FAQ: различия между версиями

Материал из OpenCorpora
Перейти к навигации Перейти к поиску
(still alive)
(не показано 16 промежуточных версий этого же участника)
Строка 8: Строка 8:
Список разработчиков есть на [http://opencorpora.org/?page=about этой странице], список участников — на [http://opencorpora.org/?page=stats этой]. Проект не спонсирует никто, мы занимаемся им в свободное время.
Список разработчиков есть на [http://opencorpora.org/?page=about этой странице], список участников — на [http://opencorpora.org/?page=stats этой]. Проект не спонсирует никто, мы занимаемся им в свободное время.
=== Проект ещё жив? ===
=== Проект ещё жив? ===
По состоянию на весну 2013 г. проекту 3,5 года и он вполне жив. В любой момент времени можно убедиться в этом, заглянув в [http://code.google.com/p/opencorpora/source/list список последних изменений в коде] и в [http://opencorpora.org/?page=stats статистику разметки корпуса].
По состоянию на осень 2017 г. проекту около 8 лет и он вполне жив. В любой момент времени можно убедиться в этом, заглянув в [https://github.com/OpenCorpora/opencorpora список последних изменений в коде] и в [http://opencorpora.org/?page=stats статистику разметки корпуса].


=== Как быть в курсе ваших новостей? ===
=== Как быть в курсе ваших новостей? ===
Строка 15: Строка 15:
# [http://vk.com/opencorpora Подписаться на нашу страницу ВКонтакте]
# [http://vk.com/opencorpora Подписаться на нашу страницу ВКонтакте]
=== Есть другие корпуса, чем ваш лучше? ===
=== Есть другие корпуса, чем ваш лучше? ===
Главное — все наши данные доступны под открытой лицензией. Подробно мы описали свою мотивацию в [http://opencorpora.org/doc/articles/2010_IMS.pdf этой статье] и в [http://video.yandex.ru/users/nataxane/view/2/ этом видео].
Главное — все наши данные доступны под открытой лицензией. Подробно мы описали свою мотивацию в [http://opencorpora.org/doc/articles/2010_IMS.pdf этой статье].
 
=== Как искать по корпусу? ===
Через сайт — никак, можно скачать дамп и искать в нём. А вообще наш корпус не очень предназначен для поиска, он скорее для обучения или тестирования лингвистических инструментов.
=== Что означает слово OpenCorpora? ===
=== Что означает слово OpenCorpora? ===
Это перевод словосочетания "открытые корпуса" на английский язык. ''Corpora'' — это множественное число от ''corpus''.
Это перевод словосочетания "открытые корпуса" на английский язык. ''Corpora'' — это множественное число от ''corpus''.
== Данные и их использование ==
== Данные и их использование ==
=== Какие у вас есть данные? ===
=== Какие у вас есть данные? ===
По состоянию на март 2013 г. данные у нас такие:
По состоянию на осень 2017 г. данные у нас такие:
* морфологический словарь русского языка (основанный на словаре проекта АОТ), описание формата [http://opencorpora.org/?page=export здесь];
* морфологический словарь русского языка (основанный на словаре проекта АОТ), описание формата [http://opencorpora.org/?page=export здесь];
* непосредственно корпус с морфологической разметкой, актуальный объём можно посмотреть на [http://opencorpora.org/?page=stats странице статистики];
* непосредственно корпус с морфологической разметкой, актуальный объём можно посмотреть на [http://opencorpora.org/?page=stats странице статистики];
* подкорпус со снятой грамматической неоднозначностью (объём небольшой, но постоянно растёт);
* подкорпуса со снятой грамматической неоднозначностью объёмом до 150 тыс. слов (есть разные версии);
* разные частотные списки слов, составленные по этому корпусу;
* разные частотные списки слов, составленные по этому корпусу;
* списки коллокаций по метрике [http://en.wikipedia.org/wiki/Mutual_information MI].
* списки коллокаций по метрике [http://en.wikipedia.org/wiki/Mutual_information MI].
Строка 30: Строка 34:


