// Генерация слов, фонетически близких к заданному word.
// Возвращается список вариантов, включая исходное слово, и список их достоверностей.
void LexicalAutomat::ProducePhonInv(
const lem::UCString &word,
int id_language,
lem::MCollect<lem::UCString> &res,
lem::MCollect<lem::Real1> &rels,
LA_RecognitionTrace *trace
)
{
MCollect<LA_AA_list*> packs;
LA_AA_list *list = new LA_AA_list;
list->reserve(16);
list->push_back(LA_AA_item(word, Real1(100)));
// Теперь мутированные варианты.
LA_Pack *pack = AlephAuto(id_language, word, 1, trace);
for (Container::size_type j = 0; j < pack->size(); j++)
{
const Solarix::Lexem &ph_lex = *(pack->get(j));
if (res.find(ph_lex) == UNKNOWN)
{
Real1 r = pack->get(j)->get_Val();
rels.push_back(r);
res.push_back(ph_lex);
}
}
return;
}
void LemmatizatorStorage_SQLITE::Lemmatize(
const lem::UCString &word,
lem::MCollect<lem::UCString> &lemmas
)
{
lemmas.clear();
lem::MemFormatter mem;
mem.printf( "SELECT L.lemma"
" FROM lexemes_n X, lemmas L"
" WHERE X.lexeme='%us' AND L.id=X.id_lemma", to_upper(word).c_str() );
lem::Ptr<LS_ResultSet> rs(cnx->Select(lem::to_utf8(mem.string())));
while( rs->Fetch() )
{
lemmas.push_back( rs->GetUCString(0) );
}
if( lemmas.empty() )
{
lemmas.push_back(word);
}
return;
}
bool LA_PreprocessorRules::Crop(
const lem::UCString &word,
lem::MCollect<lem::UCString> &results,
lem::MCollect<lem::Real1> &rels,
LA_RecognitionTrace *trace
) const
{
bool applied = false;
if (!crop_rules.empty())
{
// сначала применяем префиксные правила
typedef CROP_RULES::const_iterator IT;
LA_CropRule::HashType prefix_hash = LA_CropRule::CalcHash(word.c_str(), true, false);
std::pair<IT, IT> pp = prefix_crop_rules.equal_range(prefix_hash);
lem::UCString result;
for (auto it = pp.first; it != pp.second; ++it)
{
const LA_CropRule *r = it->second;
if (r->Apply(word, result))
{
applied = true;
results.push_back(result);
rels.push_back(r->GetRel());
if (trace != nullptr)
{
trace->CropRuleApplied(word, result, r);
}
}
}
// теперь отсекаем аффикс
LA_CropRule::HashType affix_hash = LA_CropRule::CalcHash(word.c_str(), false, true);
pp = affix_crop_rules.equal_range(affix_hash);
for (auto it = pp.first; it != pp.second; ++it)
{
const LA_CropRule *r = it->second;
if (r->Apply(word, result))
{
applied = true;
results.push_back(result);
rels.push_back(r->GetRel());
if (trace != nullptr)
{
trace->CropRuleApplied(word, result, r);
}
}
}
}
return applied;
}
void LEMM_Compiler::LoadNGram( lem::Iridium::Macro_Parser & txtfile, Dictionary & dict, lem::MCollect<int> & terms, int order ) const
{
lem::Iridium::BSourceState beg = txtfile.tellp();
while( !txtfile.eof() )
{
lem::Iridium::BethToken t = txtfile.read();
if( lem::is_int(t.string()) )
terms.push_back( lem::to_int(t.string()) );
else
{
txtfile.seekp(t);
break;
}
}
if( terms.size() != order+1 )
{
dict.GetIO().merr().printf( "%vfDInvalid ngram%vn\n" );
lem::Iridium::Print_Error( beg, txtfile );
throw lem::E_ParserError();
}
return;
}
void Lemmatizator::Lemmatize( const lem::MCollect<lem::UCString> & words, lem::MCollect<lem::UCString> &lemmas )
{
#if defined LEM_THREADS
lem::Process::CritSecLocker lock(&cs);
#endif
if( !model_loaded )
{
bin->seekp( model_pos );
model_loaded = true;
model_available = bin->read_bool();
if( model_available )
{
LoadModel();
}
}
if( model_available )
{
LemmatizeViaModel( words, lemmas );
}
else
{
for( lem::Container::size_type i=0; i<words.size(); ++i )
{
lem::UCString lemma;
Lemmatize( words[i], lemma );
lemmas.push_back( lemma );
}
}
return;
}
void LexerTextPos::Collect_Right2Left(int count, lem::MCollect<const LexerTextPos*> & inverted_path) const
{
inverted_path.push_back(this);
if (count > 0 && !IsBegin() && previous != nullptr)
GetPrev()->Collect_Right2Left(count - 1, inverted_path);
return;
}
void SynPatternResult::GetExportCoordPairs(lem::MCollect< std::pair<int, int> > & pairs) const
{
for (auto it = exported_coords.begin(); it != exported_coords.end(); ++it)
{
pairs.push_back(*it);
}
return;
}
void GeneratorLexer::CollectUsedWords( const LexerTextPos * t, lem::MCollect<int> & indeces ) const
{
TOKEN2WORD::const_iterator it = token2word.find(t);
if( it!=token2word.end() )
indeces.push_back( it->second );
if( !t->IsBegin() && t->GetPrev()!=NULL )
CollectUsedWords( t->GetPrev(), indeces );
return;
}
void LexerTextPos::CollectPathToLeft(int count, lem::MCollect<const Word_Form*> & org) const
{
LEM_CHECKIT_Z(count >= 0);
org.push_back(wordform);
if (count > 0 && previous != NULL)
previous->CollectPathToLeft(count - 1, org);
return;
}
void LexerTextPos::Collect_Right2Left(const LexerTextPos *left_boundary, lem::MCollect<const LexerTextPos*> & inverted_path) const
{
LEM_CHECKIT_Z(left_boundary != nullptr);
inverted_path.push_back(this);
if (this != left_boundary && previous != nullptr)
previous->Collect_Right2Left(left_boundary, inverted_path);
return;
}
void SynPatterns::GetUnresolvedForwardDeclarations( lem::MCollect<lem::UCString> & unresolved_names ) const
{
typedef std::map< lem::UCString, int >::const_iterator IT;
for( IT it=name2id.begin(); it!=name2id.end(); ++it )
{
if( id2count.find( it->second )==id2count.end() )
unresolved_names.push_back( it->first );
}
return;
}
void SyllabContext::GetResultSyllabs(lem::MCollect<lem::UCString> & result_syllabs, bool Normalized) const
{
for (auto point : points)
{
if (point->IsLeftBoundary() || point->IsRightBoundary())
continue;
result_syllabs.push_back(point->BuildSyllab(Normalized));
}
return;
}
void SyllabContext::GetResultSyllabs( lem::MCollect<lem::UCString> & result_syllabs, bool Normalized ) const
{
for( lem::Container::size_type i=0; i<points.size(); ++i )
{
const SyllabContextPoint * p = points[i];
if( p->IsLeftBoundary() || p->IsRightBoundary() )
continue;
result_syllabs.push_back( p->BuildSyllab(Normalized) );
}
return;
}
// *************************************************************************************
// Ищем парадигмы, чьи условия подходят для указанной базовой формы, возвращает
// список id таких парадигм.
