Утилита для очистки текстов от обсценной лексики (проект) — различия между версиями
Katya (обсуждение | вклад) м |
Katya (обсуждение | вклад) (→Какие будут использоваться технологии?) |
||
Строка 28: | Строка 28: | ||
=== Какие будут использоваться технологии? === | === Какие будут использоваться технологии? === | ||
− | * python | + | * python |
− | * | + | * 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
- Токенизация (разбиение текста на слова и определение границ предложения)
- 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