Утилита для очистки текстов от обсценной лексики (проект) — различия между версиями

Версия 17:22, 3 декабря 2014

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, для того, чтобы результаты данного сервиса приносили пользу лицам младше 18 лет, тексты корпуса должны быть отчищены от обсценной лексики.

В рамках данного проекта предлагается разработать программу, позволяющую анализировать тексты на предмет наличия в ней мата и другой нецензурной лекции с последующей очисткой.

Чему вы научитесь?

1. Освоение ключевых понятий компьютерной лингвистки.
2. Методы анализа и обработки текстов.

Какие начальные требования?

• Знание python
• Умение работать с *nix (желательно)

Проект не подразумевает разработку графической оболочки.

Какие будут использоваться технологии?

• python.
• git, github

Темы вводных занятий

Направления развития

Реализованный прототип может быть использован как компонент вышеуказанного web-сервиса.

Критерии оценки

4-5: очистка по словарю и индексирование 6-7: + использованием лемматизации 8-10: + разработка экспериментальной площадки для оценки точности-полноты работы на произвольном тексте