545 lines
16 KiB
Plaintext
545 lines
16 KiB
Plaintext
{
|
|
"cells": [
|
|
{
|
|
"cell_type": "markdown",
|
|
"id": "coastal-lincoln",
|
|
"metadata": {},
|
|
"source": [
|
|
"![Logo 1](https://git.wmi.amu.edu.pl/AITech/Szablon/raw/branch/master/Logotyp_AITech1.jpg)\n",
|
|
"<div class=\"alert alert-block alert-info\">\n",
|
|
"<h1> Komputerowe wspomaganie tłumaczenia </h1>\n",
|
|
"<h2> 3. <i>Terminologia</i> [laboratoria]</h2> \n",
|
|
"<h3>Rafał Jaworski (2021)</h3>\n",
|
|
"</div>\n",
|
|
"\n",
|
|
"![Logo 2](https://git.wmi.amu.edu.pl/AITech/Szablon/raw/branch/master/Logotyp_AITech2.jpg)"
|
|
]
|
|
},
|
|
{
|
|
"cell_type": "markdown",
|
|
"id": "aggregate-listing",
|
|
"metadata": {},
|
|
"source": [
|
|
"Na dzisiejszych zajęciach zajmiemy się bliżej słownikami używanymi do wspomagania tłumaczenia. Oczywiście na rynku dostępnych jest bardzo wiele słowników w formacie elektronicznym. Wiele z nich jest gotowych do użycia w SDL Trados, memoQ i innych narzędziach CAT. Zawierają one setki tysięcy lub miliony haseł i oferują natychmiastową pomoc tłumaczowi."
|
|
]
|
|
},
|
|
{
|
|
"cell_type": "markdown",
|
|
"id": "israeli-excuse",
|
|
"metadata": {},
|
|
"source": [
|
|
"Problem jednak w tym, iż często nie zawierają odpowiedniej terminologii specjalistycznej - używanej przez klienta zamawiającego tłumaczenie. Terminy specjalistyczne są bardzo częste w tekstach tłumaczonych ze względu na następujące zjawiska:\n",
|
|
"- Teksty o tematyce ogólnej są tłumaczone dość rzadko (nikt nie tłumaczy pocztówek z pozdrowieniami z wakacji...)\n",
|
|
"- Te same słowa mogą mieć zarówno znaczenie ogólne, jak i bardzo specjalistyczne (np. \"dziedziczenie\" w kontekście prawnym lub informatycznym)\n",
|
|
"- Klient używa nazw lub słów wymyślonych przez siebie, np. na potrzeby marketingowe."
|
|
]
|
|
},
|
|
{
|
|
"cell_type": "markdown",
|
|
"id": "reflected-enforcement",
|
|
"metadata": {},
|
|
"source": [
|
|
"Nietrywialnymi zadaniami stają się: odnalezienie terminu specjalistycznego w tekście źródłowym oraz podanie prawidłowego tłumaczenia tego terminu na język docelowy"
|
|
]
|
|
},
|
|
{
|
|
"cell_type": "markdown",
|
|
"id": "statutory-florist",
|
|
"metadata": {},
|
|
"source": [
|
|
"Brzmi prosto? Spróbujmy wykonać ręcznie tę drugą operację."
|
|
]
|
|
},
|
|
{
|
|
"cell_type": "markdown",
|
|
"id": "danish-anchor",
|
|
"metadata": {},
|
|
"source": [
|
|
"### Ćwiczenie 1: Podaj tłumaczenie terminu \"prowadnice szaf metalowych\" na język angielski. Opisz, z jakich narzędzi skorzystałaś/eś."
|
|
]
|
|
},
|
|
{
|
|
"cell_type": "markdown",
|
|
"id": "diverse-sunglasses",
|
|
"metadata": {},
|
|
"source": [
|
|
"Odpowiedź: Wynik z Google Translate to `metal cabinet guides`"
|
|
]
|
|
},
|
|
{
|
|
"cell_type": "markdown",
|
|
"id": "limited-waterproof",
|
|
"metadata": {},
|
|
"source": [
|
|
"W dalszych ćwiczeniach skupimy się jednak na odszukaniu terminu specjalistycznego w tekście. W tym celu będą potrzebne dwie operacje:\n",
|
|
"1. Przygotowanie słownika specjalistycznego.\n",
|
|
"2. Detekcja terminologii przy użyciu przygotowanego słownika specjalistycznego."
