Add Slovak language tools implementation (#4943)

* Add correct stopwords for Slovak language

* Add SNK Tags

* Disable formatting lint for TAGS

* Add example sentences for Slovak language

* Add slovak numerals in base form

* Add lex_attrs to sk init

* Add contributor agreement
This commit is contained in:
Filip Bednárik 2020-02-03 13:03:59 +01:00 committed by GitHub
parent 9fa9d7f2cb
commit d4f4060bf3
No known key found for this signature in database
GPG Key ID: 4AEE18F83AFDEB23
6 changed files with 1897 additions and 33 deletions

106
.github/contributors/drndos.md vendored Normal file
View File

@ -0,0 +1,106 @@
# spaCy contributor agreement
This spaCy Contributor Agreement (**"SCA"**) is based on the
[Oracle Contributor Agreement](http://www.oracle.com/technetwork/oca-405177.pdf).
The SCA applies to any contribution that you make to any product or project
managed by us (the **"project"**), and sets out the intellectual property rights
you grant to us in the contributed materials. The term **"us"** shall mean
[ExplosionAI GmbH](https://explosion.ai/legal). The term
**"you"** shall mean the person or entity identified below.
If you agree to be bound by these terms, fill in the information requested
below and include the filled-in version with your first pull request, under the
folder [`.github/contributors/`](/.github/contributors/). The name of the file
should be your GitHub username, with the extension `.md`. For example, the user
example_user would create the file `.github/contributors/example_user.md`.
Read this agreement carefully before signing. These terms and conditions
constitute a binding legal agreement.
## Contributor Agreement
1. The term "contribution" or "contributed materials" means any source code,
object code, patch, tool, sample, graphic, specification, manual,
documentation, or any other material posted or submitted by you to the project.
2. With respect to any worldwide copyrights, or copyright applications and
registrations, in your contribution:
* you hereby assign to us joint ownership, and to the extent that such
assignment is or becomes invalid, ineffective or unenforceable, you hereby
grant to us a perpetual, irrevocable, non-exclusive, worldwide, no-charge,
royalty-free, unrestricted license to exercise all rights under those
copyrights. This includes, at our option, the right to sublicense these same
rights to third parties through multiple levels of sublicensees or other
licensing arrangements;
* you agree that each of us can do all things in relation to your
contribution as if each of us were the sole owners, and if one of us makes
a derivative work of your contribution, the one who makes the derivative
work (or has it made will be the sole owner of that derivative work;
* you agree that you will not assert any moral rights in your contribution
against us, our licensees or transferees;
* you agree that we may register a copyright in your contribution and
exercise all ownership rights associated with it; and
* you agree that neither of us has any duty to consult with, obtain the
consent of, pay or render an accounting to the other for any use or
distribution of your contribution.
3. With respect to any patents you own, or that you can license without payment
to any third party, you hereby grant to us a perpetual, irrevocable,
non-exclusive, worldwide, no-charge, royalty-free license to:
* make, have made, use, sell, offer to sell, import, and otherwise transfer
your contribution in whole or in part, alone or in combination with or
included in any product, work or materials arising out of the project to
which your contribution was submitted, and
* at our option, to sublicense these same rights to third parties through
multiple levels of sublicensees or other licensing arrangements.
4. Except as set out above, you keep all right, title, and interest in your
contribution. The rights that you grant to us under these terms are effective
on the date you first submitted a contribution to us, even if your submission
took place before the date you sign these terms.
5. You covenant, represent, warrant and agree that:
* Each contribution that you submit is and shall be an original work of
authorship and you can legally grant the rights set out in this SCA;
* to the best of your knowledge, each contribution will not violate any
third party's copyrights, trademarks, patents, or other intellectual
property rights; and
* each contribution shall be in compliance with U.S. export control laws and
other applicable export and import laws. You agree to notify us if you
become aware of any circumstance which would make any of the foregoing
representations inaccurate in any respect. We may publicly disclose your
participation in the project, including the fact that you have signed the SCA.
6. This SCA is governed by the laws of the State of California and applicable
U.S. Federal law. Any choice of law rules will not apply.
7. Please place an “x” on one of the applicable statement below. Please do NOT
mark both statements:
* [ ] I am signing on behalf of myself as an individual and no other person
or entity, including my employer, has or will have rights with respect to my
contributions.
* [x] I am signing on behalf of my employer or a legal entity and I have the
actual authority to contractually bind that entity.
## Contributor Details
| Field | Entry |
|------------------------------- | -------------------- |
| Name | Filip Bednárik |
| Company name (if applicable) | Ardevop, s. r. o. |
| Title or role (if applicable) | IT Consultant |
| Date | 2020-01-26 |
| GitHub username | drndos |
| Website (optional) | https://ardevop.sk |

