brown-uk / corpus Goto Github PK
View Code? Open in Web Editor NEWБраунський корпус української мови
Браунський корпус української мови
ВЕСУМ:
сам adj:m:v_naz:&pron:def # сам, сами́й
самий adj:m:v_naz:&pron:def # сами́й
самий adj:m:v_naz:&pron:def # са́мий
Теоретично критерії досить чіткі:
Тобто «на самому велотреці було людно» - тут са́мому не звучить, і можна сказати «на сам велотрек я приїхав» схоже «само́му» і лема «сам». Але якщо дивитися на фразу «на самому початку» то є сумніви, бо:
Цей тег є не суто морфологічним, а комбінаторним — вказує на сполучуваність.
Але наразі багато правил в LT його використовують і модель TagText працює з ним значно краще.
навздогін лише adv
а услід та назустріч adv + prep
В текстах присутні апострофи U+0027, U+2019, U+02BC
Також тире U+2212
Ці випадки треба нормалізувати
Теги часто зайві, зокрема:
шляхом (чого) у нас prep
але способом (чого) у нас noun
також у нас є prep, які трансформувалися з noun:
коло
край
кінець
поперек
протягом
також є гуртом adv, але «пішли всім гуртом» - noun
Дуже дякую вам за роботу над Браунським корпусом української мови.
Вам напевно відомо про проект Mozilla Common Voice ¹ ², що покликаний зробити технології розпізнавання голосу доступними для всіх. Станом на сьогодні готовність української мови у проекті досягла 50% і хоча мені не відомі фактичні деталі справи, можна припустити, що може мати місце певна нестача текстового матеріалу для начитування. Хай там що, спала мені думка використати ваш Браунський корпус української мови у якості текстового джерела для Common Voice, але виникло питання законності.
БрУК розповсюджується за ліцензією Creative Commons BY-NC-SA ³, проте деякі джерела використаних текстів розповсюджують свої твори за несумісними з Creative Commons ліцензіями. Наприклад, Газета.ua ⁴, Крим.Реалії ⁵ або The Insider ⁶. Я навів абсолютно випадковий перелік джерел, просто перевірив ті, що спали на очі.
Ви домовлялись з джерелами про особливі умови використання текстів чи я невірно розумію що саме зі складу БрУКу ліцензується за Creative Commons BY-NC-SA? Буду дуже вдячним якщо ви зможете прояснити ці питання і розвіяти мої сумніви :)
Сподіваюсь ми зможемо скористатись вашим чудовим проектом для розбудови іншого чудового проекту.
¹ https://voice.mozilla.org/uk
² https://voice-sprint.mozilla.community/
³ https://github.com/brown-uk/corpus
⁴ https://gazeta.ua/ (внизу сторінки)
⁵ https://ua.krymr.com/p/4554.html
⁶ http://www.theinsider.ua/reprinting-rules/
A declarative, efficient, and flexible JavaScript library for building user interfaces.
🖖 Vue.js is a progressive, incrementally-adoptable JavaScript framework for building UI on the web.
TypeScript is a superset of JavaScript that compiles to clean JavaScript output.
An Open Source Machine Learning Framework for Everyone
The Web framework for perfectionists with deadlines.
A PHP framework for web artisans
Bring data to life with SVG, Canvas and HTML. 📊📈🎉
JavaScript (JS) is a lightweight interpreted programming language with first-class functions.
Some thing interesting about web. New door for the world.
A server is a program made to process requests and deliver data to clients.
Machine learning is a way of modeling and interpreting data that allows a piece of software to respond intelligently.
Some thing interesting about visualization, use data art
Some thing interesting about game, make everyone happy.
We are working to build community through open source technology. NB: members must have two-factor auth.
Open source projects and samples from Microsoft.
Google ❤️ Open Source for everyone.
Alibaba Open Source for everyone
Data-Driven Documents codes.
China tencent open source team.