// *************************************************************************************
void ParadigmaFinder::Find( int PartOfSpeech, const lem::UCString &entry_name, lem::MCollect<int> &found_ids )
{
#if defined LEM_THREADS
lem::Process::RWU_ReaderGuard rlock(cs);
#endif
if( !loaded )
{
#if defined LEM_THREADS
lem::Process::RWU_WriterGuard wlock(rlock);
#endif
LoadFromDB();
}
if( PartOfSpeech==UNKNOWN || PartOfSpeech==ANY_STATE )
{
for( lem::Container::size_type i=0; i<matchers.size(); ++i )
if( matchers[i]->Match(entry_name) )
{
found_ids.push_back(ids[i]);
}
}
else
{
CLASS2DECL::const_iterator it=class2decl.find(PartOfSpeech);
if( it!=class2decl.end() )
{
for( lem::Container::size_type i=0; i<it->second->size(); ++i )
if( it->second->get(i).second->Match(entry_name) )
{
found_ids.push_back( it->second->get(i).first );
}
}
}
return;
}
void BasicModel::PullFeatures2( lem::MCollect<lem::CString> & b, const lem::PtrCollect<ModelTokenFeatures> & token_features, int ifocus, int offset1, int offset2 ) const
{
int iword1 = ifocus + offset1;
int iword2 = ifocus + offset2;
if( iword1 >= 0 && iword1 < token_features.size() && iword2 >= 0 && iword2 < token_features.size() )
{
b.push_back( lem::format_str( "sfx[%d,%d]=%d,%d", offset1, offset2, token_features[iword1]->suffix_id, token_features[iword2]->suffix_id ).c_str() );
// здесь можно вывести и другие свойства слов.
// ... TODO
}
return;
}
void BackTraceItem::GetCoordStates( int id_coord, lem::MCollect<int> & states ) const
{
if( use_export )
{
for( lem::Container::size_type i=0; i<export_coords.size(); ++i )
{
if( export_coords[i].GetCoord().GetIndex()==id_coord )
states.push_back( export_coords[i].GetState() );
}
}
else
{
states = GetWordform()->GetStates( Solarix::GramCoordAdr(id_coord) );
}
return;
}
void NGramsStorage_SQLITE::SelectInts( const lem::FString &Select, lem::MCollect<int> &list )
{
LEM_CHECKIT_Z( !Select.empty() );
sqlite3_stmt *stmt=NULL;
int res = sqlite3_prepare_v2( hdb, Select.c_str(), -1, &stmt, NULL );
if( res==SQLITE_OK )
{
while( sqlite3_step( stmt ) == SQLITE_ROW )
{
int i = sqlite3_column_int(stmt,0);
list.push_back(i);
}
sqlite3_finalize(stmt);
}
return;
}
void SG_DeclensionTable::GenerateForms(
const Lexem &entry_name,
lem::MCollect<Lexem> & res,
lem::PtrCollect<CP_Array> & form_dims,
const SynGram &sg,
const SG_DeclensionAutomat &dsa
) const
{
res.reserve(form.size());
for( lem::Container::size_type i=0; i<form.size(); i++ )
{
UCString frm( dsa.ProduceForm( entry_name, GetClass(), *form[i], sg ) );
res.push_back( frm);
form_dims.push_back( new CP_Array( form[i]->GetDim() ) );
}
return;
}
void SG_DeclensionTable::GenerateForms(
const Lexem &entry_name,
lem::MCollect<Lexem> &res,
const SynGram &sg,
const SG_DeclensionAutomat &dsa
) const
{
res.reserve(form.size());
for( lem::Container::size_type i=0; i<form.size(); i++ )
{
UCString frm( dsa.ProduceForm( entry_name, GetClass(), *form[i], sg ) );
// Без повторов
if( std::find( res.begin(), res.end(), frm )==res.end() )
res.push_back( frm );
}
return;
}
void SynPatternResult::SelectUnique_WithRemoval(lem::MCollect<SynPatternResult*> & results)
{
lem::MCollect<int> result_hash;
lem::PtrCollect<SynPatternResult> unique_result;
for (lem::Container::size_type k = 0; k < results.size(); ++k)
{
SynPatternResult * result_k = results[k];
const int h = result_k->CalcHash();
bool found = false;
for (lem::Container::size_type i = 0; i < unique_result.size(); ++i)
{
if (result_hash[i] == h)
{
if (SynPatternResult::Equals(result_k, unique_result[i]))
{
found = true;
break;
}
}
}
if (!found)
{
result_hash.push_back(h);
unique_result.push_back(result_k);
results[k] = nullptr;
}
}
results.clear();
for (lem::Container::size_type i = 0; i < unique_result.size(); ++i)
{
results.push_back(unique_result[i]);
unique_result[i] = nullptr;
}
return;
}
static bool IsHtmlClosed( const lem::UFString &tag )
{
if( tags1.empty() )
{
const wchar_t* stags[] = { L"br", L"hr", L"link", L"meta", L"img", L"input",
NULL
};
int i=0;
while(stags[i]!=NULL)
tags1.push_back( lem::UFString(stags[i++]) );
}
for( lem::Container::size_type i=0; i<tags1.size(); ++i )
{
const lem::UFString &t = tags1[i];
if( tag.eq_begi(t) && (tag.length()==t.length() || tag[ t.length() ]==L' ' ) )
return true;
}
return false;
}
static bool IsTextDelimiterTag( const UFString &tag )
{
if( tags2.empty() )
{
const wchar_t* stags[] = { L"p", L"br", L"table", L"td", L"tr", L"th",
L"ol", L"ul", L"li", L"dd", L"input", L"frame", L"div",
NULL
};
int i=0;
while(stags[i]!=NULL)
tags2.push_back( lem::UFString(stags[i++]) );
}
for( lem::Container::size_type i=0; i<tags2.size(); ++i )
{
const lem::UFString &t = tags2[i];
if( tag.eq_begi(t) && (tag.length()==t.length() || tag[ t.length() ]==L' ' ) )
return true;
}
return false;
}
void BasicModel::PullFeatures1(
lem::MCollect<lem::CString> & b,
const lem::PtrCollect<ModelTokenFeatures> & token_features,
int ifocus,
int offset,
bool rich_set,
bool emit_Aa_feature
) const
{
int iword = ifocus + offset;
if( iword >= 0 && iword < token_features.size() )
{
const ModelTokenFeatures & f = * token_features[iword];
b.push_back( lem::format_str( "sfx[%d]=%d", offset, f.suffix_id ).c_str() );
if( emit_Aa_feature )
b.push_back( lem::format_str( "Aa[%d]=%d", offset, f.Aa ).c_str() );
// здесь можно вывести и другие свойства слова.