|
|
]
|
|
},
|
|
{
|
|
"cell_type": "markdown",
|
|
"id": "literary-blues",
|
|
"metadata": {},
|
|
"source": [
|
|
"Zajmijmy się najpierw krokiem nr 2 (gdyż jest prostszy). Rozważmy następujący tekst:"
|
|
]
|
|
},
|
|
{
|
|
"cell_type": "code",
|
|
"execution_count": 11,
|
|
"id": "loving-prince",
|
|
"metadata": {},
|
|
"outputs": [],
|
|
"source": [
|
|
"text = \" For all Java programmers:\"\n",
|
|
"text += \" This section explains how to compile and run a Swing application from the command line.\"\n",
|
|
"text += \" For information on compiling and running a Swing application using NetBeans IDE,\"\n",
|
|
"text += \" see Running Tutorial Examples in NetBeans IDE. The compilation instructions work for all Swing programs\"\n",
|
|
"text += \" — applets, as well as applications. Here are the steps you need to follow:\"\n",
|
|
"text += \" Install the latest release of the Java SE platform, if you haven't already done so.\"\n",
|
|
"text += \" Create a program that uses Swing components. Compile the program. Run the program.\""
|
|
]
|
|
},
|
|
{
|
|
"cell_type": "markdown",
|
|
"id": "extreme-cycling",
|
|
"metadata": {},
|
|
"source": [
|
|
"Załóżmy, że posiadamy następujący słownik:"
|
|
]
|
|
},
|
|
{
|
|
"cell_type": "code",
|
|
"execution_count": 12,
|
|
"id": "bound-auction",
|
|
"metadata": {},
|
|
"outputs": [],
|
|
"source": [
|
|
"dictionary = ['program', 'application', 'applet' 'compile']"
|
|
]
|
|
},
|
|
{
|
|
"cell_type": "markdown",
|
|
"id": "other-trinidad",
|
|
"metadata": {},
|
|
"source": [
|
|
"### Ćwiczenie 2: Napisz program, który wypisze pozycje wszystkich wystąpień poszczególnych terminów specjalistycznych. Dla każdego terminu należy wypisać listę par (pozycja_startowa, pozycja końcowa)."
|
|
]
|
|
},
|
|
{
|
|
"cell_type": "code",
|
|
"execution_count": 13,
|
|
"id": "cognitive-cedar",
|
|
"metadata": {},
|
|
"outputs": [],
|
|
"source": [
|
|
"def terminology_lookup():\n",
|
|
" for term in dictionary:\n",
|
|
" start = 0\n",
|
|
" while True:\n",
|
|
" start = text.find(term, start)\n",
|
|
" if start == -1:\n",
|
|
" break\n",
|
|
" end = start + len(term)\n",
|
|
" print(f'{term}: ({start}, {end})')\n",
|
|
" start = end"
|
|
]
|
|
},
|
|
{
|
|
"cell_type": "code",
|
|
"execution_count": 14,
|
|
"id": "0a4a26ba",
|
|
"metadata": {},
|
|
"outputs": [
|
|
{
|
|
"name": "stdout",
|
|
"output_type": "stream",
|
|
"text": [
|
|
"program: (14, 21)\n",
|
|
"program: (291, 298)\n",
|
|
"program: (468, 475)\n",
|
|
"program: (516, 523)\n",
|
|
"program: (533, 540)\n",
|
|
"application: (80, 91)\n",
|
|
"application: (164, 175)\n",
|
|
"application: (322, 333)\n"
|
|
]
|
|
}
|
|
],
|
|
"source": [
|
|
"terminology_lookup()"
|
|
]
|
|
},
|
|
{
|
|
"cell_type": "markdown",
|
|
"id": "interior-things",
|
|
"metadata": {},
|
|
"source": [
|
|
"Zwykłe wyszukiwanie w tekście ma pewne wady. Na przykład, gdy szukaliśmy słowa \"program\", złapaliśmy przypadkiem słowo \"programmer\". Złapaliśmy także słowo \"programs\", co jest poprawne, ale niepoprawnie podaliśmy jego pozycję w tekście."
