а а de março |
mysql> selecione * de morph6_lemmas_apertium onde id> 300000 limite 10;
| eu ia | Freq | lema |
|---|---|---|
| 300001 | 1 | иячччччч |
| 300002 | 130 | иячччр |
| 300003 | 8 | ияччч sentido |
| 300004 | 2 | иячччәрәә |
| 300005 | 3 | иячччч sentido |
| 300006 | 9 | иячччрәә |
| 300007 | 2 | иячччч sentido |
| 300008 | 2 | ияччч sentido |
| 300009 | 1 | ияччч sentido |
| 300010 | 12 | иячччә sentido |
mysql> selecione * de morph6_tags_apertium onde id> 11100 limite 10;
| eu ia | Freq | Combinações |
|---|---|---|
| 11101 | 4 | <nt>, <at>, <f>, <frm>, <np>, <px2sg> |
| 11102 | 17141 | <nt>, <at>, <f>, <np> |
| 11103 | 387 | <ft>, <dat>, <f>, <np>, <pl> |
| 11104 | 1 | <ft>, <dat>, <f>, <np>, <pl>, <px1pl> |
| 11105 | 1 | <ft>, <dat>, <f>, <np>, <pl>, <px1sg> |
| 11106 | 12 | <ft>, <dat>, <f>, <np>, <pl>, <px3sp> |
| 11107 | 1 | <ft>, <at>, <f>, <np>, <pl>, <px> |
| 11108 | 40 | <nt>, <at>, <f>, <np>, <px1pl> |
| 11109 | 101 | <nt>, <at>, <f>, <np>, <px1sg> |
| 11110 | 41 | <nt>, <at>, <f>, <np>, <px2sg> |
mysql> selecione * de fontes onde col1> 300 limite 3;
| Col1 | Col2 | COL3 |
|---|---|---|
| 301 | "Miras.belem.ru" (web-ййótimo) | miras.belem.ru |
| 302 | Абlus алш. Кршero | livro |
| 303 | Ә хә хиииятттт хәәә әәI х хиззззз иитттт их әә хтттт иит ихттth җ җ х хизаәаа х хизз land җ җ җ х/хзаés җ җ х әәтт land җ җ х әитзз land җ җ х әиттз land җ җ хиззза land җ җ хиззз land җ җ хизз land җ җ хиntas | tatarstan.ru |
Se você usar o Tagger do Apertium para anotar morfologicamente o corpus, poderá usar nosso script Python para gerar tabelas a partir da saída do Apertium.
Para usar este conversor, você deve:
cat bigfile.txt | apertium -n -d . tat-tagger | cg-proc dev/mansur.bin > bigfile_tagged.txt
Onde Mansur.bin é apenas um arquivo com algumas regras adicionais. Você pode encontrá -lo aqui.
No resultado, você deve obter arquivos, contendo frases 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 frase | ID de origem |
|---|---|
| 1 | 1 |
| 2 | 1 |
| 3 | 1 |
| 4 | 1 |
| 5 | 1 |
| 6 | 1 |
| 7 | 1 |
| 8 | 1 |
| 9 | 1 |
| 10 | 1 |
E coloque -o no mesmo diretório com o script.
3) Execute o script Python desta maneira:
./tat-tagger_to_ntables_v6.24.py tatcorpus2.sentences.apertium.tagged.txt
Levará muito tempo de acordo com o tamanho do seu corpus.
4) Se tudo correr bem, você deve obter uma lista de novos arquivos que você precisa importar para o banco de dados 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 - A 5ª versão do mecanismo de busca FastMorph Corpus é lançada. Agora consome cerca de 2,5 vezes menos memória (RAM).
18.11.2016 - A 4ª versão do mecanismo de busca FastMorph Corpus é lançada. Lista de alterações:
19.07.2016 - Algumas melhorias no complexo mecanismo de busca morfológica "FastMorph":
13.06.2016 - A pesquisa na parte do meio de uma funcionalidade do Word foi adicionada no módulo FastMorph. Por exemplo, se você digitar *әәе *, palavras como íbio әенәә, әйәйәйәен, әй әйәйәйее,, әй өй әйәйәйе), será encontrado ...
21.04.2016 - Devido à implementação no módulo "FastMorph", algumas otimizações do processador e suporte multithreading, alcançamos que a pesquisa morfológica complexa agora tem um desempenho cinco vezes mais rápido.
03.04.2016 - Os recursos complexos do sistema de pesquisa morfológica foram significativamente estendidos. Você pode obter mais informações sobre eles nos guias atualizados até 3.0 e versão superior.
22.02.2016 - A função de busca morfológica complexa apareceu no corpus do tártaro escrito, onde você pode usar diferentes combinações de parâmetros como Wordform, lema, tags gramaticais, início e fim das palavras, distâncias entre eles. Informações técnicas: a versão 1 consome cerca de 6 GB de RAM para o corpus, consistindo em 116 ocorrências de palavras mln. Sua velocidade é bastante alta.