if( rich_set )
{
b.push_back( lem::format_str("pos[%d,N]=%s", offset, f.POS_N.c_str() ).c_str() );
b.push_back( lem::format_str("pos[%d,A]=%s", offset, f.POS_A.c_str() ).c_str() );
b.push_back( lem::format_str("pos[%d,V]=%s", offset, f.POS_V.c_str() ).c_str() );
b.push_back( lem::format_str("pos[%d,IMV]=%s", offset, f.POS_IMV.c_str() ).c_str() );
b.push_back( lem::format_str("pos[%d,I]=%s", offset, f.POS_I.c_str() ).c_str() );
b.push_back( lem::format_str("pos[%d,Y]=%s", offset, f.POS_Y.c_str() ).c_str() );
b.push_back( lem::format_str("pos[%d,VY]=%s", offset, f.POS_VY.c_str() ).c_str() );
b.push_back( lem::format_str("pos[%d,PRN]=%s", offset, f.POS_PRN.c_str() ).c_str() );
b.push_back( lem::format_str("pos[%d,PRN2]=%s", offset, f.POS_PRN2.c_str() ).c_str() );
b.push_back( lem::format_str("pos[%d,C]=%s", offset, f.POS_C.c_str() ).c_str() );
b.push_back( lem::format_str("pos[%d,D]=%s", offset, f.POS_D.c_str() ).c_str() );
b.push_back( lem::format_str("pos[%d,P]=%s", offset, f.POS_P.c_str() ).c_str() );
b.push_back( lem::format_str("pos[%d,PX]=%s", offset, f.POS_PX.c_str() ).c_str() );
b.push_back( lem::format_str("pos[%d,PP]=%s", offset, f.POS_PP.c_str() ).c_str() );
}
}
return;
}
void Lemmatizator::LemmatizeViaModel( const lem::MCollect<lem::UCString> & words, lem::MCollect<lem::UCString> &lemmas )
{
// Для каждого слова получим списки альтернативных лемматизаций.
lem::Collect< lem::MCollect<lem::UCString> > word2lemmas;
word2lemmas.resize( words.size() );
lem::MCollect<int> lemma_scores;
lem::MCollect<int> lemma_order;
for( lem::Container::size_type i=0; i<words.size(); ++i )
{
Lemmatize( words[i], word2lemmas[i] );
for( lem::Container::size_type j=0; j<word2lemmas[i].size(); ++j )
word2lemmas[i][j].to_lower();
lemmas.push_back( word2lemmas[i][0] );
lemma_scores.push_back(0);
lemma_order.push_back(1);
}
const int last_word_index = CastSizeToInt(words.size())-1;
const bool use_4grams=true;
const bool use_3grams=true;
const bool use_2grams=true;
for( lem::Container::size_type iword = 0; iword < words.size(); ++iword )
{
lem::UCString lemma;
int lemma_score = 0;
bool lemma_created = false;
if( !lemma_created && iword > 2 && use_4grams )
{
// ======================
// ИСПОЛЬЗУЕМ ТЕТРАГРАММЫ
// ======================
const lem::UCString & word1 = words[iword-3];
const int id_suffix1 = GetTag( word1 );
const lem::UCString & word2 = words[iword-2];
const int id_suffix2 = GetTag( word2 );
const lem::UCString & word3 = words[iword-1];
const int id_suffix3 = GetTag( word3 );
lem::triple<int,int,int> k3( id_suffix1, id_suffix2, id_suffix3 );
std::map< lem::triple<int,int,int>, lem::MCollect<const LEMM_Ngram4*>* >::const_iterator it = tag0_2_ngram4.find( k3 );
if( it!=tag0_2_ngram4.end() )
{
const lem::MCollect<const LEMM_Ngram4*> & n4_list = * it->second;
std::map<lem::UCString,int> sfx2score;
int proj_count = word2lemmas[iword].size();
for( int iproj = 0; iproj < proj_count; ++iproj )
{
const lem::UCString & entry_name = word2lemmas[iword][iproj];
lem::UCString i_sfx = GetSuffix( entry_name );
if( sfx2score.find( i_sfx )==sfx2score.end() )
sfx2score.insert( std::make_pair( i_sfx, 0 ) );
}
for( lem::Container::size_type j=0; j<n4_list.size(); ++j )
{
const LEMM_Ngram4 & n4_probe = *n4_list[j];
const int id_suffix4 = n4_probe.tags.fourth;
const lem::UCString & suffix4 = GetSuffixById(id_suffix4);
std::map<lem::UCString,int>::iterator it2 = sfx2score.find(suffix4);
if( it2!=sfx2score.end() )
it2->second += n4_probe.freq;
}
// теперь надо выбрать самый достоверный вариант.