|
|
]
|
|
},
|
|
{
|
|
"cell_type": "markdown",
|
|
"id": "aggressive-plane",
|
|
"metadata": {},
|
|
"source": [
|
|
"Żeby poradzić sobie z tymi problemami, musimy wykorzystać techniki przetwarzania języka naturalnego. Wypróbujmy pakiet spaCy:\n",
|
|
"\n",
|
|
"`pip3 install spacy`\n",
|
|
"\n",
|
|
"oraz\n",
|
|
"\n",
|
|
"`python3 -m spacy download en_core_web_sm`"
|
|
]
|
|
},
|
|
{
|
|
"cell_type": "code",
|
|
"execution_count": 15,
|
|
"id": "tribal-attention",
|
|
"metadata": {},
|
|
"outputs": [
|
|
{
|
|
"name": "stdout",
|
|
"output_type": "stream",
|
|
"text": [
|
|
" for all Java programmer : this section explain how to compile and run a swing application from the command line . for information on compile and run a swing application use NetBeans IDE , see run Tutorial Examples in NetBeans IDE . the compilation instruction work for all Swing program — applet , as well as application . here be the step you need to follow : install the late release of the Java SE platform , if you have not already do so . create a program that use swing component . compile the program . run the program . "
|
|
]
|
|
}
|
|
],
|
|
"source": [
|
|
"import spacy\n",
|
|
"nlp = spacy.load(\"en_core_web_sm\")\n",
|
|
"\n",
|
|
"doc = nlp(text)\n",
|
|
"\n",
|
|
"for token in doc:\n",
|
|
" print(token.lemma_, end=' ')"
|
|
]
|
|
},
|
|
{
|
|
"cell_type": "markdown",
|
|
"id": "regional-craft",
|
|
"metadata": {},
|
|
"source": [
|
|
"Sukces! Nastąpił podział tekstu na słowa (tokenizacja) oraz sprowadzenie do formy podstawowej każdego słowa (lematyzacja)."
|
|
]
|
|
},
|
|
{
|
|
"cell_type": "markdown",
|
|
"id": "toxic-subsection",
|
|
"metadata": {},
|
|
"source": [
|
|
"### Ćwiczenie 3: Zmodyfikuj program z ćwiczenia 2 tak, aby zwracał również odmienione słowa. Na przykład, dla słowa \"program\" powinien znaleźć również \"programs\", ustawiając pozycje w tekście odpowiednio dla słowa \"programs\". Wykorzystaj właściwość idx tokenu."
|
|
]
|
|
},
|
|
{
|
|
"cell_type": "code",
|
|
"execution_count": 40,
|
|
"id": "surgical-demonstration",
|
|
"metadata": {},
|
|
"outputs": [],
|
|
"source": [
|
|
"def terminology_lookup():\n",
|
|
" for term in dictionary:\n",
|
|
" for token in doc:\n",
|
|
" if token.lemma_ == term:\n",
|
|
" print(f'{token}: ({token.idx}, {token.idx + len(token)})')"
|
|
]
|
|
},
|
|
{
|
|
"cell_type": "code",
|
|
"execution_count": 39,
|
|
"id": "74f600ea",
|
|
"metadata": {},
|
|
"outputs": [
|
|
{
|
|
"name": "stdout",
|
|
"output_type": "stream",
|
|
"text": [
|
|
"programs: (291, 299)\n",
|
|
"program: (468, 475)\n",
|
|
"program: (516, 523)\n",
|
|
"program: (533, 540)\n",
|
|
"application: (80, 91)\n",
|
|
"application: (164, 175)\n",
|
|
"applications: (322, 334)\n"
|
|
]
|
|
}
|
|
],
|
|
"source": [
|
|
"terminology_lookup()"
|
|
]
|
|
},
|
|
{
|
|
"cell_type": "markdown",
|
|
"id": "straight-letter",
|
|
"metadata": {},
|
|
"source": [
|
|
"Teraz czas zająć się problemem przygotowania słownika specjalistycznego. W tym celu napiszemy nasz własny ekstraktor terminologii. Wejściem do ekstraktora będzie tekst zawierający specjalistyczną terminologię. Wyjściem - lista terminów."
|
|
]
|
|
},
|
|
{
|
|
"cell_type": "markdown",
|
|
"id": "nearby-frontier",
|
|
"metadata": {},
|
|
"source": [
|
|
"Przyjmijmy następujące podejście - terminami specjalistycznymi będą najcześćiej występujące rzeczowniki w tekście. Wykonajmy krok pierwszy:"
|
|
]
|
|
},
|
|
{
|
|
"cell_type": "markdown",
|
|
"id": "harmful-lightning",
|
|
"metadata": {},
|
|
"source": [
|
|
"### Ćwiczenie 4: Wypisz wszystkie rzeczowniki z tekstu. Wykorzystaj możliwości spaCy."