View File

@ -2,13 +2,18 @@
from __future__ import unicode_literals from __future__ import unicode_literals
from .stop_words import STOP_WORDS from .stop_words import STOP_WORDS
from .tag_map import TAG_MAP
from .lex_attrs import LEX_ATTRS
from ...language import Language from ...language import Language
from ...attrs import LANG from ...attrs import LANG
class SlovakDefaults(Language.Defaults): class SlovakDefaults(Language.Defaults):
lex_attr_getters = dict(Language.Defaults.lex_attr_getters) lex_attr_getters = dict(Language.Defaults.lex_attr_getters)
lex_attr_getters.update(LEX_ATTRS)
lex_attr_getters[LANG] = lambda text: "sk" lex_attr_getters[LANG] = lambda text: "sk"
tag_map = TAG_MAP
stop_words = STOP_WORDS stop_words = STOP_WORDS

27
spacy/lang/sk/examples.py Normal file
View File

@ -0,0 +1,27 @@
# coding: utf8
from __future__ import unicode_literals
"""
Example sentences to test spaCy and its language models.
>>> from spacy.lang.sk.examples import sentences
>>> docs = nlp.pipe(sentences)
"""
sentences = [
"Ardevop, s.r.o. je malá startup firma na území SR.",
"Samojazdiace autá presúvajú poistnú zodpovednosť na výrobcov automobilov.",
"Košice sú na východe.",
"Bratislava je hlavné mesto Slovenskej republiky.",
"Kde si?",
"Kto je prezidentom Francúzska?",
"Aké je hlavné mesto Slovenska?",
"Kedy sa narodil Andrej Kiska?",
"Včera som dostal 100€ na ruku.",
"Dnes je nedeľa 26.1.2020.",
"Narodil sa 15.4.1998 v Ružomberku.",
"Niekto mi povedal, že 500 eur je veľa peňazí.",
"Podaj mi ruku!",
]

View File

@ -0,0 +1,62 @@
# coding: utf8
from __future__ import unicode_literals
from ...attrs import LIKE_NUM
_num_words = [
"nula",
"jeden",
"dva",
"tri",
"štyri",
"päť",
"šesť",
"sedem",
"osem",
"deväť",
"desať",
"jedenásť",
"dvanásť",
"trinásť",
"štrnásť",
"pätnásť",
"šestnásť",
"sedemnásť",
"osemnásť",
"devätnásť",
"dvadsať",
"tridsať",
"štyridsať",
"päťdesiat",
"šesťdesiat",
"sedemdesiat",
"osemdesiat",
"deväťdesiat",
"sto",
"tisíc",
"milión",
"miliarda",
"bilión",
"biliarda",
"trilión",
"triliarda",
"kvadrilión",
]
def like_num(text):
if text.startswith(("+", "-", "±", "~")):
text = text[1:]
text = text.replace(",", "").replace(".", "")
if text.isdigit():
return True
if text.count("/") == 1:
num, denom = text.split("/")
if num.isdigit() and denom.isdigit():
return True
if text.lower() in _num_words:
return True
return False
LEX_ATTRS = {LIKE_NUM: like_num}