int best_score = 0;
lem::UCString prev_lemma;
int prev_score = 0;
// теперь перебираем проекции и смотрим, которая из них имеет в нормальной форме выбранный суффикс.
for( lem::Container::size_type iproj = 0; iproj < word2lemmas[iword].size(); ++iproj )
{
const lem::UCString & ename = word2lemmas[iword][iproj];
lem::UCString proj_suffix = GetSuffix( ename );
std::map<lem::UCString,int>::const_iterator it3 = sfx2score.find(proj_suffix);
if( it3!=sfx2score.end() )
{
const int new_score = it3->second;
if( new_score > best_score )
{
prev_score = new_score;
prev_lemma = ename;
}
}
}
// Если текущее слово лемматизировано с меньшей достоверностью, то меняем его.
if( lemma_scores[iword] < prev_score )
{
lemma_scores[iword] = prev_score;
lemmas[iword] = prev_lemma;
lemma_order[iword] = 4;
}
}
}
if( !lemma_created && use_3grams )
{
// ======================
// ИСПОЛЬЗУЕМ ТРИГРАММЫ
// ======================
// Если текущее слово имеет 1 вариант лемматизации, то можно использовать его для перепроверки предыдущего слова.
if( iword>2 && word2lemmas[iword].size() == 1 && word2lemmas[iword - 1].size() == 1 && word2lemmas[iword - 2].size() > 1 && lemma_order[iword-2]<3 )
{
// переоцениваем слово в iword-2
const lem::UCString & word1 = words[iword-1];
const int id_suffix1 = GetTag( word1 );
const lem::UCString & word2 = words[iword];
const int id_suffix2 = GetTag( word2 );
std::pair<int,int> k2( id_suffix1, id_suffix2 );
std::map< std::pair<int,int>, lem::MCollect<const LEMM_Ngram3*>* >::const_iterator it = tag2_2_ngram3.find( k2 );
if( it!=tag2_2_ngram3.end() )
{
const lem::MCollect<const LEMM_Ngram3*> & n3_list = * it->second;
std::map<lem::UCString,int> sfx2score;
int proj_count = word2lemmas[iword-2].size();
for( int iproj = 0; iproj < proj_count; ++iproj )
{
const lem::UCString & entry_name = word2lemmas[iword-2][iproj];
lem::UCString i_sfx = GetSuffix( entry_name );
if( sfx2score.find( i_sfx )==sfx2score.end() )
sfx2score.insert( std::make_pair( i_sfx, 0 ) );
}
for( lem::Container::size_type j=0; j<n3_list.size(); ++j )
{
const LEMM_Ngram3 & n3_probe = *n3_list[j];
const int id_suffix0 = n3_probe.tags.first;
const lem::UCString & suffix0 = GetSuffixById(id_suffix0);
std::map<lem::UCString,int>::iterator it2 = sfx2score.find(suffix0);
if( it2!=sfx2score.end() )
it2->second += n3_probe.freq;
}
// теперь надо выбрать самый достоверный вариант.
int best_score = 0;
lem::UCString prev_lemma;
int prev_score = 0;
// теперь перебираем проекции и смотрим, которая из них имеет в нормальной форме выбранный суффикс.
for( lem::Container::size_type iproj = 0; iproj < word2lemmas[iword].size(); ++iproj )
{
const lem::UCString & ename = word2lemmas[iword-2][iproj];
lem::UCString proj_suffix = GetSuffix( ename );
std::map<lem::UCString,int>::const_iterator it3 = sfx2score.find(proj_suffix);
if( it3!=sfx2score.end() )
{
const int new_score = it3->second;
if( new_score > best_score )
{
prev_score = new_score;
prev_lemma = ename;
}
}
}
// Если текущее слово лемматизировано с меньшей достоверностью, то меняем его.
if( lemma_scores[iword-2] < prev_score )
{
lemma_scores[iword-2] = prev_score;
lemmas[iword-2] = prev_lemma;
lemma_order[iword-2] = 3;
}
}
}
else if( iword>1 && word2lemmas[iword].size() == 1 && word2lemmas[iword - 1].size() > 1 && lemma_order[iword-1]<3 )
{
// переоцениваем слово в iword-1
const lem::UCString & word0 = words[iword-2];
const int id_suffix0 = GetTag( word0 );
const lem::UCString & word2 = words[iword];
const int id_suffix2 = GetTag( word2 );
std::pair<int,int> k2( id_suffix0, id_suffix2 );
std::map< std::pair<int,int>, lem::MCollect<const LEMM_Ngram3*>* >::const_iterator it = tag1_2_ngram3.find( k2 );
if( it!=tag1_2_ngram3.end() )
{
const lem::MCollect<const LEMM_Ngram3*> & n3_list = * it->second;
std::map<lem::UCString,int> sfx2score;
int proj_count = word2lemmas[iword-1].size();
for( int iproj = 0; iproj < proj_count; ++iproj )
{
const lem::UCString & entry_name = word2lemmas[iword-1][iproj];
lem::UCString i_sfx = GetSuffix( entry_name );
if( sfx2score.find( i_sfx )==sfx2score.end() )
sfx2score.insert( std::make_pair( i_sfx, 0 ) );
}
for( lem::Container::size_type j=0; j<n3_list.size(); ++j )
{
const LEMM_Ngram3 & n3_probe = *n3_list[j];
const int id_suffix1 = n3_probe.tags.second;
const lem::UCString & suffix1 = GetSuffixById(id_suffix1);
std::map<lem::UCString,int>::iterator it2 = sfx2score.find(suffix1);
if( it2!=sfx2score.end() )
it2->second += n3_probe.freq;
}
// теперь надо выбрать самый достоверный вариант.
int best_score = 0;
lem::UCString prev_lemma;
int prev_score = 0;
// теперь перебираем проекции и смотрим, которая из них имеет в нормальной форме выбранный суффикс.