|
|
]
|
|
},
|
|
{
|
|
"cell_type": "code",
|
|
"execution_count": 22,
|
|
"id": "superb-butterfly",
|
|
"metadata": {},
|
|
"outputs": [],
|
|
"source": [
|
|
"def get_nouns(text):\n",
|
|
" doc = nlp(text)\n",
|
|
" return [token.text for token in doc if token.pos_ == 'NOUN']"
|
|
]
|
|
},
|
|
{
|
|
"cell_type": "code",
|
|
"execution_count": 23,
|
|
"id": "2bfedfa3",
|
|
"metadata": {},
|
|
"outputs": [
|
|
{
|
|
"data": {
|
|
"text/plain": [
|
|
"['programmers',\n",
|
|
" 'section',\n",
|
|
" 'Swing',\n",
|
|
" 'application',\n",
|
|
" 'command',\n",
|
|
" 'line',\n",
|
|
" 'information',\n",
|
|
" 'Swing',\n",
|
|
" 'application',\n",
|
|
" 'compilation',\n",
|
|
" 'instructions',\n",
|
|
" 'programs',\n",
|
|
" 'applets',\n",
|
|
" 'applications',\n",
|
|
" 'steps',\n",
|
|
" 'release',\n",
|
|
" 'platform',\n",
|
|
" 'program',\n",
|
|
" 'Swing',\n",
|
|
" 'components',\n",
|
|
" 'program',\n",
|
|
" 'program']"
|
|
]
|
|
},
|
|
"execution_count": 23,
|
|
"metadata": {},
|
|
"output_type": "execute_result"
|
|
}
|
|
],
|
|
"source": [
|
|
"get_nouns(text)"
|
|
]
|
|
},
|
|
{
|
|
"cell_type": "markdown",
|
|
"id": "musical-creator",
|
|
"metadata": {},
|
|
"source": [
|
|
"Teraz czas na podliczenie wystąpień poszczególnych rzeczowników. Uwaga - różne formy tego samego słowa zliczamy razem jako wystąpienia tego słowa (np. \"program\" i \"programs\"). Najwygodniejszą metodą podliczania jest zastosowanie tzw. tally (po polsku \"zestawienie\"). Jest to słownik, którego kluczem jest słowo w formie podstawowej, a wartością liczba wystąpień tego słowa, wliczając słowa odmienione. Przykład gotowego tally:"
|
|
]
|
|
},
|
|
{
|
|
"cell_type": "code",
|
|
"execution_count": 19,
|
|
"id": "acting-tolerance",
|
|
"metadata": {},
|
|
"outputs": [],
|
|
"source": [
|
|
"tally = {\"program\" : 4, \"component\" : 1}"
|
|
]
|
|
},
|
|
{
|
|
"cell_type": "markdown",
|
|
"id": "vanilla-estimate",
|
|
"metadata": {},
|
|
"source": [
|
|
"### Ćwiczenie 5: Napisz program do ekstrakcji terminologii z tekstu według powyższych wytycznych."
|
|
]
|
|
},
|
|
{
|
|
"cell_type": "code",
|
|
"execution_count": 26,
|
|
"id": "eight-redhead",
|
|
"metadata": {},
|
|
"outputs": [],
|
|
"source": [
|
|
"def extract_terms(text):\n",
|
|
" doc = nlp(text)\n",
|
|
" terms = {}\n",
|
|
" for token in doc:\n",
|
|
" if token.pos_ == 'NOUN':\n",
|
|
" term = token.lemma_\n",
|
|
" terms[term] = terms.get(term, 0) + 1\n",
|
|
" return terms"
|
|
]
|
|
},
|
|
{
|
|
"cell_type": "code",
|
|
"execution_count": 27,
|
|
"id": "07c1122a",
|
|
"metadata": {},
|
|
"outputs": [
|
|
{
|
|
"data": {
|
|
"text/plain": [
|
|
"{'programmer': 1,\n",
|
|
" 'section': 1,\n",
|
|
" 'swing': 3,\n",
|
|
" 'application': 3,\n",
|
|
" 'command': 1,\n",
|
|
" 'line': 1,\n",
|
|
" 'information': 1,\n",
|
|
" 'compilation': 1,\n",
|
|
" 'instruction': 1,\n",
|
|
" 'program': 4,\n",
|
|
" 'applet': 1,\n",
|
|
" 'step': 1,\n",
|
|
" 'release': 1,\n",
|
|
" 'platform': 1,\n",
|
|
" 'component': 1}"
|
|
]
|
|
},
|
|
"execution_count": 27,
|
|
"metadata": {},
|
|
"output_type": "execute_result"
|
|
}
|
|
],
|
|
"source": [
|
|
"extract_terms(text)"
|
|
]
|
|
},
|
|
{
|
|
"cell_type": "markdown",
|
|
"id": "loaded-smell",
|
|
"metadata": {},
|
|
"source": [
|
|
"### Ćwiczenie 6: Rozszerz powyższy program o ekstrację czasowników i przymiotników."