View File

@ -2,7 +2,7 @@
from __future__ import unicode_literals from __future__ import unicode_literals
# Source: https://github.com/stopwords-iso/stopwords-sk # Source: https://github.com/Ardevop-sk/stopwords-sk
STOP_WORDS = set( STOP_WORDS = set(
""" """
@ -10,17 +10,41 @@ a
aby aby
aj aj
ak ak
akej
akejže
ako ako
akom
akomže
akou
akouže
akože
aká
akáže
aké
akého
akéhože
akému
akémuže
akéže
akú
akúže
aký aký
akých
akýchže
akým
akými
akýmiže
akýmže
akýže
ale ale
alebo alebo
and
ani ani
asi asi
avšak avšak
ba ba
bez bez
bezo
bol bol
bola bola
boli boli
@ -31,23 +55,32 @@ budeme
budete budete
budeš budeš
budú budú
buï
buď buď
by by
byť byť
cez cez
cezo
dnes dnes
do do
ešte ešte
for
ho ho
hoci hoci
i i
iba iba
ich ich
im im
inej
inom
iná
iné iné
iného
inému
iní
inú
iný iný
iných
iným
inými
ja ja
je je
jeho jeho
@ -56,80 +89,185 @@ jemu
ju ju
k k
kam kam
kamže
každou
každá každá
každé každé
každého
každému
každí každí
každú
každý každý
každých
každým
každými
kde kde
kedže kej
keï kejže
keď keď
keďže
kie
kieho
kiehože
kiemu
kiemuže
kieže
koho
kom
komu
kou
kouže
kto kto
ktorej
ktorou ktorou
ktorá ktorá
ktoré ktoré
ktorí ktorí
ktorú
ktorý ktorý
ktorých
ktorým
ktorými
ku ku
káže
kéže
kúže
kýho
kýhože
kým
kýmu
kýmuže
kýže
lebo lebo
leda
ledaže
len len
ma ma
majú
mal
mala
mali
mať mať
medzi medzi
menej
mi mi
mna
mne mne
mnou mnou
moja moja
moje moje
mojej
mojich
mojim
mojimi
mojou
moju
možno
mu mu
musia
musieť musieť
musí
musím
musíme
musíte
musíš
my my
mám
máme
máte máte
mòa máš
môcť môcť
môj môj
môjho
môže môže
môžem
môžeme
môžete
môžeš
môžu
mňa
na na
nad nad
nado
najmä
nami nami
naša
naše
našej
naši naši
našich
našim
našimi
našou
ne
nech nech
neho neho
nej nej
nejakej
nejakom
nejakou
nejaká
nejaké
nejakého
nejakému
nejakú
nejaký
nejakých
nejakým
nejakými
nemu nemu
než než
nich nich
nie nie
niektorej
niektorom
niektorou
niektorá
niektoré
niektorého
niektorému
niektorú
niektorý niektorý
niektorých
niektorým
niektorými
nielen nielen
niečo
nim nim
nimi
nič nič
ničoho
ničom
ničomu
ničím
no no
nová
nové
noví
nový
nám nám
nás nás
náš náš
nášho
ním ním
o o
od od
odo odo
of
on on
ona ona
oni oni
ono ono
ony ony
oňho
po po
pod pod
podo
podľa podľa
pokiaľ pokiaľ
popod
popri
potom potom
poza
pre pre
pred pred
predo predo
@ -137,42 +275,56 @@ preto
pretože pretože
prečo prečo
pri pri
prvá
prvé
prví
prvý
práve práve
pýta
s s
sa sa
seba seba
sebe
sebou
sem sem
si si
sme sme
so so
som som
späť
ste ste
svoj svoj
svoja
svoje svoje
svojho
svojich svojich
svojim
svojimi
svojou
svoju
svojím svojím
svojími
ta ta
tak tak
takej
takejto
taká
takáto
také
takého
takéhoto
takému
takémuto
takéto
takí
takú
takúto
taký taký
takýto
takže takže
tam tam
te
teba teba
tebe tebe
tebou tebou
teda teda
tej tej
tejto
ten ten
tento tento
the
ti ti
tie tie
tieto tieto
@ -180,52 +332,97 @@ tiež
to to
toho toho
tohoto tohoto
tohto
tom tom
tomto tomto
tomu tomu
tomuto tomuto
toto toto
tou tou
touto
tu tu
tvoj tvoj
tvojími tvoja
tvoje
tvojej
tvojho
tvoji
tvojich
tvojim
tvojimi
tvojím
ty ty
táto táto
títo
túto túto
tých
tým tým
tými
týmto týmto
u
v v
vami vami
vaša
vaše vaše
veï vašej
vaši
vašich
vašim
vaším
veď
viac viac
vo vo
vy vy
vám vám
vás vás
váš váš
vášho
však však
všetci
všetka
všetko
všetky
všetok všetok
z z
za za
začo
začože
zo zo
a
áno áno
èi čej
èo
èí
òom
òou
òu
či či
čia
čie
čieho
čiemu
čiu
čo čo
čoho
čom
čomu
čou
čože
čí
čím
čími
ďalšia ďalšia
ďalšie ďalšie
ďalšieho
ďalšiemu
ďalšiu
ďalšom
ďalšou
ďalší ďalší
ďalších
ďalším
ďalšími
ňom
ňou
ňu
že že
""".split() """.split()
) )

1467
spacy/lang/sk/tag_map.py Normal file

File diff suppressed because it is too large Load Diff