=== Какие ещё данные планируются? ===
=== Какие ещё данные планируются? ===
* тексты, размеченные именованными сущностями,
* неразмеченные тексты с метаинформацией,
* неразмеченные тексты с метаинформацией,
* n-граммы с лемматизацией,
* n-граммы с лемматизацией,
* коллокации по другим метрикам, кроме MI.
* коллокации по другим метрикам, кроме MI.
=== Как можно добавить в корпус ещё один или несколько текстов? ===
=== Как можно добавить в корпус ещё один или несколько текстов? ===
В данный момент, к сожалению, процедура добавления текстов очень сложная и не очень интересная, поэтому мы пока приостановили добавление вовсе, а в будущем, вероятно, будем делать это сами. Если ваш текст подходит нам по лицензии, то напишите нам и мы его добавим.
В данный момент, к сожалению, процедура добавления текстов очень сложная и не очень интересная, поэтому мы пока приостановили добавление вовсе, а в будущем, вероятно, будем делать это сами. Если ваш текст подходит нам по лицензии, то напишите нам и мы его добавим.
Строка 42: Строка 48:
=== Я нашёл в данных ошибку. Как мне сделать так, чтобы её исправили? ===
=== Я нашёл в данных ошибку. Как мне сделать так, чтобы её исправили? ===
* если ошибка в том, что у слова не снята неоднозначность, [http://opencorpora.org/tasks.php присоединяйтесь к разметке] и помогите нам это исправить,
* если ошибка в том, что у слова не снята неоднозначность, [http://opencorpora.org/tasks.php присоединяйтесь к разметке] и помогите нам это исправить,
* если это что-то другое, вы можете создать сообщение об ошибке [http://code.google.com/p/opencorpora/issues/list здесь] или [mailto:[email protected] написать нам письмо].
* если это что-то другое, вы можете создать сообщение об ошибке [https://github.com/OpenCorpora/opencorpora/issues здесь] или [mailto:[email protected] написать нам письмо].


== Код и его использование ==
== Код и его использование ==
=== Можно ли использовать ваш движок или его часть в своём проекте? ===
=== Можно ли использовать ваш движок или его часть в своём проекте? ===
Да, наш код находится [http://opencorpora.googlecode.com здесь] и лицензирован под GPLv2.
Да, наш код находится [https://github.com/OpenCorpora/opencorpora здесь] и лицензирован под GPLv2.


Это означает, в том числе, что если вы хотите использовать код в коммерческом проекте или в проекте с закрытым кодом, то мы не гарантируем, что это легально, поскольку некоторые компоненты, которые мы используем, могут быть лицензионно несовместимы с таким использованием. В случае сомнений спросите у нас.
Это означает, в том числе, что если вы хотите использовать код в коммерческом проекте или в проекте с закрытым кодом, то мы не гарантируем, что это легально, поскольку некоторые компоненты, которые мы используем, могут быть лицензионно несовместимы с таким использованием. В случае сомнений спросите у нас.
Строка 55: Строка 61:
В будущем, предположительно, появится какой-то сегментатор более высокого уровня (для деления текста на предложения) и, возможно, POS-tagger. Следите за новостями.
В будущем, предположительно, появится какой-то сегментатор более высокого уровня (для деления текста на предложения) и, возможно, POS-tagger. Следите за новостями.