|
|
]
|
|
},
|
|
{
|
|
"cell_type": "code",
|
|
"execution_count": 32,
|
|
"id": "monetary-mambo",
|
|
"metadata": {},
|
|
"outputs": [],
|
|
"source": [
|
|
"# Extract and count nouns, verbs and adjectives\n",
|
|
"def extract_terms(text):\n",
|
|
" doc = nlp(text)\n",
|
|
" terms = {\"nouns\": {}, \"verbs\": {}, \"adjectives\": {}}\n",
|
|
" for token in doc:\n",
|
|
" if token.pos_ == 'NOUN':\n",
|
|
" term = token.lemma_\n",
|
|
" terms[\"nouns\"][term] = terms[\"nouns\"].get(term, 0) + 1\n",
|
|
" elif token.pos_ == 'VERB':\n",
|
|
" term = token.lemma_\n",
|
|
" terms[\"verbs\"][term] = terms[\"verbs\"].get(term, 0) + 1\n",
|
|
" elif token.pos_ == 'ADJ':\n",
|
|
" term = token.lemma_\n",
|
|
" terms[\"adjectives\"][term] = terms[\"adjectives\"].get(term, 0) + 1\n",
|
|
"\n",
|
|
" return terms"
|
|
]
|
|
},
|
|
{
|
|
"cell_type": "code",
|
|
"execution_count": 35,
|
|
"id": "1eb48136",
|
|
"metadata": {},
|
|
"outputs": [
|
|
{
|
|
"name": "stdout",
|
|
"output_type": "stream",
|
|
"text": [
|
|
"{'adjectives': {'late': 1},\n",
|
|
" 'nouns': {'applet': 1,\n",
|
|
" 'application': 3,\n",
|
|
" 'command': 1,\n",
|
|
" 'compilation': 1,\n",
|
|
" 'component': 1,\n",
|
|
" 'information': 1,\n",
|
|
" 'instruction': 1,\n",
|
|
" 'line': 1,\n",
|
|
" 'platform': 1,\n",
|
|
" 'program': 4,\n",
|
|
" 'programmer': 1,\n",
|
|
" 'release': 1,\n",
|
|
" 'section': 1,\n",
|
|
" 'step': 1,\n",
|
|
" 'swing': 3},\n",
|
|
" 'verbs': {'compile': 3,\n",
|
|
" 'create': 1,\n",
|
|
" 'do': 1,\n",
|
|
" 'explain': 1,\n",
|
|
" 'follow': 1,\n",
|
|
" 'install': 1,\n",
|
|
" 'need': 1,\n",
|
|
" 'run': 4,\n",
|
|
" 'see': 1,\n",
|
|
" 'use': 2,\n",
|
|
" 'work': 1}}\n"
|
|
]
|
|
}
|
|
],
|
|
"source": [
|
|
"from pprint import pprint\n",
|
|
"\n",
|
|
"pprint(extract_terms(text))"
|
|
]
|
|
},
|
|
{
|
|
"cell_type": "code",
|
|
"execution_count": null,
|
|
"id": "62aeea83",
|
|
"metadata": {},
|
|
"outputs": [],
|
|
"source": []
|
|
}
|
|
],
|
|
"metadata": {
|
|
"author": "Rafał Jaworski",
|
|
"email": "rjawor@amu.edu.pl",
|
|
"kernelspec": {
|
|
"display_name": "Python 3",
|
|
"language": "python",
|
|
"name": "python3"
|
|
},
|
|
"lang": "pl",
|
|
"language_info": {
|
|
"codemirror_mode": {
|
|
"name": "ipython",
|
|
"version": 3
|
|
},
|
|
"file_extension": ".py",
|
|
"mimetype": "text/x-python",
|
|
"name": "python",
|
|
"nbconvert_exporter": "python",
|
|
"pygments_lexer": "ipython3",
|
|
"version": "3.10.14"
|
|
},
|
|
"subtitle": "3. Terminologia",
|
|
"title": "Komputerowe wspomaganie tłumaczenia",
|
|
"year": "2021"
|
|
},
|
|
"nbformat": 4,
|
|
"nbformat_minor": 5
|
|
}
|