|
public AnalyzeMorphology ( string phrase, int id_language ) : |
||
| phrase | string | |
| id_language | int | |
| return | ||
public bool ProcessSample_WordEntryOnly(SampleData sample)
{
if (sample.morphology == null)
{
sample.morphology = gren.AnalyzeMorphology(sample.sample, LanguageID, SolarixGrammarEngineNET.GrammarEngine.MorphologyFlags.SOL_GREN_TOKENIZE_ONLY);
}
for (int iword = 1; iword < sample.morphology.Count - 1; ++iword)
{
SolarixGrammarEngineNET.SyntaxTreeNode token = sample.morphology[iword];
string word = token.GetWord().ToLower();
int id_entry = token.GetEntryID();
int f;
if (wordentry_stat.TryGetValue(id_entry, out f))
{
wordentry_stat[id_entry] = f + 1;
}
else
{
wordentry_stat.Add(id_entry, 1);
}
}
return(true);
}
public bool ProcessSample(string line)
{
n_learn_samples++;
// Морфологический разбор
using (SolarixGrammarEngineNET.AnalysisResults tokens = gren.AnalyzeMorphology(line, LanguageID, SolarixGrammarEngineNET.GrammarEngine.MorphologyFlags.SOL_GREN_COMPLETE_ONLY))
{
List <string> sfx = new List <string>();
List <int> sfx_index = new List <int>();
List <string> sfx_lemma = new List <string>();
List <int> sfx_lemma_index = new List <int>();
int last_word_index = tokens.Count - 1;
for (int iword = 0; iword < tokens.Count; ++iword)
{
string word = tokens[iword].GetWord().ToLower();
string suffix = GetTokenSuffix(iword, last_word_index, tokens[iword]);
sfx.Add(suffix);
int index = MatchSuffix(suffix, true);
sfx_index.Add(index);
int ekey = tokens[iword].GetEntryID();
string ename = gren.GetEntryName(ekey);
string lemma;
if (IsUnknownLexem(ename))
{
lemma = word;
}
else
{
lemma = ename.ToLower();
}
sfx_lemma.Add(GetSuffix(lemma));
sfx_lemma_index.Add(MatchSuffix(GetSuffix(lemma), true));
}
for (int iword = 1; iword < tokens.Count - 1; ++iword)
{
string tag1 = TagLabel(-1, sfx_index[iword - 1]);
string tag2 = TagLabel(0, sfx_index[iword]);
string tag3 = TagLabel(1, sfx_index[iword + 1]);
string res = ResultLabel(sfx_lemma_index[iword]);
WriteTrain(tag1, tag2, tag3, res);
}
}
return(true);
}
public bool ProcessSample(string line)
{
// Морфологический разбор
using (SolarixGrammarEngineNET.AnalysisResults tokens = gren.AnalyzeMorphology(line, LanguageID, SolarixGrammarEngineNET.GrammarEngine.MorphologyFlags.SOL_GREN_COMPLETE_ONLY))
{
int last_word_index = tokens.Count - 1;
for (int i = 0; i < tokens.Count; ++i)
{
SolarixGrammarEngineNET.SyntaxTreeNode token = tokens[i];
int suffix_id1 = GetTokenSuffix(i, last_word_index, token);
int nver = token.VersionCount();
for (int j = 0; j < nver; ++j)
{
int ver_ekey = token.GetVersionEntryID(j);
string ename = gren.GetEntryName(ver_ekey);
int suffix_id2 = GetFormSuffix(i, last_word_index, ename);
}
}
}
using (SolarixGrammarEngineNET.AnalysisResults projs = gren.AnalyzeMorphology(line, LanguageID, SolarixGrammarEngineNET.GrammarEngine.MorphologyFlags.SOL_GREN_TOKENIZE_ONLY))
{
int last_word_index = projs.Count - 1;
for (int i = 0; i < projs.Count; ++i)
{
SolarixGrammarEngineNET.SyntaxTreeNode token = projs[i];
int suffix_id1 = GetTokenSuffix(i, last_word_index, token);
int nver = token.VersionCount();
for (int j = 0; j < nver; ++j)
{
int ver_ekey = token.GetVersionEntryID(j);
string ename = gren.GetEntryName(ver_ekey);
int suffix_id2 = GetFormSuffix(i, last_word_index, ename);
}
}
}
return(true);
}
public void ProcessSample(string line)
{
if (samples.Contains(line))
{
return;
}
samples.Add(line);
bool complete = false;
using (SolarixGrammarEngineNET.AnalysisResults tokens = gren.AnalyzeSyntax(line, LanguageID, SolarixGrammarEngineNET.GrammarEngine.MorphologyFlags.SOL_GREN_COMPLETE_ONLY, 0))
{
if (tokens.Count == 3)
{
complete = true;
TraverseNode(tokens[1]);
}
}
if (!complete)
{
// Морфологический разбор
using (SolarixGrammarEngineNET.AnalysisResults tokens = gren.AnalyzeMorphology(line, LanguageID, SolarixGrammarEngineNET.GrammarEngine.MorphologyFlags.SOL_GREN_COMPLETE_ONLY))
{
for (int iword = 1; iword < tokens.Count - 2; ++iword)
{
SolarixGrammarEngineNET.SyntaxTreeNode token = tokens[iword];
SolarixGrammarEngineNET.SyntaxTreeNode token2 = tokens[iword + 1];
if (IsPreposition(token) && IsNoun(token2))
{
Store_Prepos_Noun(token, token2);
}
else if (IsVerb(token) && IsPreposition(token2))
{
Store_Verb_Prepos(token, token2);
}
}
}
}
return;
}
