KWT-2024/lab/lab_03.ipynb

{
 "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: metal cabinets guides. Proz.com"
   ]
  },
  {
   "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": 1,
   "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": 2,
   "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": 7,
   "id": "cognitive-cedar",
   "metadata": {},
   "outputs": [],
   "source": [
    "import re\n",
    "\n",
    "def terminology_lookup(text, dictionary):\n",
    "    pattern = re.compile(r'\\b(?:' + '|'.join(dictionary) + r')\\b', re.IGNORECASE)\n",
    "    matches = pattern.finditer(text)\n",
    "    occurance = ''\n",
    "    for match in matches:\n",
    "        occurance += (f\"({match.start()}, {match.end()})\")\n",
    "    return occurance"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 8,
   "id": "5781b95b-3af9-4c82-8388-b98a11e6c343",
   "metadata": {},
   "outputs": [
    {
     "data": {
      "text/plain": [
       "'(80, 91)(164, 175)(468, 475)(516, 523)(533, 540)'"
      ]
     },
     "execution_count": 8,
     "metadata": {},
     "output_type": "execute_result"
    }
   ],
   "source": [
    "terminology_lookup(text, dictionary)"
   ]
  },
  {
   "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": 12,
   "id": "tribal-attention",
   "metadata": {},
   "outputs": [
    {
     "name": "stdout",
     "output_type": "stream",
     "text": [
      " \n",
      "for\n",
      "all\n",
      "Java\n",
      "programmer\n",
      ":\n",
      "this\n",
      "section\n",
      "explain\n",
      "how\n",
      "to\n",
      "compile\n",
      "and\n",
      "run\n",
      "a\n",
      "swing\n",
      "application\n",
      "from\n",
      "the\n",
      "command\n",
      "line\n",
      ".\n",
      "for\n",
      "information\n",
      "on\n",
      "compile\n",
      "and\n",
      "run\n",
      "a\n",
      "swing\n",
      "application\n",
      "use\n",
      "NetBeans\n",
      "IDE\n",
      ",\n",
      "see\n",
      "run\n",
      "Tutorial\n",
      "Examples\n",
      "in\n",
      "NetBeans\n",
      "IDE\n",
      ".\n",
      "the\n",
      "compilation\n",
      "instruction\n",
      "work\n",
      "for\n",
      "all\n",
      "Swing\n",
      "program\n",
      "—\n",
      "applet\n",
      ",\n",
      "as\n",
      "well\n",
      "as\n",
      "application\n",
      ".\n",
      "here\n",
      "be\n",
      "the\n",
      "step\n",
      "you\n",
      "need\n",
      "to\n",
      "follow\n",
      ":\n",
      "install\n",
      "the\n",
      "late\n",
      "release\n",
      "of\n",
      "the\n",
      "Java\n",
      "SE\n",
      "platform\n",
      ",\n",
      "if\n",
      "you\n",
      "have\n",
      "not\n",
      "already\n",
      "do\n",
      "so\n",
      ".\n",
      "create\n",
      "a\n",
      "program\n",
      "that\n",
      "use\n",
      "swing\n",
      "component\n",
      ".\n",
      "compile\n",
      "the\n",
      "program\n",
      ".\n",
      "run\n",
      "the\n",
      "program\n",
      ".\n"
     ]
    }
   ],
   "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_)"
   ]
  },
  {
   "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": 19,
   "id": "surgical-demonstration",
   "metadata": {},
   "outputs": [],
   "source": [
    "def terminology_lookup(text, dictionary):\n",
    "    nlp = spacy.load(\"en_core_web_sm\")\n",
    "    doc = nlp(text)\n",
    "\n",
    "    word_forms = set()\n",
    "    for word in dictionary:\n",
    "        word_forms.add(word)\n",
    "        for token in doc:\n",
    "            if token.text.lower() == word:\n",
    "                word_forms.add(token.lemma_)\n",
    "\n",
    "    matches = []\n",
    "    for token in doc:\n",
    "        if token.text.lower() in word_forms:\n",
    "            matches.append((token.idx, token.idx + len(token)))\n",
    "\n",
    "    occurrences = ''\n",
    "    for match in matches:\n",
    "        occurrences += f\"({match[0]}, {match[1]})\"\n",
    "    return occurrences"
   ]
  },
  {
   "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": 23,
   "id": "superb-butterfly",
   "metadata": {},
   "outputs": [],
   "source": [
    "def get_nouns(text):\n",
    "    nlp = spacy.load(\"en_core_web_sm\")\n",
    "    doc = nlp(text)\n",
    "    nouns = [token.text for token in doc if token.pos_ == \"NOUN\"]\n",
    "    \n",
    "    return nouns"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 24,
   "id": "8203c3e5-74a6-42c1-add1-e378f09164fd",
   "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": 24,
     "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": 25,
   "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": 30,
   "id": "eight-redhead",
   "metadata": {},
   "outputs": [],
   "source": [
    "def extract_terms(text):\n",
    "    nlp = spacy.load(\"en_core_web_sm\")\n",
    "    doc = nlp(text)\n",
    "    \n",
    "    tally = {}\n",
    "    \n",
    "    for token in doc:\n",
    "        if token.pos_ != \"NOUN\":\n",
    "            continue\n",
    "        \n",
    "        lemma = token.lemma_.lower()\n",
    "        \n",
    "        if lemma in tally:\n",
    "            tally[lemma] += 1\n",
    "        else:\n",
    "            tally[lemma] = 1\n",
    "    \n",
    "    return tally"
   ]
  },
  {
   "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": [
    "def extract_terms(text):\n",
    "    nlp = spacy.load(\"en_core_web_sm\")\n",
    "    doc = nlp(text)\n",
    "    \n",
    "    tally = {}\n",
    "    \n",
    "    for token in doc:\n",
    "        if token.pos_ not in ['NOUN', 'VERB', 'ADJ']:\n",
    "            continue\n",
    "        \n",
    "        lemma = token.lemma_.lower()\n",
    "        \n",
    "        if lemma in tally:\n",
    "            tally[lemma] += 1\n",
    "        else:\n",
    "            tally[lemma] = 1\n",
    "    \n",
    "    return tally"
   ]
  }
 ],
 "metadata": {
  "author": "Rafał Jaworski",
  "email": "rjawor@amu.edu.pl",
  "kernelspec": {
   "display_name": "Python 3 (ipykernel)",
   "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": "3.10.12"
  },
  "subtitle": "3. Terminologia",
  "title": "Komputerowe wspomaganie tłumaczenia",
  "year": "2021"
 },
 "nbformat": 4,
 "nbformat_minor": 5
}