forked from bfijalkowski/KWT-2024
Clear commit.
This commit is contained in:
Marek Susniak
parent
81bf450aa6
commit
73507debe7
|
|
@ -1,227 +0,0 @@
|
|||
{
|
||||
"cells": [
|
||||
{
|
||||
"cell_type": "markdown",
|
||||
"id": "ordered-wrestling",
|
||||
"metadata": {},
|
||||
"source": [
|
||||
"\n",
|
||||
"<div class=\"alert alert-block alert-info\">\n",
|
||||
"<h1> Komputerowe wspomaganie tłumaczenia </h1>\n",
|
||||
"<h2> 13,14. <i>Korekta pisowni</i> [laboratoria]</h2> \n",
|
||||
"<h3>Rafał Jaworski (2021)</h3>\n",
|
||||
"</div>\n",
|
||||
"\n",
|
||||
""
|
||||
]
|
||||
},
|
||||
{
|
||||
"cell_type": "markdown",
|
||||
"id": "featured-afghanistan",
|
||||
"metadata": {},
|
||||
"source": [
|
||||
"Współczesne programy typu CAT nie mogą obyć się bez korektora pisowni. Na bieżąco kontrolują one pisownię wyrazów po stronie docelowej, czyli tam, gdzie tłumacz wpisuje tłumaczenie. Jest to niezwykle istotne w sytuacji, gdy język docelowy nie jest dla tłumacza językiem ojczystym. Co więcej, badania wykazują, iż korekta pisowni wydatnie zmniejsza liczbę błędów w każdych scenariuszach."
|
||||
]
|
||||
},
|
||||
{
|
||||
"cell_type": "markdown",
|
||||
"id": "seventh-genre",
|
||||
"metadata": {},
|
||||
"source": [
|
||||
"Co poprawia korekta pisowni? Słowa. Tylko lub aż słowa. Program dokonujący korekty pisowni przegląda tekst słowo po słowie i sprawdza, czy należy ono do słownika. Jeśli nie, sygnalizowany jest błąd oraz, jeśli to możliwe, podawane sugestie poprawy. Co istotne, korektor pisowni nie zajmuje się szeregiem błędów, które mieszczą się w dziedzinie korekty gramatycznej, w tym:\n",
|
||||
"* interpunkcją\n",
|
||||
"* powtórzeniami wyrazów\n",
|
||||
"* stylistyką."
|
||||
]
|
||||
},
|
||||
{
|
||||
"cell_type": "markdown",
|
||||
"id": "sticky-society",
|
||||
"metadata": {},
|
||||
"source": [
|
||||
"Aby zaimplementować korektor pisowni bez wątpienia potrzebny jest słownik. Skorzystajmy ze słownika, który znajdziemy w folderze data, pochodzącego z narzędzia Hunspell. Jest on spakowany - użyjmy techniki czytania z archiwum zip bez rozpakowywania. Poniższy kod wypisze fragment ze środka słownika."
|
||||
]
|
||||
},
|
||||
{
|
||||
"cell_type": "code",
|
||||
"execution_count": 3,
|
||||
"id": "familiar-terrace",
|
||||
"metadata": {
|
||||
"scrolled": true
|
||||
},
|
||||
"outputs": [
|
||||
{
|
||||
"name": "stdout",
|
||||
"output_type": "stream",
|
||||
"text": [
|
||||
"kalecząc\n",
|
||||
"kaledonidy\n",
|
||||
"kaledoński\n",
|
||||
"kalefaktor\n",
|
||||
"kalejdofon\n",
|
||||
"kalejdoskop\n",
|
||||
"kalejdoskopowość\n",
|
||||
"kalejdoskopowy\n",
|
||||
"kaleka\n",
|
||||
"kaleki\n",
|
||||
"kalema\n",
|
||||
"kalendarium\n",
|
||||
"kalendarz\n",
|
||||
"kalendarzowy\n",
|
||||
"kalendarzyk\n",
|
||||
"kalendy\n",
|
||||
"kalenica\n",
|
||||
"kalenicowy\n",
|
||||
"kalepin\n",
|
||||
"kalesonki\n",
|
||||
"kalesony\n"
|
||||
]
|
||||
}
|
||||
],
|
||||
"source": [
|
||||
"from zipfile import ZipFile\n",
|
||||
"\n",
|
||||
"with ZipFile('data/hunspell_pl.zip') as zipped_dictionary:\n",
|
||||
" with zipped_dictionary.open('hunspell_pl.txt') as dictionary_file:\n",
|
||||
" count = 0\n",
|
||||
" for line_bytes in dictionary_file:\n",
|
||||
" count += 1\n",
|
||||
" if count >= 100000 and count <= 100020:\n",
|
||||
" line = line_bytes.decode('utf-8')\n",
|
||||
" print(line.rstrip())"
|
||||
]
|
||||
},
|
||||
{
|
||||
"cell_type": "markdown",
|
||||
"id": "dominant-insurance",
|
||||
"metadata": {},
|
||||
"source": [
|
||||
"Miejmy na uwadze, że powyższy słownik zawiera tylko formy podstawowe słowa, np. zawiera słowo \"kalendarz\", ale nie zawiera \"kalendarze\", \"kalendarza\", \"kalendarzy\" itp. "
|
||||
]
|
||||
},
|
||||
{
|
||||
"cell_type": "markdown",
|
||||
"id": "single-brighton",
|
||||
"metadata": {},
|
||||
"source": [
|
||||
"Algorytm korekty pisowni na podstawie słownika powinien działać według następujących kroków:\n",
|
||||
"1. Wczytanie słownika do zbioru (set)\n",
|
||||
"2. Podział tekstu do korekty na słowa (podział po spacji)\n",
|
||||
"3. Dla każdego słowa wypisać, czy jest ono poprawne (znajduje się w słowniku) czy nie."