public bool Sentence2Features(string line)
{
// синтаксический разбор в дерево
using (SolarixGrammarEngineNET.AnalysisResults trees = gren.AnalyzeSyntax(line, LanguageID, SolarixGrammarEngineNET.GrammarEngine.MorphologyFlags.SOL_GREN_COMPLETE_ONLY, 0))
{
// Морфологический разбор
using (SolarixGrammarEngineNET.AnalysisResults tokens = gren.AnalyzeMorphology(line, LanguageID, SolarixGrammarEngineNET.GrammarEngine.MorphologyFlags.SOL_GREN_COMPLETE_ONLY))
{
TreeLookup syntax = new TreeLookup();
syntax.Collect(tokens, trees, gren);
if (!syntax.ok)
{
return(false);
}
int N = tokens.Count;
List <WordTags> tag_index = new List <WordTags>();
List <string> words = new List <string>();
List <string> labels = new List <string>();
WordTags start_t = new WordTags();
start_t.common = START_id;
tag_index.Add(start_t);
words.Add("<START>");
labels.Add("O");
for (int iword = 1; iword < tokens.Count - 1; ++iword)
{
SolarixGrammarEngineNET.SyntaxTreeNode token = tokens[iword];
string word = token.GetWord().ToLower();
SolarixGrammarEngineNET.SyntaxTreeNode token_prev = tokens[iword - 1];
WordTags t = new WordTags();
t.common = tags.MatchTags(tokens[iword], gren);
t.modality = tags_modality.MatchTags(tokens[iword], gren);
t.valency = tags_valency.MatchTags(tokens[iword], gren);
tag_index.Add(t);
string crf_word = word.Replace(" ", "_");
words.Add(crf_word);
labels.Add(syntax.GetTokenLabel(iword));
}
WordTags end_t = new WordTags();
end_t.common = END_id;
tag_index.Add(end_t);
words.Add("<END>");
labels.Add("O");
System.Text.StringBuilder b = new System.Text.StringBuilder();
int last_word_index = tokens.Count - 1;
for (int iword = 0; iword < tokens.Count; ++iword)
{
b.Length = 0;
string output_label = labels[iword];
string word = words[iword];
// PullFeatures1( b, tag_index, iword, -3 );
PullFeatures1(b, tag_index, iword, -2);
PullFeatures1(b, tag_index, iword, -1);
PullFeatures1(b, tag_index, iword, 0);
PullFeatures1(b, tag_index, iword, 1);
PullFeatures1(b, tag_index, iword, 2);
// PullFeatures1( b, tag_index, iword, 3 );
// PullFeatures2( b, tag_index, iword, -3, -2 );
PullFeatures2(b, tag_index, iword, -2, -1);
PullFeatures2(b, tag_index, iword, -1, 0);
PullFeatures2(b, tag_index, iword, 0, 1);
PullFeatures2(b, tag_index, iword, 1, 2);
// PullFeatures2( b, tag_index, iword, 3, 4 );
// PullFeatures3( b, tag_index, iword, -3, -2, -1 );
PullFeatures3(b, tag_index, iword, -2, -1, 0);
PullFeatures3(b, tag_index, iword, -1, 0, 1);
PullFeatures3(b, tag_index, iword, 0, 1, 2);
// PullFeatures3( b, tag_index, iword, 1, 2, 3 );
crf_file.WriteLine("{0}{1}", output_label, b.ToString());
visual_file.WriteLine("{0}\t{1}\t{2}", word, output_label, tag_index[iword]);
}
crf_file.WriteLine("");
visual_file.WriteLine("");
}
}
return(true);
}
public bool ProcessSample(string line)
{
// Морфологический разбор
using (SolarixGrammarEngineNET.AnalysisResults tokens = gren.AnalyzeMorphology(line, LanguageID, SolarixGrammarEngineNET.GrammarEngine.MorphologyFlags.SOL_GREN_COMPLETE_ONLY))
{
List <int> token2tags = new List <int>();
List <int> suffices = new List <int>();
int last_word_index = tokens.Count - 1;
bool all_hit = true;
for (int i = 0; i < tokens.Count; ++i)
{
SolarixGrammarEngineNET.SyntaxTreeNode token = tokens[i];
string word = token.GetWord().ToLower();
int suffix_id = GetTokenSuffix(i, last_word_index, token);
suffices.Add(suffix_id);
int tt = tags.MatchTags(token, gren);
if (tt == -1)
{
all_hit = false;
break;
}
token2tags.Add(tags.GetIndexById(tt));
}
if (all_hit)
{
for (int i = 0; i < tokens.Count; ++i)
{
int tt1 = token2tags[i];
T_counts[tt1]++;
//SolarixGrammarEngineNET.SyntaxTreeNode token = tokens[i];
//string word = token.GetWord().ToLower();
int suffix_id = suffices[i];
Dictionary <int, int> word_freq;
if (B_counts.TryGetValue(tt1, out word_freq))
{
int freq0;
if (word_freq.TryGetValue(suffix_id, out freq0))
{
word_freq[suffix_id] = freq0 + 1;
}
else
{
word_freq.Add(suffix_id, 1);
}
}
else
{
word_freq = new Dictionary <int, int>();
word_freq.Add(suffix_id, 1);
B_counts.Add(tt1, word_freq);
}
if (i > 0)
{
int tt0 = token2tags[i - 1];
A_counts[tt0, tt1]++;
}
}
}
}
return(true);
}
public bool ProcessSample(string line)
{
n_learn_samples++;
// чтобы получить все возможные теги, надо для каждого слова получить все возможные распознавания.