Кроме того, на основе нашего морфологического словаря делается морфологический анализатор [http://pymorphy2.readthedocs.org/en/latest/ PyMorphy2].
== Рабочий процесс ==
=== Как происходит разметка текста? ===
Поэтапно:
* текст, если он устраивает нас лицензионно, добавляется в базу вместе с метаинформацией (дата публикации, автор и т.п.),
* текст вручную разбивается на предложения и полуавтоматически на токены (довольно подробно мы об этом рассказываем [http://video.yandex.ru/users/nataxane/view/2/ здесь]),
* каждому слову приписываются все возможные разборы из [http://opencorpora.org/dict.php словаря],
* слова группируются в т.н. пулы в соответствии с типом омонимии и предлагаются на разметку сообществу ([http://opencorpora.org/manual.php инструкция]),
* каждое неоднозначное слово размечается таким образом 3-4 разными людьми, при некоторых условиях также проверяется модератором,
* в большинстве случаев омонимия со слова таким образом снимается.
=== На странице статистики есть какой-то % расхождений, что это такое? ===
Возьмём все слова, которые разметил данный участник и для которых получено требуемое количество ответов от разных людей (обычно 3). Теперь выберем из них те случаи, когда хотя бы один ответ в этой тройке отличается от других. Разделим количество вторых на количество первых, это и есть процент расхождений.
Этот показатель очень косвенно ''может'' указывать на точность разметки.
=== А % ошибок? ===
Это процент случаев, когда модератор не согласился с ответом участника. Предполагается, что модератор прав, и именно его ответ в итоге будет в корпусе.
=== Какой смысл собирать 3 ответа с участников, а после этого ещё и ответ модератора? ===
Модераторы проверяют не каждое слово. Хотя если ответы участников не совпадают между собой, к модератору это слово наверняка попадёт.
Мы моделируем это примерно так. Участник может допустить ошибку либо по незнанию, либо случайно (по невнимательности). Поскольку крайне маловероятно, что несколько человек случайно одинаково ошибутся в одном и том же месте, мы показываем каждое слово нескольким участникам, что почти гарантированно защищает от случайных ошибок. Ошибки "по незнанию" случаются в сложных случаях, и эти случаи мы стараемся показывать модератору независимо от наличия разногласий.
В целом, естественно, мы стараемся достичь наибольшей эффективности без потери качества.
=== Но ведь модератор тоже может ошибиться? ===
Несомненно, может. В будущем мы попробуем сделать инструмент для обнаружения "подозрительных" мест в размеченном корпусе. Можете нам помочь, если хотите.
=== Судя по статистике, у меня много ошибок, это плохо? ===
Это не смертельно, потому что каждое слово размечает несколько человек. Но всё же мы просим вас читать инструкции, потому что там могут быть неочевидные случаи, в частности, не согласующиеся со школьными учебниками.
=== Как посмотреть свои ошибки? ===
Зайти на страницу "Мои успехи" (в раскрывающемся меню справа сверху), там максимально полная статистика, в том числе ссылки на ошибки (они на розовом фоне).
=== Что будет, когда мы разметим таким образом все слова? ===
Будем размечать синтаксические отношения. Или значения слов. Или особенные сущности (ФИО, географию и т.д.). Или всё вместе. Что-нибудь точно будет.
== Разное ==
== Разное ==
=== На сайте что-то не работает или работает странно ===
=== На сайте что-то не работает или работает странно ===
Напишите нам, пожалуйста, об этом [http://code.google.com/p/opencorpora/issues/list сюда].
Напишите нам, пожалуйста, об этом [https://github.com/OpenCorpora/opencorpora/issues сюда].
=== Что делать, если я не могу авторизоваться (залогиниться)? ===
* Если вы забыли пароль или пароль не подходит - воспользуйтесь кнопкой [http://opencorpora.org/login.php?act=lost_pwd "Забыли пароль?"]
* Если вы заходили через соцсеть, но забыли, через какую именно:
** а) попытайтесь войти через какую-нибудь; если вам будет показан экран с предложением согласиться с нашей лицензией - значит, раньше вы заходили через другую соцсеть
** б) напишите нам, мы посмотрим в базе
* Если вход через соцсеть не работает - напишите нам.
=== Что делать, если я случайно создал больше одного аккаунта? ===
Напишите нам на ''opencorpora (at) opencorpora.org'', мы их склеим.


== Как помочь ==
== Как помочь ==
=== Я программист, как вам помочь? ===
=== Я программист, как вам помочь? ===
У нас про это есть [[Задачи для разработчиков|целая страница]]. Если там не нашлось ничего подходящего — напишите нам.
[https://github.com/OpenCorpora/opencorpora/issues?state=open Выбирайте]! Если там не нашлось ничего подходящего — напишите нам.
 
Слепок базы данных регулярно выкладывается [http://opencorpora.org/files/export/database/database-dev.sql.gz здесь].


=== Я не программист, как вам помочь? ===
=== Я не программист, как вам помочь? ===
# Примите участие в разметке корпуса ([http://opencorpora.org/manual.php инструкция]).
# Примите участие в разметке корпуса ([http://opencorpora.org/manual.php инструкция]).
# В [[Задачи для разработчиков|этом списке]] есть некоторые задачи, для которых не нужно уметь программировать.
# В [https://github.com/OpenCorpora/opencorpora/issues?state=open этом списке] есть некоторые задачи, для которых не нужно уметь программировать.
# Расскажите о нас тем, кому это может быть интересно. Подпишитесь на [http://twitter.com/opencorpora наш твиттер] и делайте ретвиты.
# Расскажите о нас тем, кому это может быть интересно. Подпишитесь на [http://twitter.com/opencorpora наш твиттер] и делайте ретвиты.
# Если вы знаете источник текстов под открытой лицензией (чей-то блог, новостной сайт или ещё что-нибудь), запишите его [http://goo.gl/jm3ol сюда].
# Если вы знаете источник текстов под открытой лицензией (чей-то блог, новостной сайт или ещё что-нибудь), запишите его [http://goo.gl/jm3ol сюда].

