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

Материал из Wiki - Факультет компьютерных наук
Перейти к: навигация, поиск
м
(Какие будут использоваться технологии?)
Строка 28: Строка 28:
  
 
=== Какие будут использоваться технологии? ===
 
=== Какие будут использоваться технологии? ===
* python.
+
* python
* git, github
+
* NLTK
 +
* gensim
 +
* pymorphy2
  
 
=== Темы вводных занятий ===
 
=== Темы вводных занятий ===

Версия 00:52, 4 декабря 2014

Ментор Шестаков Андрей
Учебный семестр Весна 2015
Учебный курс 1-й курс



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 очищать тексты от матерной, нецензурной мата и другой нецензурной лексики.

Чему вы научитесь?

Методы автоматической обработки текстов

  1. Токенизация (разбиение текста на слова и определение границ предложения)
  2. Морфологический анализ (определение частей речи)

Какие начальные требования?

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

Проект не подразумевает разработку графической оболочки.

Какие будут использоваться технологии?

  • python
  • NLTK
  • gensim
  • pymorphy2

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