for( lem::Container::size_type iproj = 0; iproj < word2lemmas[iword].size(); ++iproj )
{
const lem::UCString & ename = word2lemmas[iword-2][iproj];
lem::UCString proj_suffix = GetSuffix( ename );
std::map<lem::UCString,int>::const_iterator it3 = sfx2score.find(proj_suffix);
if( it3!=sfx2score.end() )
{
const int new_score = it3->second;
if( new_score > best_score )
{
prev_score = new_score;
prev_lemma = ename;
}
}
}
// Если текущее слово лемматизировано с меньшей достоверностью, то меняем его.
if( lemma_scores[iword-1] < prev_score )
{
lemma_scores[iword-1] = prev_score;
lemmas[iword-1] = prev_lemma;
lemma_order[iword-1] = 3;
}
}
}
else if( word2lemmas[iword].size() > 1 )
{
std::map<lem::UCString,int> sfx2score;
bool needs_resort=false;
if( iword>1 )
{
// iword-2,iword-1 --> iword
const lem::UCString & word1 = words[iword-2];
const int id_suffix1 = GetTag( word1 );
const lem::UCString & word2 = words[iword-1];
const int id_suffix2 = GetTag( word2 );
std::pair<int,int> k2( id_suffix1, id_suffix2 );
std::map< std::pair<int,int>, lem::MCollect<const LEMM_Ngram3*>* >::const_iterator it = tag0_2_ngram3.find( k2 );
if( it!=tag0_2_ngram3.end() )
{
const lem::MCollect<const LEMM_Ngram3*> & n3_list = * it->second;
needs_resort=true;
int proj_count = word2lemmas[iword].size();
for( int iproj = 0; iproj < proj_count; ++iproj )
{
const lem::UCString & entry_name = word2lemmas[iword][iproj];
lem::UCString i_sfx = GetSuffix( entry_name );
if( sfx2score.find( i_sfx )==sfx2score.end() )
sfx2score.insert( std::make_pair( i_sfx, 0 ) );
}
for( lem::Container::size_type j=0; j<n3_list.size(); ++j )
{
const LEMM_Ngram3 & n3_probe = *n3_list[j];
const int id_suffix3 = n3_probe.tags.third;
const lem::UCString & suffix3 = GetSuffixById(id_suffix3);
std::map<lem::UCString,int>::iterator it2 = sfx2score.find(suffix3);
if( it2!=sfx2score.end() )
it2->second += n3_probe.freq;
}
}
}
if( iword>0 && iword<last_word_index )
{
// iword-1 --> iword <-- iword+1
const lem::UCString & word0 = words[iword-1];
const int id_suffix0 = GetTag( word0 );
const lem::UCString & word2 = words[iword+1];
const int id_suffix2 = GetTag( word2 );
std::pair<int,int> k2( id_suffix0, id_suffix2 );
std::map< std::pair<int,int>, lem::MCollect<const LEMM_Ngram3*>* >::const_iterator it = tag1_2_ngram3.find( k2 );
if( it!=tag1_2_ngram3.end() )
{
const lem::MCollect<const LEMM_Ngram3*> & n3_list = * it->second;
needs_resort=true;
int proj_count = word2lemmas[iword].size();
for( int iproj = 0; iproj < proj_count; ++iproj )
{
const lem::UCString & entry_name = word2lemmas[iword][iproj];
lem::UCString i_sfx = GetSuffix( entry_name );
if( sfx2score.find( i_sfx )==sfx2score.end() )
sfx2score.insert( std::make_pair( i_sfx, 0 ) );
}
for( lem::Container::size_type j=0; j<n3_list.size(); ++j )
{
const LEMM_Ngram3 & n3_probe = *n3_list[j];
const int id_suffix1 = n3_probe.tags.second;
const lem::UCString & suffix1 = GetSuffixById(id_suffix1);
std::map<lem::UCString,int>::iterator it2 = sfx2score.find(suffix1);
if( it2!=sfx2score.end() )
it2->second += n3_probe.freq;
}
}
}
if( iword<last_word_index-1 )
{
// iword <-- iword+1,iword+2
const lem::UCString & word1 = words[iword+1];
const int id_suffix1 = GetTag( word1 );
const lem::UCString & word2 = words[iword+2];
const int id_suffix2 = GetTag( word2 );
std::pair<int,int> k2( id_suffix1, id_suffix2 );
std::map< std::pair<int,int>, lem::MCollect<const LEMM_Ngram3*>* >::const_iterator it = tag2_2_ngram3.find( k2 );
if( it!=tag2_2_ngram3.end() )
{
const lem::MCollect<const LEMM_Ngram3*> & n3_list = * it->second;
needs_resort=true;
int proj_count = word2lemmas[iword].size();
for( int iproj = 0; iproj < proj_count; ++iproj )
{
const lem::UCString & entry_name = word2lemmas[iword][iproj];
lem::UCString i_sfx = GetSuffix( entry_name );
if( sfx2score.find( i_sfx )==sfx2score.end() )
sfx2score.insert( std::make_pair( i_sfx, 0 ) );
}
for( lem::Container::size_type j=0; j<n3_list.size(); ++j )
{
const LEMM_Ngram3 & n3_probe = *n3_list[j];
const int id_suffix0 = n3_probe.tags.first;
const lem::UCString & suffix0 = GetSuffixById(id_suffix0);
std::map<lem::UCString,int>::iterator it2 = sfx2score.find(suffix0);
if( it2!=sfx2score.end() )
it2->second += n3_probe.freq;
}
}
}
if( needs_resort )
{
// теперь надо выбрать самый достоверный вариант.
int best_score = 0;
lem::UCString prev_lemma;
int prev_score = 0;
// теперь перебираем проекции и смотрим, которая из них имеет в нормальной форме выбранный суффикс.
for( lem::Container::size_type iproj = 0; iproj < word2lemmas[iword].size(); ++iproj )
{
const lem::UCString & ename = word2lemmas[iword][iproj];
lem::UCString proj_suffix = GetSuffix( ename );
std::map<lem::UCString,int>::const_iterator it3 = sfx2score.find(proj_suffix);
if( it3!=sfx2score.end() )
{
const int new_score = it3->second;
if( new_score > best_score )
{
prev_score = new_score;
prev_lemma = ename;
}
}
}
// Если текущее слово лемматизировано с меньшей достоверностью, то меняем его.