Версия от 14:56, 23 ноября 2017

Общие вопросы

В чём суть проекта?

Если в двух словах, то мы собираем большую базу данных, состоящую из текстов на русском языке и разнообразной информации, добавленной к текстам и отдельным словам. Такая база называется корпусом. Это нужно для создания, во-первых, инструментов анализа текста, во-вторых, разных производных продуктов и технологий. См. Компьютерная лингвистика, о проекте.

Всё, что мы делаем в рамках OpenCorpora, распространяется бесплатно и под свободными лицензиями. Это принципиальная позиция и так будет всегда.

Кто участники проекта? Кто его спонсирует?

Список разработчиков есть на этой странице, список участников — на этой. Проект не спонсирует никто, мы занимаемся им в свободное время.

Проект ещё жив?

По состоянию на осень 2017 г. проекту около 8 лет и он вполне жив. В любой момент времени можно убедиться в этом, заглянув в список последних изменений в коде и в статистику разметки корпуса.

Как быть в курсе ваших новостей?

  1. Подписаться на рассылку
  2. Зафолловить нас в Твиттере
  3. Подписаться на нашу страницу ВКонтакте

Есть другие корпуса, чем ваш лучше?

Главное — все наши данные доступны под открытой лицензией. Подробно мы описали свою мотивацию в этой статье.

Как искать по корпусу?

Через сайт — никак, можно скачать дамп и искать в нём. А вообще наш корпус не очень предназначен для поиска, он скорее для обучения или тестирования лингвистических инструментов.

Что означает слово OpenCorpora?

Это перевод словосочетания "открытые корпуса" на английский язык. Corpora — это множественное число от corpus.

Данные и их использование

Какие у вас есть данные?

По состоянию на осень 2017 г. данные у нас такие:

  • морфологический словарь русского языка (основанный на словаре проекта АОТ), описание формата здесь;
  • непосредственно корпус с морфологической разметкой, актуальный объём можно посмотреть на странице статистики;
  • подкорпуса со снятой грамматической неоднозначностью объёмом до 150 тыс. слов (есть разные версии);
  • разные частотные списки слов, составленные по этому корпусу;
  • списки коллокаций по метрике MI.

Всё это можно взять на странице Downloads.

Какие ещё данные планируются?

  • тексты, размеченные именованными сущностями,
  • неразмеченные тексты с метаинформацией,
  • n-граммы с лемматизацией,
  • коллокации по другим метрикам, кроме MI.

Как можно добавить в корпус ещё один или несколько текстов?

В данный момент, к сожалению, процедура добавления текстов очень сложная и не очень интересная, поэтому мы пока приостановили добавление вовсе, а в будущем, вероятно, будем делать это сами. Если ваш текст подходит нам по лицензии, то напишите нам и мы его добавим.

На каких условиях я могу использовать ваши данные?

На условиях лицензии Creative Commons Attribution-ShareAlike 3.0. То есть бесплатно, но при создании чего-либо на основе этих данных вы обязаны указать, что эти данные взяли у нас, а распространять их дальше можно только на этих же условиях.

Кстати, если вы будете использовать наши данные, напишите нам об этом, нам будет приятно.

Я нашёл в данных ошибку. Как мне сделать так, чтобы её исправили?

Код и его использование

Можно ли использовать ваш движок или его часть в своём проекте?

Да, наш код находится здесь и лицензирован под GPLv2.

Это означает, в том числе, что если вы хотите использовать код в коммерческом проекте или в проекте с закрытым кодом, то мы не гарантируем, что это легально, поскольку некоторые компоненты, которые мы используем, могут быть лицензионно несовместимы с таким использованием. В случае сомнений спросите у нас.

Вы делаете какой-то сопутствующий софт, кроме непосредственно корпуса?

Да, у нас сейчас есть модуль токенизации, написанный на Perl.

В будущем, предположительно, появится какой-то сегментатор более высокого уровня (для деления текста на предложения) и, возможно, POS-tagger. Следите за новостями.

Кроме того, на основе нашего морфологического словаря делается морфологический анализатор PyMorphy2.

Рабочий процесс

Как происходит разметка текста?