using (SolarixGrammarEngineNET.AnalysisResults projs = gren.AnalyzeMorphology(line, LanguageID, SolarixGrammarEngineNET.GrammarEngine.MorphologyFlags.SOL_GREN_TOKENIZE_ONLY))
{
int last_word_index = projs.Count - 1;
for (int iword = 0; iword < projs.Count; ++iword)
{
for (int iproj = 0; iproj < projs[iword].VersionCount(); ++iproj)
{
string lemma = string.Empty;
int ekey = projs[iword].GetVersionEntryID(iproj);
string ename = gren.GetEntryName(ekey);
if (IsUnknownLexem(ename))
{
lemma = projs[iword].GetWord().ToLower();
}
else
{
lemma = ename.ToLower();
}
string sfx = GetTokenSuffix(iword, last_word_index, lemma);
int id_lemma = MatchSuffix(sfx, true);
}
}
}
// Морфологический разбор
using (SolarixGrammarEngineNET.AnalysisResults tokens = gren.AnalyzeMorphology(line, LanguageID, SolarixGrammarEngineNET.GrammarEngine.MorphologyFlags.SOL_GREN_COMPLETE_ONLY))
{
List <string> sfx = new List <string>();
List <int> sfx_index = new List <int>();
List <string> sfx_lemma = new List <string>();
List <int> sfx_lemma_index = new List <int>();
int last_word_index = tokens.Count - 1;
for (int iword = 0; iword < tokens.Count; ++iword)
{
string word = tokens[iword].GetWord().ToLower();
string suffix = GetTokenSuffix(iword, last_word_index, tokens[iword]);
sfx.Add(suffix);
int index = MatchSuffix(suffix, true);
sfx_index.Add(index);
int ekey = tokens[iword].GetEntryID();
string ename = gren.GetEntryName(ekey);
string lemma;
if (IsUnknownLexem(ename))
{
lemma = word;
}
else
{
lemma = ename.ToLower();
}
string lemma_suffix = GetTokenSuffix(iword, last_word_index, lemma);
sfx_lemma.Add(lemma_suffix);
sfx_lemma_index.Add(MatchSuffix(lemma_suffix, true));
}
for (int iword = 1; iword < tokens.Count - 1; ++iword)
{
string tag1 = LemmaLabel(-1, sfx_lemma_index[iword - 1]); // для Витерби
// features как контекст +/-1 слово вокруг текущего
string tag2 = TagLabel(-1, sfx_index[iword - 1]);
string tag3 = TagLabel(0, sfx_index[iword]);
string tag4 = TagLabel(1, sfx_index[iword + 1]);
string res = ResultLabel(sfx_lemma_index[iword]);
WriteTrain(tag1, tag2, tag3, tag4, res);
}
}
return(true);
}
public bool ProcessSample(string line)
{
int occurence_count = 0;
// Морфологический разбор
using (SolarixGrammarEngineNET.AnalysisResults tokens = gren.AnalyzeMorphology(line, LanguageID, SolarixGrammarEngineNET.GrammarEngine.MorphologyFlags.SOL_GREN_COMPLETE_ONLY))
{
for (int i = 1; i < tokens.Count - 1; ++i)
{
SolarixGrammarEngineNET.SyntaxTreeNode token = tokens[i];
string word = token.GetWord().ToLower();
if (retrieve_omonyms_from_samples)
{
if (omonyms.Contains(word))
{
occurence_count++;
omonym_processors[word].ProcessSample(line, tokens, LanguageID, gren);
}
else if (!not_omonyms.Contains(word) && omonyms.Count < MaxOmonymPerSession)
{
bool is_omonym = false;
if (!ignore_omonyms.Contains(word))
{
// сделаем проекцию слова
int id_class0 = -1;
using (SolarixGrammarEngineNET.WordProjections projs = gren.FindWordForm(word))
{
for (int j = 0; j < projs.Count; ++j)
{
int id_entry = projs.GetEntryKey(j);
int id_class = gren.GetEntryClass(id_entry);
if (id_class0 == -1)
{
id_class0 = id_class;
}
else if (id_class0 != id_class)
{
is_omonym = true;
break;
}
}
}
if (is_omonym)
{
omonyms.Add(word);
OmonymProcessor processor = new OmonymProcessor(word);
omonym_processors.Add(word, processor);
occurence_count++;
omonym_processors[word].ProcessSample(line, tokens, LanguageID, gren);
}
else
{
not_omonyms.Add(word);
}
}
}
}
else if (omonyms.Contains(word))
{
occurence_count++;
omonym_processors[word].ProcessSample(line, tokens, LanguageID, gren);
}
}
}
return(occurence_count > 0);
}
static void Main(string[] args)
{
string dictionary_path = @"e:\MVoice\lem\bin-windows\dictionary.xml"; // путь к словарной базе
string samples_path = @"E:\MVoice\lem\Слова\rus\SENT5.plain.txt"; // путь к файлу со списком предложений (одно предложение на одной строке)
int NSAMPLE = 20000; // сколько предложений максимум обработать
int START_INDEX = 0; // порядковый номер первого обрабатываемого предложений в исходном файле
int MAXARGS = 20; // beam size
bool append_result = false; // если леммы надо добавлять к существующему файлу, а не формировать файл с нуля
string save_path = null; // путь к файлу, куда будут записаны леммы
int source_format = 0; // 0 - token per line, 1 - sentence per line
bool output_lemmas = true; // в результат записывать леммы с приведением к нижнему регистру
bool output_suffix = false;
bool output_words = false; // в результат записывать исходные слова с приведением к нижнему регистру
