JarCastingЦе — великий електронний словник української мови (ВЕСУМ).
This is a project to generate POS tag dictionary for Ukrainian language.
Опис
Словник містить слова та їхні парадигми з відповідними тегами, а також іншу інформацію,
зокрема:
* додаткові теги: slang, rare, bad...
* пропоновані заміни для покручів
* зв’язок між базовими та порівняльними формами прикметників
* керування відмінками для прикметників
Для всіх файлів в data/dict цей проект генерує всі можливі словоформи з тегами частин мови
за допомогою правил афіксів у каталозі data/affix.
Докладніша інформація в теці doc/
Вимоги до програмних засобів
- java (JDK >= 8)
- 4Гб вільної пам'яті
Застосування
зі словником можна робити дві речі:
- згенерувати всі можливі словоформи для слів, що вже є в словнику (див. параграф «Як запускати» нижче)
- генерувати форми для довільних слів в інтерактивному режимі: докладніше
Як встановити
- Встановити java (JDK 8 або новішу)
- (Лише для Windows) встановити і запустити git bash
- Клонувати проект:
git clone https://github.com/brown-uk/dict_uk.git - Зайти в теку проекту: cd dict_uk
Як запускати
`./gradlew expand`
або для Windows:
`bin/expand_win.sh`
На виході:
- out/dict_corp_vis.txt - словник у візуальному форматі (з відступами, згрупований за лемами) для перегляду, аналізу і опрацьовування
- out/dict_corp_lt.txt - словник у табличному форматі для використання в ПЗ, зокрема з цього файлу генеруємо словник morfologik, що використовується в LanguageTool
- out/words.txt - список всіх відомих словоформ
- out/words_spell.txt - список всіх відомих словоформ, правильних з погляду правопису
- out/lemmas.txt - список лем
Ліцензія
Дані словника доступні для використання згідно з умовами ліцензії "Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License" (https://creativecommons.org/licenses/by-nc-sa/4.0/)
Програмні засоби вільно розповсюджується за умов ліцензії GPL версії 3.
Зауваження: похідні проекти мають свої ліцензії
Окрім цього матеріали цього проєкту дозволено використовувати у проєктах https://voice.mozilla.org/uk і https://common-voice.github.io/sentence-collector/#/ відповідно до їх ліцензій.
Copyright (c) 2020 Андрій Рисін (arysin@gmail.com), Василь Старко, команда БрУК
Похідні проекти
Description
For all files in data/dict the project generates all possible word forms with POS tags
by using affix rules from files in data/affix.
Required software
- java (JDK >= 8)
- 4G of free RAM
How to run
`./gradlew expand`
or on Windows:
`bin/expand_win.sh`
Output:
- out/dict_corp_vis.txt - Dictionary in visual (indented) format for review, analysis or conversion
- out/dict_corp_lt.txt - Dictionary in flat format (is used for preparing morfologik dictionary that can be used by LanguageTool)
- out/words.txt - list of all unique known words
- out/words_spell.txt - words valid for spelling
- out/lemmas.txt - list of unique lemmas
Building under docker
sudo docker build -t brown-uk/dict_uk .
sudo docker run -d --name dict_uk brown-uk/dict_uk /bin/bash
sudo docker cp dict_uk:/src/out/ ./out
sudo chown -R $USER: ./out
sudo docker stop dict_uk
License
Dictionary data are distributed under "Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License" (https://creativecommons.org/licenses/by-nc-sa/4.0/)
Software is distributed under GPLv3.
Note: derivative projects have different licenses
Besides that materials in this project are allowed to be used in https://voice.mozilla.org/uk and https://common-voice.github.io/sentence-collector/#/ according to their licenses.
Copyright (c) 2020 Andriy Rysin (arysin@gmail.com), Vasyl Starko, BrUK team
