Утилита для чистки корпуса от дубликатов (проект)
| Ментор | Шестаков Андрей |
| Учебный семестр | Весна 2015 |
| Учебный курс | 1-й курс |
| Внимание! Данный проект находится в архиве и реализован не будет. |
Что это за проект?
SketchEngine - это сервис обработки текстовых корпусов, который показывает наиболее типичные перепредставленные и недопредставленные пары слов, синтаксически связанных в предложении. Для того, чтобы сервис выдавал осмысленные и приемлемые результаты, к исходному корпусу языка предъявляется ряд требований.
В частности, корпус должен быть сбалансирован, то есть не содержать текстов-дубликатов. Это необходимо, например, для более точной оценки представленности речевых оборотов.
Чему вы научитесь?
- Алгоритм шинглирования
- Методы обработки текстов
- Удаление стоп-слов
- Лемматизация (приведение слова к начальной форме)
- Морфологическая разметка (определение части речи слова)
Какие начальные требования?
- Знание python
- Умение работать с *nix (желательно)
Какие будут использоваться технологии?
- python
- NLTK
- gensim
- binascii
- pymorphy2 / mystem
- MongoDB (возможно)
Темы вводных занятий
- Алгоритм шинглирования
- Способы представления графов (матрица /список смежности)
- Поиск компонент связности
Направления развития
Реализованный прототип может быть использован как компонент вышеуказанного web-сервиса.
Критерии оценки
4-5: оценка степени сходства двух документов
6-7: + построение графа сходства на множестве документов и наивный алгоритм удаления дубликатов
8-10: + усложненный алгоритм удаления дубликатов