int suffix_len = 0;
int min_sentence_length = 0; // фильтр по минимальной длине предложений
int max_sentence_length = int.MaxValue; // фильтр по максимальной длине предложений
bool reject_unknown = false; // отбрасывать предложения с несловарными токенами
bool emit_eol = false; // добавлять в выходной файл токены <EOL> для маркировки конца предложения
int eol_count = 0; // кол-во вставляемых <EOL>, гарантированно перекрывающее размер окна в word2vec
List <System.Text.RegularExpressions.Regex> rx_stop = new List <System.Text.RegularExpressions.Regex>();
for (int i = 0; i < args.Length; ++i)
{
if (args[i] == "-dict")
{
++i;
dictionary_path = args[i];
}
else if (args[i] == "-samples")
{
++i;
samples_path = args[i];
}
else if (args[i] == "-source_format")
{
++i;
source_format = int.Parse(args[i]);
}
else if (args[i] == "-append")
{
// Добавлять в конец существующего файла
append_result = true;
}
else if (args[i] == "-emit_eol")
{
++i;
eol_count = int.Parse(args[i]);
if (eol_count > 0)
{
emit_eol = true;
}
}
else if (args[i] == "-result")
{
// Способ обработки токенов:
// lemma => лемматизация
// suffix => усечение до псевдосуффикса длиной -suffix_len
// raw => исходные слова
++i;
output_lemmas = false;
output_suffix = false;
output_words = false;
if (args[i] == "suffix")
{
output_suffix = true;
}
else if (args[i] == "lemma")
{
output_lemmas = true;
}
else if (args[i] == "raw")
{
output_words = true;
}
else
{
throw new ApplicationException(string.Format("Unknown result format: {0}", args[i]));
}
}
else if (args[i] == "-save")
{
// Путь к файлу, куда будут записываться результаты обработки
++i;
save_path = args[i];
}
else if (args[i] == "-nsample")
{
// кол-во обрабатываемых предложений, начиная с -start_index
++i;
NSAMPLE = int.Parse(args[i]);
}
else if (args[i] == "-min_sent_len")
{
// Обрабатывать только предложения, содержащие не менее NNN токенов
++i;
min_sentence_length = int.Parse(args[i]);
}
else if (args[i] == "-max_sent_len")
{
// Обрабатывать только предложения, содержащие не более NNN токенов
++i;
max_sentence_length = int.Parse(args[i]);
}
else if (args[i] == "-suffix_len")
{
++i;
suffix_len = int.Parse(args[i]);
}
else if (args[i] == "-start_index")
{
// Начинать обработку с предложения с указанным индексом
++i;
START_INDEX = int.Parse(args[i]);
}
else if (args[i] == "-reject_unknown")
{
reject_unknown = true;
}
else if (args[i] == "-rx_stop")
{
++i;
using (System.IO.StreamReader rdr = new System.IO.StreamReader(args[i]))
{
while (!rdr.EndOfStream)
{
string line = rdr.ReadLine();
if (line == null)
{
break;
}
line = line.Trim();
if (line.Length > 0)
{
rx_stop.Add(new System.Text.RegularExpressions.Regex(line));
}
}
}
}
else
{
throw new ApplicationException(string.Format("Unknown option {0}", args[i]));
}
}
Samples sources = null;
if (source_format == 1)
{
sources = new Samples1(samples_path);
}
else
{
sources = new Samples2(samples_path);
}
sources.SetMinSentenceLen(min_sentence_length);
sources.SetMaxSentenceLen(max_sentence_length);
if (output_suffix || output_words)
{
sources.SetTokenDelimiter('|');
}
SolarixGrammarEngineNET.GrammarEngine2 gren = null;
gren = new SolarixGrammarEngineNET.GrammarEngine2();
if (output_lemmas)
{
gren.Load(dictionary_path, true);
}
int counter = -1;
int n_processed = 1;
int MAX_COUNT = NSAMPLE;
int LanguageID = SolarixGrammarEngineNET.GrammarEngineAPI.RUSSIAN_LANGUAGE;
int Constraints = 120000 | (MAXARGS << 22); // 2 мин и 20 альтернатив
SolarixGrammarEngineNET.GrammarEngine.MorphologyFlags Flags = SolarixGrammarEngineNET.GrammarEngine.MorphologyFlags.SOL_GREN_MODEL_ONLY |
SolarixGrammarEngineNET.GrammarEngine.MorphologyFlags.SOL_GREN_MODEL;
// сколько всего предложений
Console.WriteLine("Counting lines in source file {0}...", samples_path);
int n_total_lines = sources.TotalCount();
Console.WriteLine("Total number of lines={0}", n_total_lines.ToString("N0", new System.Globalization.CultureInfo("en-US")));
System.IO.StreamWriter wrt = new System.IO.StreamWriter(save_path, append_result, new UTF8Encoding(false));
sources.Start();
while (true)
{
string sample = sources.Next();
if (sample == null)
{
break;
}
sample = sample.Trim();
counter++;
if (counter < START_INDEX)
{
continue;
}
if (n_processed >= MAX_COUNT)
{
break;
}
bool contains_insane_chars = false;
foreach (char c in sample)
{
if (c < 32)
{
contains_insane_chars = true;
break;
}
}
if (contains_insane_chars)
{
System.Text.StringBuilder b = new StringBuilder(sample.Length);
foreach (char c in sample)
{
if (c >= 32)
{
b.Append(c);
}
}
sample = b.ToString();
}