if( lemma_scores[iword] < prev_score )
{
lemma_scores[iword] = prev_score;
lemmas[iword] = prev_lemma;
lemma_order[iword] = 3;
}
}
}
} // конец триграм
if( !lemma_created && use_2grams )
{
// ======================
// ИСПОЛЬЗУЕМ ДИГРАММЫ
// ======================
// Если текущее слово имеет 1 вариант лемматизации, то можно использовать его для перепроверки предыдущего слова.
if( iword>0 && word2lemmas[iword].size()==1 && word2lemmas[iword-1].size()>1 && lemma_order[iword-1]<2 )
{
// ...... [лемматизируемое_слово] [опорное_слово] .......
const lem::UCString & word2 = words[iword]; // опорное слово
const int id_suffix2 = GetTag( word2 );
std::map<int, lem::MCollect<const LEMM_Ngram2*>* >::const_iterator it = tag1_2_ngram2.find( id_suffix2 );
if( it!=tag1_2_ngram2.end() )
{
const lem::MCollect<const LEMM_Ngram2*> & n2_list = * it->second;
std::map<lem::UCString,int> sfx2score;
int proj_count = word2lemmas[iword - 1].size();
for( int iproj = 0; iproj < proj_count; ++iproj )
{
const lem::UCString & entry_name = word2lemmas[iword-1][iproj]; // вариант лемматизации лемматизируемого слова
lem::UCString i_sfx = GetSuffix( entry_name );
if( sfx2score.find( i_sfx )==sfx2score.end() )
sfx2score.insert( std::make_pair( i_sfx, 0 ) );
}
for( lem::Container::size_type j=0; j<n2_list.size(); ++j )
{
const LEMM_Ngram2 & n2_probe = *n2_list[j];
const int id_suffix1 = n2_probe.tags.first;
const lem::UCString & suffix1 = GetSuffixById(id_suffix1);
std::map<lem::UCString,int>::iterator it2 = sfx2score.find(suffix1);
if( it2!=sfx2score.end() )
it2->second += n2_probe.freq;
}
// теперь надо выбрать самый достоверный вариант.
int best_score = 0;
lem::UCString prev_lemma;
int prev_score = 0;
// теперь перебираем проекции и смотрим, которая из них имеет в нормальной форме выбранный суффикс.
for( lem::Container::size_type iproj = 0; iproj < word2lemmas[iword - 1].size(); ++iproj )
{
const lem::UCString & ename = word2lemmas[iword - 1][iproj];
lem::UCString proj_suffix = GetSuffix( ename );
std::map<lem::UCString,int>::const_iterator it3 = sfx2score.find(proj_suffix);
if( it3!=sfx2score.end() )
{
const int new_score = it3->second;
if( new_score > best_score )
{
prev_score = new_score;
prev_lemma = ename;
}
}
}
// Если предыдущее слово лемматизировано с меньшей достоверностью, то меняем его.
if( lemma_scores[iword-1] < prev_score )
{
lemma_scores[iword-1] = prev_score;
lemmas[iword-1] = prev_lemma;
lemma_order[iword-1] = 2;
}
}
}
else if( word2lemmas[iword].size() > 1 && lemma_order[iword]<2 )
{
bool needs_resort=false;
std::map<lem::UCString,int> sfx2score;
if( iword>0 )
{
// ...... [опорное_слово] [лемматизируемое_слово] .......
const lem::UCString & word1 = words[iword-1];
const int id_suffix1 = GetTag( word1 );
std::map<int, lem::MCollect<const LEMM_Ngram2*>* >::const_iterator it = tag0_2_ngram2.find( id_suffix1 );
if( it!=tag0_2_ngram2.end() )
{
needs_resort=true;
const lem::MCollect<const LEMM_Ngram2*> & n2_list = * it->second;
int proj_count = word2lemmas[iword].size();
for( int iproj = 0; iproj < proj_count; ++iproj )
{
const lem::UCString & entry_name = word2lemmas[iword][iproj];
lem::UCString i_sfx = GetSuffix( entry_name );
if( sfx2score.find( i_sfx )==sfx2score.end() )
sfx2score.insert( std::make_pair( i_sfx, 0 ) );
}
for( lem::Container::size_type j=0; j<n2_list.size(); ++j )
{
const LEMM_Ngram2 & n2_probe = *n2_list[j];
const int id_suffix2 = n2_probe.tags.second;
const lem::UCString & suffix2 = GetSuffixById(id_suffix2);
std::map<lem::UCString,int>::iterator it2 = sfx2score.find(suffix2);
if( it2!=sfx2score.end() )
it2->second += n2_probe.freq;
}
}
}
if( iword<last_word_index )
{
// iword <-- iword+1
const lem::UCString & word2 = words[iword+1];
const int id_suffix2 = GetTag( word2 );
std::map<int, lem::MCollect<const LEMM_Ngram2*>* >::const_iterator it = tag1_2_ngram2.find( id_suffix2 );
if( it!=tag1_2_ngram2.end() )
{
needs_resort=true;
const lem::MCollect<const LEMM_Ngram2*> & n2_list = * it->second;
int proj_count = word2lemmas[iword].size();
for( int iproj = 0; iproj < proj_count; ++iproj )
{
const lem::UCString & entry_name = word2lemmas[iword][iproj];
lem::UCString i_sfx = GetSuffix( entry_name );
if( sfx2score.find( i_sfx )==sfx2score.end() )
sfx2score.insert( std::make_pair( i_sfx, 0 ) );
}
for( lem::Container::size_type j=0; j<n2_list.size(); ++j )
{
const LEMM_Ngram2 & n2_probe = *n2_list[j];
const int id_suffix1 = n2_probe.tags.first;
const lem::UCString & suffix1 = GetSuffixById(id_suffix1);
std::map<lem::UCString,int>::iterator it2 = sfx2score.find(suffix1);
if( it2!=sfx2score.end() )
it2->second += n2_probe.freq;
}
}
}
if( needs_resort )
{
// теперь надо выбрать самый достоверный вариант.