Поэтапно:

  • текст, если он устраивает нас лицензионно, добавляется в базу вместе с метаинформацией (дата публикации, автор и т.п.),
  • текст вручную разбивается на предложения и полуавтоматически на токены (довольно подробно мы об этом рассказываем здесь),
  • каждому слову приписываются все возможные разборы из словаря,
  • слова группируются в т.н. пулы в соответствии с типом омонимии и предлагаются на разметку сообществу (инструкция),
  • каждое неоднозначное слово размечается таким образом 3-4 разными людьми, при некоторых условиях также проверяется модератором,
  • в большинстве случаев омонимия со слова таким образом снимается.

На странице статистики есть какой-то % расхождений, что это такое?

Возьмём все слова, которые разметил данный участник и для которых получено требуемое количество ответов от разных людей (обычно 3). Теперь выберем из них те случаи, когда хотя бы один ответ в этой тройке отличается от других. Разделим количество вторых на количество первых, это и есть процент расхождений.

Этот показатель очень косвенно может указывать на точность разметки.

А % ошибок?

Это процент случаев, когда модератор не согласился с ответом участника. Предполагается, что модератор прав, и именно его ответ в итоге будет в корпусе.

Какой смысл собирать 3 ответа с участников, а после этого ещё и ответ модератора?

Модераторы проверяют не каждое слово. Хотя если ответы участников не совпадают между собой, к модератору это слово наверняка попадёт.

Мы моделируем это примерно так. Участник может допустить ошибку либо по незнанию, либо случайно (по невнимательности). Поскольку крайне маловероятно, что несколько человек случайно одинаково ошибутся в одном и том же месте, мы показываем каждое слово нескольким участникам, что почти гарантированно защищает от случайных ошибок. Ошибки "по незнанию" случаются в сложных случаях, и эти случаи мы стараемся показывать модератору независимо от наличия разногласий.

В целом, естественно, мы стараемся достичь наибольшей эффективности без потери качества.

Но ведь модератор тоже может ошибиться?

Несомненно, может. В будущем мы попробуем сделать инструмент для обнаружения "подозрительных" мест в размеченном корпусе. Можете нам помочь, если хотите.

Судя по статистике, у меня много ошибок, это плохо?

Это не смертельно, потому что каждое слово размечает несколько человек. Но всё же мы просим вас читать инструкции, потому что там могут быть неочевидные случаи, в частности, не согласующиеся со школьными учебниками.

Как посмотреть свои ошибки?

Зайти на страницу "Мои успехи" (в раскрывающемся меню справа сверху), там максимально полная статистика, в том числе ссылки на ошибки (они на розовом фоне).

Что будет, когда мы разметим таким образом все слова?

Будем размечать синтаксические отношения. Или значения слов. Или особенные сущности (ФИО, географию и т.д.). Или всё вместе. Что-нибудь точно будет.

Разное

На сайте что-то не работает или работает странно

Напишите нам, пожалуйста, об этом сюда.

Что делать, если я не могу авторизоваться (залогиниться)?

  • Если вы забыли пароль или пароль не подходит - воспользуйтесь кнопкой "Забыли пароль?"
  • Если вы заходили через соцсеть, но забыли, через какую именно:
    • а) попытайтесь войти через какую-нибудь; если вам будет показан экран с предложением согласиться с нашей лицензией - значит, раньше вы заходили через другую соцсеть
    • б) напишите нам, мы посмотрим в базе
  • Если вход через соцсеть не работает - напишите нам.

Что делать, если я случайно создал больше одного аккаунта?

Напишите нам на opencorpora (at) opencorpora.org, мы их склеим.

Как помочь

Я программист, как вам помочь?

Выбирайте! Если там не нашлось ничего подходящего — напишите нам.

Слепок базы данных регулярно выкладывается здесь.

Я не программист, как вам помочь?

  1. Примите участие в разметке корпуса (инструкция).
  2. В этом списке есть некоторые задачи, для которых не нужно уметь программировать.
  3. Расскажите о нас тем, кому это может быть интересно. Подпишитесь на наш твиттер и делайте ретвиты.
  4. Если вы знаете источник текстов под открытой лицензией (чей-то блог, новостной сайт или ещё что-нибудь), запишите его сюда.
  5. Придумайте, что можно было бы добавить в проект или улучшить, и расскажите нам.
  6. Если вы хорошо знаете русский язык (и особенно если вы лингвист), помогите нам с модерацией разметки (пишите).
  7. Если вы умеете рисовать, нарисуйте нам хороший логотип :)
  8. Если всё это не подходит, напишите нам и мы что-нибудь придумаем.

У меня остались вопросы

Можно написать нам на [email protected], мы будем рады и обязательно вам ответим.