n_processed++;
if (sample.Length == 0)
{
continue;
}
if (rx_stop.Count > 0)
{
bool reject_this_sample = false;
foreach (var rx in rx_stop)
{
if (rx.Match(sample).Success)
{
reject_this_sample = true;
break;
}
}
if (reject_this_sample)
{
continue;
}
}
if (output_lemmas)
{
using (SolarixGrammarEngineNET.AnalysisResults tokens = gren.AnalyzeMorphology(sample, LanguageID, Flags, Constraints))
{
for (int i = 1; i < tokens.Count - 1; ++i)
{
if (char.IsPunctuation(tokens[i].GetWord()[0]))
{
continue;
}
int id_entry = tokens[i].GetEntryID();
string lemma = gren.GetEntryName(id_entry);
if (lemma == "???" || lemma.Equals("UNKNOWNENTRY", StringComparison.InvariantCultureIgnoreCase) || lemma.Equals("number_", StringComparison.InvariantCultureIgnoreCase))
{
lemma = tokens[i].GetWord();
}
lemma = lemma.ToLower();
wrt.Write(" {0}", lemma);
}
}
}
else if (output_words)
{
string[] tokens = sample.Split("|".ToCharArray(), StringSplitOptions.RemoveEmptyEntries);
foreach (string token in tokens)
{
if (token.Length >= 1 && char.IsPunctuation(token[0]))
{
continue;
}
string norma = token.ToLower();
wrt.Write(" {0}", norma);
}
}
else if (output_suffix)
{
string[] tokens = sample.Split("|".ToCharArray(), StringSplitOptions.RemoveEmptyEntries);
foreach (string token in tokens)
{
if (token.Length == 0 || (token.Length == 1 && char.IsPunctuation(token[0])))
{
continue;
}
string suffix = token;
int num;
if (int.TryParse(token, out num))
{
suffix = token.Substring(token.Length - 1);
}
else if (token.Length > suffix_len + 1)
{
suffix = "~" + token.Substring(token.Length - suffix_len);
}
wrt.Write(" {0}", suffix.ToLower());
}
}
if (emit_eol)
{
for (int k = 0; k < eol_count; ++k)
{
wrt.Write(" <EOL>");
}
}
Console.WriteLine("[{1}/{2}] {0}", sample, counter, n_total_lines);
wrt.Flush();
}
wrt.Close();
return;
}
public bool ProcessSample(string line)
{
// Морфологический разбор
using (SolarixGrammarEngineNET.AnalysisResults tokens = gren.AnalyzeMorphology(line, LanguageID, SolarixGrammarEngineNET.GrammarEngine.MorphologyFlags.SOL_GREN_COMPLETE_ONLY))
{
List <int> token2tags = new List <int>();
List <int> token2selectors = new List <int>();
int last_word_index = tokens.Count - 1;
for (int i = 0; i < tokens.Count; ++i)
{
SolarixGrammarEngineNET.SyntaxTreeNode token = tokens[i];
int tt = GetTokenSuffix(i, last_word_index, token);
token2tags.Add(tt);
int st = selectors.MatchTags(token, gren);
token2selectors.Add(st);
}
// --------------------
// ДИГРАММЫ
// --------------------
// 1 --> 2
for (int iword = 1; iword < tokens.Count; ++iword)
{
// ДИГРАММЫ
int tags1 = token2tags[iword - 1];
if (tags1 != -1)
{
int tags2 = token2selectors[iword];
if (tags2 != -1)
{
AddNGram(tags1, tags2);
}
}
}
// 2 --> 1
for (int iword = 1; iword < tokens.Count; ++iword)
{
int tags2 = token2tags[iword];
if (tags2 != -1)
{
int tags1 = token2selectors[iword - 1];
if (tags1 != -1)
{
AddNGram_1(tags1, tags2);
}
}
}
// ---------------------------------------------
// ТРИГРАММЫ
// ---------------------------------------------
// 1,2 --> 3
for (int iword = 2; iword < tokens.Count; ++iword)
{
int tags0 = token2tags[iword - 2];
if (tags0 != -1)
{
int tags1 = token2tags[iword - 1];
if (tags1 != -1)
{
int tags2 = token2selectors[iword];
if (tags2 != -1)
{
AddNGram(tags0, tags1, tags2);
}
}
}
}
// 1 --> 2 <-- 3
for (int iword = 2; iword < tokens.Count; ++iword)
{
int tags0 = token2tags[iword - 2];
if (tags0 != -1)
{
int tags1 = token2selectors[iword - 1];
if (tags1 != -1)
{
int tags2 = token2tags[iword];
if (tags2 != -1)
{
AddNGram_1(tags0, tags1, tags2);
}
}
}
}
// ---------------------------------------------
// ТЕТРАГРАММЫ
// ---------------------------------------------
// 1,2,3 --> 4
for (int iword = 3; iword < tokens.Count; ++iword)
{
int tags0 = token2tags[iword - 3];
if (tags0 != -1)
{
int tags1 = token2tags[iword - 2];
if (tags1 != -1)
{
int tags2 = token2tags[iword - 1];
if (tags2 != -1)
{
int tags3 = token2selectors[iword];
if (tags3 != -1)
{
AddNGram(tags0, tags1, tags2, tags3);
}
}
}
}
}
// 1,2 --> 3 <-- 4
for (int iword = 3; iword < tokens.Count; ++iword)
{
int tags0 = token2tags[iword - 3];
if (tags0 != -1)
{
int tags1 = token2tags[iword - 2];
if (tags1 != -1)
{
int tags2 = token2selectors[iword - 1];
if (tags2 != -1)
{
int tags3 = token2tags[iword];
if (tags3 != -1)
{
AddNGram_1(tags0, tags1, tags2, tags3);
}
}
}
}
}
}
return(true);
}
int Constraints = 60000 | (50 << 22); // 1 минута и 50 альтернатив
private bool Sentence2Features(System.IO.StreamWriter crf_file, SampleData sample)
{
// Морфологический разбор