int best_score = 0;
lem::UCString prev_lemma;
int prev_score = 0;
// теперь перебираем проекции и смотрим, которая из них имеет в нормальной форме выбранный суффикс.
for( lem::Container::size_type iproj = 0; iproj < word2lemmas[iword].size(); ++iproj )
{
const lem::UCString & ename = word2lemmas[iword][iproj];
lem::UCString proj_suffix = GetSuffix( ename );
std::map<lem::UCString,int>::const_iterator it3 = sfx2score.find(proj_suffix);
if( it3!=sfx2score.end() )
{
const int new_score = it3->second;
if( new_score > best_score )
{
prev_score = new_score;
prev_lemma = ename;
}
}
}
// Если текущее слово лемматизировано с меньшей достоверностью, то меняем его.
if( lemma_scores[iword] < prev_score )
{
lemma_scores[iword] = prev_score;
lemmas[iword] = prev_lemma;
lemma_order[iword] = 2;
}
}
}
}
}
return;
}
void Lemmatizator::Lemmatize( const lem::UCString &word, lem::MCollect<lem::UCString> &lemmas )
{
lem::UCString res(word);
res.to_upper();
bool rehash=false;
for( int i=0; i<res.length(); ++i )
if( res[i]==0x0401 )
{
res.set( i, 0x0415 );
rehash=true;
}
if( rehash )
res.calc_hash();
// Определяем, в какой группе искать.
const int igroup = (unsigned)res.GetHash16() & (L_NHASHGROUP-1);
const lem::Stream::pos_type pos = group_pos[igroup];
#if defined LEM_THREADS
lem::Process::CritSecLocker lock(&cs);
#endif
// перемещается на начало группы в файле.
bin->seekp(pos);
// перебираем элементы группы в поисках нашей формы.
const int n = bin->read_int();
lem::uint8_t x8[3];
if( char_size==sizeof(wchar_t) )
{
lem::UCString form;
lem::MCollect<int> inorm;
for( int i=0; i<n; ++i )
{
inorm.clear();
lem::Load_Packed( &form, *bin );
lem::uint8_t n8 = bin->read_uint8();
inorm.reserve(n8);
for( lem::uint8_t i8=0; i8<n8; ++i8 )
{
bin->read( x8, 3 );
const int x32 = (0x00ff0000&(x8[0]<<16)) |
(0x0000ff00&(x8[1]<<8)) |
(0x000000ff&x8[2]);
inorm.push_back(x32);
}
if( form==res )
{
// Нашли!!!
for( lem::Container::size_type j=0; j<inorm.size(); ++j )
{
lemmas.push_back( GetLemma(inorm[j]) );
}
return;
}
}
}
else if( char_size==1 )
{
lem::UCString form;
lem::MCollect<int> inorm;
for( int i=0; i<n; ++i )
{
inorm.clear();
LoadEncodedString( &form, *bin, 1 );
lem::uint8_t n8 = bin->read_uint8();
inorm.reserve(n8);
for( lem::uint8_t i8=0; i8<n8; ++i8 )
{
bin->read( x8, 3 );
const int x32 = (0x00ff0000&(x8[0]<<16)) |
(0x0000ff00&(x8[1]<<8)) |
(0x000000ff&x8[2]);
inorm.push_back(x32);
}
if( form==res )
{
// Нашли!!!
for( lem::Container::size_type j=0; j<inorm.size(); ++j )
{
lemmas.push_back( GetLemma(inorm[j]) );
}
return;
}
}
}
else
{
LEM_STOPIT;
}
lemmas.clear();
// Табличной подстановки не нашлось, проверяем замену суффикса.
for( lem::Container::size_type i=0; i<suffices.size(); ++i )
{
if( res.eq_endi( suffices[i].first ) )
{
// Нашли замену суффикса!
UCString lemma = lem::left( res, res.length()-suffices[i].first.length() );
lemma += suffices[i].second;
lemmas.push_back(lemma);
return;
}
}
// Лемматизация не выполнена, возвращаем исходное слово в качестве леммы.
lemmas.push_back(res);
return;
}
void BasicModel::PullFeatures1(
lem::MCollect<lem::CString> & b,
const lem::PtrCollect<ModelTokenFeatures> & token_features,
int ifocus,
int offset,
bool rich_set,
bool emit_Aa_feature
) const
{
int iword = ifocus + offset;
if( iword >= 0 && iword < token_features.size() )
{
const ModelTokenFeatures & f = * token_features[iword];
if( codebook->GetMaxSuffixLen() > 0 )
b.push_back( lem::format_str( "sfx[%d]=%d", offset, f.suffix_id ).c_str() );
if( emit_Aa_feature && f.Aa==true && !f.IsBegin && !f.IsEnd )
b.push_back( lem::format_str( "Aa[%d]=True", offset ).c_str() );
// здесь можно вывести и другие свойства слова.