|
||||
]
|
||||
},
|
||||
{
|
||||
"cell_type": "markdown",
|
||||
"id": "needed-watson",
|
||||
"metadata": {},
|
||||
"source": [
|
||||
"### Ćwiczenie 1: Zaimplementuj podstawowy algorytm korekty pisowni według powyższych wytycznych."
|
||||
]
|
||||
},
|
||||
{
|
||||
"cell_type": "code",
|
||||
"execution_count": null,
|
||||
"id": "economic-southeast",
|
||||
"metadata": {},
|
||||
"outputs": [],
|
||||
"source": [
|
||||
"def correct_text(text):\n",
|
||||
" return []"
|
||||
]
|
||||
},
|
||||
{
|
||||
"cell_type": "markdown",
|
||||
"id": "endless-slide",
|
||||
"metadata": {},
|
||||
"source": [
|
||||
"To jednak oczywiście nie wszystko. Do tej pory mamy funkcjonalność sygnalizowania słów błędnych, ale każdy dobry korektor pisowni potrafi podać sugestie poprawek. W tym celu musimy stawić czoła następującemu problemowi - wygenerowanie listy słów podobnych do danego słowa błędnego, które znajdują się w słowniku."
|
||||
]
|
||||
},
|
||||
{
|
||||
"cell_type": "markdown",
|
||||
"id": "adult-freight",
|
||||
"metadata": {},
|
||||
"source": [
|
||||
"W pierwszej kolejności musimy zdefiniować podobieństwo między wyrazami. Posłuży do tego dobrze nam znana odległość Levenshteina - wyrazy podobne to takie, dla których dystans Levenshteina jest niewielki (np. równy 1 lub 2). Teraz brakuje tylko algorytmu wyszukiwania wyrazów w danym słowniku, które znajdują się niedaleko (w sensie Levenshteina) danego błędnego słowa."
|
||||
]
|
||||
},
|
||||
{
|
||||
"cell_type": "markdown",
|
||||
"id": "everyday-things",
|
||||
"metadata": {},
|
||||
"source": [
|
||||
"Rozważmy następujący algorytm: dla danego słownika $D$ i błędnego słowa $w \\notin D$:\n",
|
||||
"1. Wygeneruj zbiór $L_1(w)$ wszystkich słów, których odległość Levenshteina od $w$ wynosi 1.\n",
|
||||
"2. Wyznacz zbiór $S_1(w)=L_1(w) \\cap D$\n",
|
||||
"3. Wyznacz zbiór $L_2(w)=\\bigcup_{v \\in L_1(w)} L_1(v)$\n",
|
||||
"4. Wyznacz zbiór $S_2(w)=L_2(w) \\cap D$\n",
|
||||
"5. Zwróć jako listę sugestii: $S_1 \\cup S_2$"
|
||||
]
|
||||
},
|
||||
{
|
||||
"cell_type": "markdown",
|
||||
"id": "industrial-convert",
|
||||
"metadata": {},
|
||||
"source": [
|
||||
"### Ćwiczenie 2: Napisz funkcję do generowania zbioru $L_1(w)$ - wszystkich słów znajdujących się w odległości Levenshteina 1 od danego słowa w."
|
||||
]
|
||||
},
|
||||
{
|
||||
"cell_type": "code",
|
||||
"execution_count": 1,
|
||||
"id": "built-sally",
|
||||
"metadata": {},
|
||||
"outputs": [],
|
||||
"source": [
|
||||
"def L1(w):\n",
|
||||
" return []"
|
||||
]
|
||||
},
|
||||
{
|
||||
"cell_type": "markdown",
|
||||
"id": "wireless-uncle",
|
||||
"metadata": {},
|
||||
"source": [
|
||||
"### Ćwiczenie 3: Napisz funkcję do generowania sugestii poprawek dla danego słowa według opisanego wcześniej algorytmu."
|
||||
]
|
||||
},
|
||||
{
|
||||
"cell_type": "code",
|
||||
"execution_count": 2,
|
||||
"id": "coordinated-cooperation",
|
||||
"metadata": {},
|
||||
"outputs": [],
|
||||
"source": [
|
||||
"def generate_suggestions(w):\n",
|
||||
" return []"
|
||||
]
|
||||
}
|
||||
],
|
||||
"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": "3.8.10"
|
||||
},
|
||||
"subtitle": "13,14. Korekta pisowni",
|
||||
"title": "Komputerowe wspomaganie tłumaczenia",
|
||||
"year": "2021"
|
||||
},
|
||||
"nbformat": 4,
|
||||
"nbformat_minor": 5
|
||||
}
|
||||
Loading…
Reference in New Issue