if (sample.morphology.IsNull())
{
sample.morphology = gren.AnalyzeMorphology(sample.sample, LanguageID, SolarixGrammarEngineNET.GrammarEngine.MorphologyFlags.SOL_GREN_COMPLETE_ONLY, Constraints);
}
if (sample.tokenization.IsNull())
{
sample.tokenization = gren.AnalyzeMorphology(sample.sample, LanguageID, SolarixGrammarEngineNET.GrammarEngine.MorphologyFlags.SOL_GREN_TOKENIZE_ONLY, 0);
}
// if( sample.syntax_tree.IsNull() )
// sample.syntax_tree = gren.AnalyzeSyntax( sample.sample, LanguageID, SolarixGrammarEngineNET.GrammarEngine.MorphologyFlags.SOL_GREN_COMPLETE_ONLY, 0, Constraints );
if (sample.morphology.Count != sample.tokenization.Count)
{
return(false);
}
// ----------------------------------------------
// Готовим наборы признаков для каждого токена
// ----------------------------------------------
List <TokenizerTokenFeatures> token_features = new List <TokenizerTokenFeatures>();
token_features.AddRange(GetFeatures(0, sample.morphology.Count, sample.morphology[0], sample.tokenization[0]));
for (int iword = 1; iword < sample.morphology.Count - 1; ++iword)
{
List <TokenizerTokenFeatures> f = GetFeatures(iword, sample.morphology.Count, sample.morphology[iword], sample.tokenization[iword]);
token_features.AddRange(f);
}
token_features.AddRange(GetFeatures(sample.morphology.Count - 1, sample.morphology.Count, sample.morphology[sample.morphology.Count - 1], sample.tokenization[sample.morphology.Count - 1]));
System.Text.StringBuilder b = new System.Text.StringBuilder();
for (int iword = 0; iword < token_features.Count; ++iword)
{
b.Length = 0;
TokenizerTokenFeatures f_this = token_features[iword];
PullFeatures1(b, token_features, iword, 0);
// и соседние слова
if (CONTEXT_SPAN > 4)
{
PullFeatures1(b, token_features, iword, -5);
}
if (CONTEXT_SPAN > 3)
{
PullFeatures1(b, token_features, iword, -4);
}
if (CONTEXT_SPAN > 2)
{
PullFeatures1(b, token_features, iword, -3);
}
if (CONTEXT_SPAN > 1)
{
PullFeatures1(b, token_features, iword, -2);
}
PullFeatures1(b, token_features, iword, -1);
PullFeatures1(b, token_features, iword, 1);
if (CONTEXT_SPAN > 1)
{
PullFeatures1(b, token_features, iword, 2);
}
if (CONTEXT_SPAN > 2)
{
PullFeatures1(b, token_features, iword, 3);
}
if (CONTEXT_SPAN > 3)
{
PullFeatures1(b, token_features, iword, 4);
}
if (CONTEXT_SPAN > 4)
{
PullFeatures1(b, token_features, iword, 5);
}
crf_file.Write("{0}", f_this.output_tag);
crf_file.WriteLine("{0}", b.ToString());
n_train_patterns++;
}
crf_file.WriteLine(""); // пустые строки отделяют предложения
crf_file.Flush();
return(true);
}
public bool ProcessSample(string line)
{
n_learn_samples++;
if (tokens_file == null)
{
tokens_file = new System.IO.StreamWriter(tokens_file_path);
}
// чтобы получить все возможные теги, надо для каждого слова получить все возможные распознавания.
using (SolarixGrammarEngineNET.AnalysisResults projs = gren.AnalyzeMorphology(line, LanguageID, SolarixGrammarEngineNET.GrammarEngine.MorphologyFlags.SOL_GREN_TOKENIZE_ONLY))
{
int last_word_index = projs.Count - 1;
for (int iword = 0; iword < projs.Count; ++iword)
{
for (int iproj = 0; iproj < projs[iword].VersionCount(); ++iproj)
{
string lemma = string.Empty;
int ekey = projs[iword].GetVersionEntryID(iproj);
string ename = gren.GetEntryName(ekey);
if (IsUnknownLexem(ename))
{
lemma = projs[iword].GetWord().ToLower();
}
else
{
lemma = ename.ToLower();
}
string sfx1 = GetTokenSuffix(iword, last_word_index, lemma);
int id1 = MatchSuffix(sfx1, true);
string sfx2 = GetTokenLemmaSuffix(iword, last_word_index, lemma);
int id2 = MatchSuffix(sfx2, true);
}
}
}
// Морфологический разбор
using (SolarixGrammarEngineNET.AnalysisResults tokens = gren.AnalyzeMorphology(line, LanguageID, SolarixGrammarEngineNET.GrammarEngine.MorphologyFlags.SOL_GREN_COMPLETE_ONLY))
{
test_samples.Add(line);
test_sample_token_counts.Add(tokens.Count);
List <string> sfx = new List <string>();
List <int> sfx_index = new List <int>();
List <string> sfx_lemma = new List <string>();
List <int> sfx_lemma_index = new List <int>();
int last_word_index = tokens.Count - 1;
for (int iword = 0; iword < tokens.Count; ++iword)
{
string word = tokens[iword].GetWord().ToLower();
if (iword > 0 && iword < tokens.Count - 1)
{
tokens_file.Write("{0}", word);
// все допустимые варианты лемматизации
int nlemma = 0;
for (int j = 0; j < tokens[iword].VersionCount(); ++j)
{
int id_entry = tokens[iword].GetVersionEntryID(j);
string ename2 = gren.GetEntryName(id_entry);
if (IsUnknownLexem(ename2)) // не будем учитывать ошибки лемматизации для не-словарных лексем.