if( rich_set && EMIT_POS_TAGS )
{
b.push_back( lem::format_str("pos[%d,N]=%s", offset, f.POS_N.c_str() ).c_str() );
b.push_back( lem::format_str("pos[%d,A]=%s", offset, f.POS_A.c_str() ).c_str() );
b.push_back( lem::format_str("pos[%d,V]=%s", offset, f.POS_V.c_str() ).c_str() );
b.push_back( lem::format_str("pos[%d,IMV]=%s", offset, f.POS_IMV.c_str() ).c_str() );
b.push_back( lem::format_str("pos[%d,I]=%s", offset, f.POS_I.c_str() ).c_str() );
b.push_back( lem::format_str("pos[%d,Y]=%s", offset, f.POS_Y.c_str() ).c_str() );
b.push_back( lem::format_str("pos[%d,VY]=%s", offset, f.POS_VY.c_str() ).c_str() );
b.push_back( lem::format_str("pos[%d,PRN]=%s", offset, f.POS_PRN.c_str() ).c_str() );
b.push_back( lem::format_str("pos[%d,PRN2]=%s", offset, f.POS_PRN2.c_str() ).c_str() );
b.push_back( lem::format_str("pos[%d,C]=%s", offset, f.POS_C.c_str() ).c_str() );
b.push_back( lem::format_str("pos[%d,D]=%s", offset, f.POS_D.c_str() ).c_str() );
b.push_back( lem::format_str("pos[%d,P]=%s", offset, f.POS_P.c_str() ).c_str() );
b.push_back( lem::format_str("pos[%d,PX]=%s", offset, f.POS_PX.c_str() ).c_str() );
b.push_back( lem::format_str("pos[%d,PP]=%s", offset, f.POS_PP.c_str() ).c_str() );
b.push_back( lem::format_str("pos[%d,MU]=%s", offset, f.POS_MU.c_str() ).c_str() );
}
if( EMIT_FORMTAGS_FOR_CONTEXT && offset!=0 )
{
for( int k = 0; k < f.allform_tags.size(); ++k )
{
b.push_back( lem::format_str("formtag[%d]=%d", offset, f.allform_tags[k] ).c_str() );
}
}
if( EMIT_SEMANTIC_TAGS )
{
for( int k = 0; k < f.semantic_tags.size(); ++k )
{
b.push_back( lem::format_str("sem[%d]=%s", offset, lem::to_utf8( f.semantic_tags[k] ).c_str() ).c_str() );
}
}
}
return;
}
bool GeneratorLexer::Fetch( const LexerTextPos * current, const TokenExpectation * unused, lem::MCollect<const LexerTextPos*> & next )
{
if( current==NULL )
{
next.push_back( GetBeginToken() );
return true;
}
if( current->IsEnd() )
{
return false;
}
next.clear();
// поищем в кэше уже найденные продолжения.
std::pair<CACHED_EDGES::const_iterator,CACHED_EDGES::const_iterator> p_edges = edges.equal_range(current);
if( p_edges.first!=p_edges.second )
{
for( CACHED_EDGES::const_iterator it=p_edges.first; it!=p_edges.second; ++it )
{
next.push_back( it->second );
}
return true;
}
// Посмотрим, какие токены были перед данным, и какие слова они уже использовали.
lem::MCollect<int> indeces;
CollectUsedWords( current, indeces );
/*
#if LEM_DEBUGGING==1
if( current->GetWordform()->GetName()->eqi(L"ловит") )
{
lem::mout->printf("!\n");
}
#endif
*/
bool token_created=false;
lem::MCollect<const LexerTextPos*> matched_by_literal_ngrams, matched_by_normalized_ngrams, all_next_tokens;
lem::Ptr<Ngrams> ngrams;
lem::UCString prev_lemma;
if( UseNGrams )
ngrams = dict->GetNgrams();
// Теперь неиспользованные ранее слова порождают новые токены.
for( lem::Container::size_type i=0; i<words.size(); ++i )
if( indeces.find(i)==UNKNOWN )
{
// слово не использовалось.
typedef INDEX2WORDFORM::const_iterator IT;
std::pair<IT,IT> p = index2wordform.equal_range( CastSizeToInt(i) );
for( IT it=p.first; it!=p.second; ++it )
{
const Word_Form * wordform = it->second;
const int word_index = current->IsRealWord() ? current->GetWordIndex()+1 : 0;
const int start_pos = current->IsRealWord() ? (current->GetStartPosition()+current->GetWordLength()+1) : 0;
// Нам нужно создать новый вариант этой словоформы.
Word_Form * wf = new Word_Form( *wordform, true );
wf->SetOriginPos( word_index );
wordforms.push_back(wf);
LexerTextPos * new_token = new LexerTextPos( current, wf, 0, start_pos, wf->GetName()->length(), word_index );
positions.push_back(new_token);
all_next_tokens.push_back( new_token );
token2word.insert( std::make_pair(new_token,CastSizeToInt(i)) );
token_created = true;
// Слово сочетается с предыдущим?
if( UseNGrams && current->IsRealWord() )
{
const lem::UCString & prev_word = * current->GetWordform()->GetNormalized();
const lem::UCString & new_word = * new_token->GetWordform()->GetNormalized();
float w2=0;
int iw2=0;
if( ngrams->FindLiteralNGrams( prev_word, new_word, w2, iw2 ) )
{
// TODO: использовать частотность подошедшей N-граммы для взвешивания созданных токенов.
matched_by_literal_ngrams.push_back( new_token );
}
else
{
if( prev_lemma.empty() )
{
const int prev_ekey = current->GetWordform()->GetEntryKey();
const SG_Entry & prev_e = dict->GetSynGram().GetEntry( prev_ekey );
prev_lemma = prev_e.GetName();
}
const int new_ekey = new_token->GetWordform()->GetEntryKey();
const SG_Entry & new_e = dict->GetSynGram().GetEntry( new_ekey );
const lem::UCString & new_lemma = new_e.GetName();
if( ngrams->FindRawNGrams( prev_lemma, new_lemma, w2, iw2 ) )
{
// TODO: использовать частотность подошедшей N-граммы для взвешивания созданных токенов.
matched_by_normalized_ngrams.push_back( new_token );
}
}
}
}
}
if( !matched_by_literal_ngrams.empty() )
{
// найдена по крайней мере одна буквальная 2-грамма, поэтому отбрасываем все неподтвержденные варианты токенов.
next = matched_by_literal_ngrams;
}
else if( !matched_by_normalized_ngrams.empty() )
{
next = matched_by_normalized_ngrams;
}
else
{
next = all_next_tokens;
}
for( lem::Container::size_type i=0; i<next.size(); ++i )
{
edges.insert( std::make_pair(current, const_cast<LexerTextPos*>( next[i] ) ) );
}
/*
#if LEM_DEBUGGING==1
lem::mout->printf( "%60h-\n" );
for( lem::Container::size_type i=0; i<next.size(); ++i )
{
lem::mout->printf( "FETCHED: %us(%p) -> %us(%p)\n", current->GetWordform()->GetName()->c_str(), current, next[i]->GetWordform()->GetName()->c_str(), next[i] );
}
#endif
*/
if( !token_created )
{
// Возвращаем правую границу.
next.push_back( GetEndToken(current) );
return true;
}
return false;
}