fastmorph
1.0.0
Fast Corpus Search Engine изначально создана для корпуса письменного татарского языка.
Вы можете попробовать это здесь.
Исходный код доступен по адресу 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.
Вы можете попробовать это здесь. Есть разные примеры поиска в руководстве нашего корпуса. Если у вас есть какие -либо вопросы об использовании Fastmorph в ваших проектах, свяжитесь с нами по адресу [email protected].
Также мы просим вас сообщить нам, где используется эта поисковая система, и, если вы не возражаете, мы опубликуем здесь ссылки на эти проекты.
Это программное обеспечение распространяется в соответствии с GNU General Public Public License v3.0.
Поиск запроса:
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"
}
«Возврат» - максимальная сумма предложений для возврата.
«Last_pos» - «0» для первого запроса или просто верните эту строку, чтобы получить следующий список предложений.
Предупреждение! Вы должны нормализовать и проверить входные данные перед передачей его в 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
}
Как видите, каждое слово, соответствующее поисковому запросу, возвращается в следующих тегах HTML:
<span id='found_word_0' class='found_word' title='(LEMMA) <TAG1><TAG2>'>FOUND_WORD</span>
Так, например, вы можете использовать CSS для их выделения.
Вы можете найти примеры создания таблицы здесь.
mysql> выберите * из Morph6_main_apertium Limit 10;
| идентификатор | объединенная | предложение | источник |
|---|---|---|---|
| 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> выберите * из morph6_united_apertium, где id> = 100 Limit 10;
| идентификатор | фрейк | Word_case | слово | Лемма | теги |
|---|---|---|---|---|---|
| 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> выберите * из morph6_words_case_apertium, где идентификатор> 200000 лимит 10;
| идентификатор | фрейк | Word_case |
|---|---|---|
| 200001 | 4 | Иду |
| 200002 | 1 | Идарсенд |
| 200003 | 3 | Иди |
| 200004 | 290 | Идарсенте |
| 200005 | 14 | Идарсеннн |
| 200006 | 1 | Идарсен |
| 200007 | 79 | Идарсен |
| 200008 | 1 | Идаргин |
| 200009 | 1 | Идаргин |
| 200010 | 1 | Идарлан |
mysql> выберите * из morph6_words_apertium, где идентификатор> 100000 предел 10;
| идентификатор | фрейк | слово |
|---|---|---|
| 100001 | 975 | Артистларн |
| 100002 | 7 | Артистларн Гуна |
| 100003 | 74 | Артистларнд |
| 100004 | 1 | Артистларнк |
| 100005 | 1 | Артистларнк -дад |
| 100006 | 8 | Артистларнкеннана |
| 100007 | 1 | Артистларнкеннана |
| 100008 | 1 | Артистларнкха |
| 100009 | 1408 | Артистларн |
| 100010 | 3 | Артистларн Гуна |
mysql> выберите * из morph6_lemmas_apertium, где идентификатор> 300000 предел 10;
| идентификатор | фрейк | Лемма |
|---|---|---|
| 300001 | 1 | изнасилование |
| 300002 | 130 | изнасилование |
| 300003 | 8 | yanirhe-elәrgә |
| 300004 | 2 | yanirhe-elәrdә |
| 300005 | 3 | изнасилование |
| 300006 | 9 | изнасилование |
| 300007 | 2 | изнасилование |
| 300008 | 2 | изнасилование |
| 300009 | 1 | изнасилование |
| 300010 | 12 | изнасилование |
mysql> выберите * из morph6_tags_apertium, где идентификатор> 11100 предел 10;
| идентификатор | фрейк | Комбинации |
|---|---|---|
| 11101 | 4 | <nat>, <tat>, <f>, <frm>, <np>, <px2sg> |
| 11102 | 17141 | <nat>, <tat>, <f>, <np> |
| 11103 | 387 | <nat>, <tat>, <f>, <np>, <pl> |
| 11104 | 1 | <nat>, <dat>, <f>, <np>, <pl>, <px1pl> |
| 11105 | 1 | <nat>, <tat>, <f>, <np>, <pl>, <px1sg> |
| 11106 | 12 | <nat>, <dat>, <f>, <np>, <pl>, <px3sp> |
| 11107 | 1 | <nat>, <tat>, <f>, <np>, <pl>, <px> |
| 11108 | 40 | <nat>, <tat>, <f>, <np>, <px1pl> |
| 11109 | 101 | <nat>, <tat>, <f>, <np>, <px1sg> |
| 11110 | 41 | <nat>, <tat>, <f>, <np>, <px2sg> |
MySQL> выберите * из источников, где COL1> 300 лимит 3;
| Col1 | Col2 | Col3 |
|---|---|---|
| 301 | "miras.belem.ru" (web-caphot) | miras.belem.ru |
| 302 | Абдулла. Куриль | книга |
| 303 | ДЕВАЕТСЯ | Tatarstan.ru |
Если вы используете Tagger Apertium, чтобы морфологически аннотировать корпус, то вы можете использовать наш скрипт Python для генерации таблиц с вывода Apertium.
Чтобы использовать этот конвертер, вы должны:
cat bigfile.txt | apertium -n -d . tat-tagger | cg-proc dev/mansur.bin > bigfile_tagged.txt
где Mansur.bin - это просто файл с некоторыми дополнительными правилами. Вы можете найти это здесь.
В результате вы должны получить файл, содержащий аннотированные предложения:
^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>$^./.<sent>$
| идентификатор предложения | идентификатор источника |
|---|---|
| 1 | 1 |
| 2 | 1 |
| 3 | 1 |
| 4 | 1 |
| 5 | 1 |
| 6 | 1 |
| 7 | 1 |
| 8 | 1 |
| 9 | 1 |
| 10 | 1 |
И поместите его в тот же каталог со сценарием.
3) Запустите сценарий Python таким образом:
./tat-tagger_to_ntables_v6.24.py tatcorpus2.sentences.apertium.tagged.txt
Это займет много времени в зависимости от размера вашего корпуса.
4) Если все прошло хорошо, вы должны получить список новых файлов, которые вам нужно импортировать в базу данных 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 - Выпущена 5 -я версия поисковой системы Fastmorph Corpus. Теперь он потребляет примерно в 2,5 раза меньше памяти (ОЗУ).
18.11.2016 - 4 -я версия поисковой системы Fastmorph Corpus выпускается. Список изменений:
19.07.2016 - Некоторые улучшения в сложной морфологической поисковой системе "Fastmorph":
13.06.2016 - Поиск по средней части функциональности слова был добавлен в модуль Fastmorph. Например, если вы печатаете *әme *, такие слова, как jardәmendә, bәйrәmen, yotkәrәmenen, өйdәme будет найден ...
21.04.2016 - Из -за реализации в модуле «Fastmorph» некоторые оптимизации процессоров и поддержка многопоточной поддержки мы достигли, что сложный морфологический поиск теперь работает в пять раз быстрее.
03.04.2016 - Сложные функции морфологической системы поиска были значительно расширены. Вы можете получить больше информации о них в руководствах, обновленных до 3,0 и более высокой версии.
22.02.2016 - Сложная морфологическая функция поиска появилась в корпусе письменного татара, где вы можете использовать различные комбинации таких параметров, как Wordform, Lemma, грамматические теги, начало и конец слов, расстояния между ними. Техническая информация: Версия 1 потребляет около 6 ГБ оперативной памяти для корпуса, состоящую из 116 событий слова. Его скорость довольно высока.