{
continue;
}
tokens_file.Write("\t{0}", ename2);
nlemma++;
}
if (nlemma == 0)
{
tokens_file.Write("\t{0}", word);
}
tokens_file.WriteLine("");
}
string suffix = GetTokenSuffix(iword, last_word_index, tokens[iword]);
sfx.Add(suffix);
int index = MatchSuffix(suffix, true);
sfx_index.Add(index);
int ekey = tokens[iword].GetEntryID();
string ename = gren.GetEntryName(ekey);
string lemma;
if (IsUnknownLexem(ename))
{
lemma = word;
}
else
{
lemma = ename.ToLower();
}
string lemma_suffix = GetTokenLemmaSuffix(iword, last_word_index, lemma);
sfx_lemma.Add(lemma_suffix);
sfx_lemma_index.Add(MatchSuffix(lemma_suffix, true));
}
tokens_file.WriteLine("");
for (int iword = 1; iword < tokens.Count - 1; ++iword)
{
string res = ResultLabel(sfx_lemma_index[iword]);
//string tag0 = LemmaLabel( -1, sfx_lemma_index[iword - 1] ); // для Витерби в MEMM
if (iword > 1 && iword < tokens.Count - 2)
{
string tag1 = TagLabel(-2, sfx_index[iword - 2]);
string tag2 = TagLabel(-1, sfx_index[iword - 1]);
string tag3 = TagLabel(0, sfx_index[iword]);
string tag4 = TagLabel(1, sfx_index[iword + 1]);
string tag5 = TagLabel(2, sfx_index[iword + 2]);
WriteTrain(tag1, tag2, tag3, tag4, tag5, res);
WriteTest(tag1, tag2, tag3, tag4, tag5, res);
}
else
{
string tag2 = TagLabel(-1, sfx_index[iword - 1]);
string tag3 = TagLabel(0, sfx_index[iword]);
string tag4 = TagLabel(1, sfx_index[iword + 1]);
WriteTrain(tag2, tag3, tag4, res);
WriteTest(tag2, tag3, tag4, res);
}
}
WriteTestEOS();
}
return(true);
}
static void Execute( string[] args )
{
string dictionary_path = @"e:\MVoice\lem\bin-windows\dictionary.xml"; // путь к словарной базе
string samples_path = @"E:\MVoice\lem\Слова\rus\SENT5.plain.txt"; // путь к файлу со списком предложений (одно предложение на одной строке)
int NSAMPLE = 20000; // сколько предложений максимум обработать
int START_INDEX = 0; // порядковый номер первого обрабатываемого предложений в исходном файле
int MAXARGS = 20; // beam size
bool append_result = false; // если леммы надо добавлять к существующему файлу, а не формировать файл с нуля
string save_path = null; // путь к файлу, куда будут записаны леммы
int source_format = 0; // 0 - token per line, 1 - sentence per line
bool output_lemmas = true; // в результат записывать леммы с приведением к нижнему регистру
bool output_suffix = false;
bool output_words = false; // в результат записывать исходные слова с приведением к нижнему регистру
int suffix_len = 0;
int min_sentence_length = 0; // фильтр по минимальной длине предложений
int max_sentence_length = int.MaxValue; // фильтр по максимальной длине предложений
bool reject_unknown = false; // отбрасывать предложения с несловарными токенами
bool emit_eol = false; // добавлять в выходной файл токены <EOL> для маркировки конца предложения
int eol_count = 0; // кол-во вставляемых <EOL>, гарантированно перекрывающее размер окна в word2vec
List<System.Text.RegularExpressions.Regex> rx_stop = new List<System.Text.RegularExpressions.Regex>();
for( int i = 0; i < args.Length; ++i )
{
if( args[i] == "-dict" )
{
++i;
dictionary_path = args[i];
}
else if( args[i] == "-samples" )
{
++i;
samples_path = args[i];
}
else if( args[i] == "-source_format" )
{
++i;
source_format = int.Parse( args[i] );
}
else if( args[i] == "-append" )
{
// Добавлять в конец существующего файла
append_result = true;
}
else if( args[i] == "-emit_eol" )
{
++i;
eol_count = int.Parse( args[i] );
if( eol_count > 0 )
emit_eol = true;
}
else if( args[i] == "-result" )
{
// Способ обработки токенов:
// lemma => лемматизация
// suffix => усечение до псевдосуффикса длиной -suffix_len
// raw => исходные слова
++i;
output_lemmas = false;
output_suffix = false;
output_words = false;
if( args[i] == "suffix" )
{
output_suffix = true;
}
else if( args[i] == "lemma" )
{
output_lemmas = true;
}
else if( args[i] == "raw" )
{
output_words = true;
}
else throw new ApplicationException( string.Format( "Unknown result format: {0}", args[i] ) );
}
else if( args[i] == "-save" )
{
// Путь к файлу, куда будут записываться результаты обработки
++i;
save_path = args[i];
}
else if( args[i] == "-nsample" )
{
// кол-во обрабатываемых предложений, начиная с -start_index
++i;
NSAMPLE = int.Parse( args[i] );
}
else if( args[i] == "-min_sent_len" )
{
// Обрабатывать только предложения, содержащие не менее NNN токенов
++i;
min_sentence_length = int.Parse( args[i] );
}
else if( args[i] == "-max_sent_len" )
{
