brown-uk / corpus Goto Github PK

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:

1. наголос, схоже для сам/самий наголос завжди на другому складі
2. якщо можна поміняти на «сам», то лема «сам»

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:

1. з одного боку краще звучить «на само́му початку» і можна (мабуть) сказати «поставив на сам початок», але
2. з іншого боку у СУМі у статті http://sum.in.ua/s/samyj дають приклад: «До са́мого краю» (край і початок мають схожу семантику); і ще є проблема що можна сказати «прийшов на сам край». Чи тут вжиток «сам» у значенні «са́мий» є застарілим/розмовним??

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:

1. там ще це частина українського слова: HR-відділ
2. там це слова отримують теги noninfl:foreign (або unclass в майбутньому) - GoGlobal і т.ін.

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/