// Обрабатывать только предложения, содержащие не более NNN токенов
++i;
max_sentence_length = int.Parse( args[i] );
}
else if( args[i] == "-suffix_len" )
{
++i;
suffix_len = int.Parse( args[i] );
}
else if( args[i] == "-start_index" )
{
// Начинать обработку с предложения с указанным индексом
++i;
START_INDEX = int.Parse( args[i] );
}
else if( args[i] == "-reject_unknown" )
{
reject_unknown = true;
}
else if( args[i] == "-rx_stop" )
{
++i;
using( System.IO.StreamReader rdr = new System.IO.StreamReader( args[i] ) )
{
while( !rdr.EndOfStream )
{
string line = rdr.ReadLine();
if( line == null )
break;
line = line.Trim();
if( line.Length > 0 )
{
rx_stop.Add( new System.Text.RegularExpressions.Regex( line ) );
}
}
}
}
else
throw new ApplicationException( string.Format( "Unknown option {0}", args[i] ) );
}
Samples sources = null;
if( source_format == 1 )
sources = new Samples1( samples_path );
else
sources = new Samples2( samples_path );
sources.SetMinSentenceLen( min_sentence_length );
sources.SetMaxSentenceLen( max_sentence_length );
if( output_suffix || output_words )
sources.SetTokenDelimiter( '|' );
SolarixGrammarEngineNET.GrammarEngine2 gren = null;
gren = new SolarixGrammarEngineNET.GrammarEngine2();
if( output_lemmas )
{
gren.Load( dictionary_path, true );
}
int counter = -1;
int n_processed = 1;
int MAX_COUNT = NSAMPLE;
int LanguageID = SolarixGrammarEngineNET.GrammarEngineAPI.RUSSIAN_LANGUAGE;
int Constraints = 120000 | ( MAXARGS << 22 ); // 2 мин и 20 альтернатив
SolarixGrammarEngineNET.GrammarEngine.MorphologyFlags Flags = SolarixGrammarEngineNET.GrammarEngine.MorphologyFlags.SOL_GREN_MODEL_ONLY |
SolarixGrammarEngineNET.GrammarEngine.MorphologyFlags.SOL_GREN_MODEL;
// сколько всего предложений
Console.WriteLine( "Counting lines in source file {0}...", samples_path );
int n_total_lines = sources.TotalCount();
Console.WriteLine( "Total number of lines={0}", n_total_lines.ToString( "N0", new System.Globalization.CultureInfo( "en-US" ) ) );
System.IO.StreamWriter wrt = new System.IO.StreamWriter( save_path, append_result, new UTF8Encoding( false ) );
sources.Start();
while( true )
{
string sample = sources.Next();
if( sample == null )
break;
sample = sample.Trim();
counter++;
if( counter < START_INDEX )
continue;
if( n_processed >= MAX_COUNT )
break;
bool contains_insane_chars = false;
foreach( char c in sample )
if( c < 32 )
{
contains_insane_chars = true;
break;
}
if( contains_insane_chars )
{
System.Text.StringBuilder b = new StringBuilder( sample.Length );
foreach( char c in sample )
if( c >= 32 )
b.Append( c );
sample = b.ToString();
}
n_processed++;
if( sample.Length == 0 )
continue;
if( rx_stop.Count > 0 )
{
bool reject_this_sample = false;
foreach( var rx in rx_stop )
if( rx.Match( sample ).Success )
{
reject_this_sample = true;
break;
}
if( reject_this_sample )
continue;
}
if( output_lemmas )
{
using( SolarixGrammarEngineNET.AnalysisResults tokens = gren.AnalyzeMorphology( sample, LanguageID, Flags, Constraints ) )
{
for( int i = 1; i < tokens.Count - 1; ++i )
{
if( char.IsPunctuation( tokens[i].GetWord()[0] ) )
continue;
int id_entry = tokens[i].GetEntryID();
string lemma = gren.GetEntryName( id_entry );
if( lemma == "???" || lemma.Equals( "UNKNOWNENTRY", StringComparison.InvariantCultureIgnoreCase ) || lemma.Equals( "number_", StringComparison.InvariantCultureIgnoreCase ) )
lemma = tokens[i].GetWord();
lemma = lemma.ToLower();
wrt.Write( " {0}", lemma );
}
}
}
else if( output_words )
{
string[] tokens = sample.Split( "|".ToCharArray(), StringSplitOptions.RemoveEmptyEntries );
foreach( string token in tokens )
{
if( token.Length >= 1 && char.IsPunctuation( token[0] ) )
continue;
string norma = token.ToLower();
wrt.Write( " {0}", norma );
}
}
else if( output_suffix )
{
string[] tokens = sample.Split( "|".ToCharArray(), StringSplitOptions.RemoveEmptyEntries );
foreach( string token in tokens )
{
if( token.Length == 0 || ( token.Length == 1 && char.IsPunctuation( token[0] ) ) )
continue;
string suffix = token;
int num;
if( int.TryParse( token, out num ) )
suffix = token.Substring( token.Length - 1 );
else if( token.Length > suffix_len + 1 )
suffix = "~" + token.Substring( token.Length - suffix_len );
wrt.Write( " {0}", suffix.ToLower() );
}
}
if( emit_eol )
for( int k = 0; k < eol_count; ++k )
wrt.Write( " <EOL>" );
Console.WriteLine( "[{1}/{2}] {0}", sample, counter, n_total_lines );
wrt.Flush();
}
wrt.Close();
return;
}
