This directory contains the following bin -- deliv -- directories containing dictionaries compiled for different OSs dev -- inc -- data to be included into the source files in the src directory scripts -- scripts and other resoures to transform data src -- the dictionary files (split modulo POS) 2011_dict -- directory for the work in progress on the planed dictionary compilation (lists of lemmata without paradigm generation, or with only one form, etc.)
How to check whether words are in the dict:
write:
make -f make-smedict eller (med parameter)
(if the computer complains, ask Ciprian or Börre for help).
in order to check whether a list of words list.txt is in smenob-dict, do this:
cat list.txt | lookup bin/smedict.fst | grep '?'
All words marked with ? are missing in the smenob dictionary.
How to check for doubled entries?
from smenob dir go one up to the dicts dir and call the following script java -Xmx2048m net.sf.saxon.Transform -it main scripts/check_dict_entry.xsl inDir=../smenob/src
Doubled entries are output as twins, for instance, in an output file named "test-results.xml"
alfabehta the current version of the nounCommon file contains a doubled lemma.Some other useful commandos
a. Is a word in fst? cat inc/inc_cabbamus_iditguovssu.txt | usmeNorm | grep '?' | cut -f1 | sort
b. Is a word non-lexicalized? cat inc/inc_cabbamus_iditguovssu.txt | usmeNorm | egrep '+.#.+'
c. Is a word lexicalized? cat inc/inc_cabbamus_iditguovssu.txt | usmeNorm | egrep '#' | egrep -v '+.#.+' | less
Lenes notater:
(1) PrfPrc av copula mangla!! Den har jeg lagt til i det statiske paradigmet, under Prt paradigmet. Er det en ok plass? ok ==> done
(2) iige, inge osv er frekvente. Jeg har nå laget et Neg Foc/ge paradigme med entryer. Her må det legges til eksempler - kanskje en oppgave for Berit M? ==> done
(3) verb Der/n og Der/eapmi mangler Ess. Jeg har lagt til i verb-codes. Vi har bare med Sg, jeg tror at Pl også burde vært lagt til? ==> done
(4) "irreal" som presentasjonstag i dict for potensialis er ikke så høvelig -> "pot" er bedre ==> done (5) "ess" som presentasjonstag i dict for actio essiv er ikke så høvelig -> "aktio ess" er bedre ==> done (6) Mange prop har flere meaninggroup, og det er den første som brukes som oversettelse i miniparadigmet. Det gjør at jeg bør gå gjennom denne fila og endre på rekkefølgen på noen av dem da det mest frekvente bør være med i oversettelsen. Eksempler på dette er Báhccavuotna, Romsa
(7) passiv:
- Presentasjonstag mangler - det må komme fram at det er passivform av lemmaet
- jeg ser nå at det er fare for overgenerering. Kan vi stoppe den i genereringa (f.eks. merke de verbene som skal ha passiv i leksikonet, eller ville vi få et bra resultat ved å generere passive former bare av transitive verb?)? Eksempel på overgenering er "divvojuvvon" som peker på to verb: divvut (ok) og dievvat (ikke ok) ==> done (8) ved å sjekke mot Ávvir, så blir man voldsomt inspirert til å legge til nye lemmaer/former :-) I tillegg til det som er nevnt under punkt 1-3, er det her eksempler på lemmaer som bør legges til:
- geardde, reastaluvvat, álbmotrávdnji, veahkaváldin, suorggahahtti, eastadanbargu, bealis Po ==> done, unntatt álbmotrávdnji and veahkaváldin (veahkaváldi is in VD)
(9) adjektiver: i miniparadigmet skal være med et substantiv (context) for attributtformen, f.eks. fiskes (bivttas). Substantiveet er ikke med i denne versjonen. ==> done (10) numeraler: også her mangler subtantivet, f.eks. guovttit (gápmagat) guvttiid (gápmagiid) ==> done (11) vuovdi vs. vuovdi Actor Her har vuovdi Actor fått riktig bøyningsparadigme, men ikke vuovdi som ikke er Actor. Dette gjelder ogs dikšu, lohkki osv ==> tested: obviously an fst issue which now has beed corrected by Trond and Lene (Takk!) ==> done (12) Informasjon om geografisk område (reg) mangler på stedsnavn. ==> done (13) as reported by Lene, kantuvra-like sub-forms do not show up in the compiled dict ==> done (14) go-spørrepartikel til noe ordformer: Ind, Cond og Pot
(15) add 'å' to the infinitive forms of the Norwegian verbs (ongoing)
(16) adapt scripts to account for the src-attribute in the example groups
(17) improve disjunction instances in smanob: 'han eller hun', xxx/yyy', etc. ==> done in smenob
(18) check the files in the dir no_wordform_during_generation ... by the way, 'tunealla' vs. 'tunnealla' is, again, a case of lsub! ==> done
(19) just to be sure: there are 9 entries in the static files that don't have the vd-flag. why I am mentioning it? it is weird to have entries with big examples but that are not used in vd. Just check whether it is ok so.
s_src>grep '' *.xml | wc -l 9 s_src>grep '' *.xml adverb_smenob.xml: adverb_smenob.xml: adverb_smenob.xml: adverb_smenob.xml: adverb_smenob.xml: adverb_smenob.xml: other_stat_smenob.xml: other_stat_smenob.xml: other_stat_smenob.xml:
==> done adverbs, not other_stat_smenob.
(20) systematic check and content normalizing of te vs. re elements (but not only), such as som nettopp er nevnt vs. som nettopp ble nevnt om oss vs. om oss to (if 'om oss' means 'om oss (mer enn to)' it should be clear, othewise is not consistent with 'om oss to')
(21) systematic check of punctuation in content elements, for instance: ca. 2 år gammel vs. ca 4-10 stk
(22) systematic check of pointers in the static files, e.g., by means of the script check_static_files.xsl for example, in div_statisk_smenob, the lemma "mii nu" points to 6 word forms (out="6") but the pointers from the word forms are not correct (in="0")
(23) prop_smenob.xml skal unifiseres, dvs at oversettelsen av dubletter legges som under lemmaet. Formatet skal endres - jeg foreslår slik
fra <tf pos="phrase">Storbukta (Kvalsund) (SK)</tf> skal endres til
til <t pos="prop" src="sk" type="plc" reg="Kvalsund">Storbukta</t>
pga av scope for src-attributten
(24) nounRevProper_smenob.xml Entryene i skal ha samme format som under (23), dvs at src-attributten flyttes fra til -elementet
(25) prop_smenob.xml og nounRevProper_smenob.xml slås sammen til ei fil, med navnet nounProper_smenob.xml. Dubletter fjernes. I denne fila vil en del av entryene ha usage="vd", men langt fra alle.
(26) nounProperPl_smenob.xml skal også ha samme format som nevnt i (23)
- the dtd do not contain decl="m"/"n" ==> please correct
src>grep '<t ' adjective_smenob.xml | grep 'decl="m"' hykler fullmåne stedfortreder fiendtlig
src>grep '<t ' adjective_smenob.xml | grep 'decl="n"' kaldvær
- there is no context attribute for the elements t/tf ==> to correct
src>grep '<t' adjective_smenob.xml | grep context finansiell rik høflig menneskelig herskesyk
==> done in smenob
- check and correct all te-elements in the whole smenob
src>grep '<te' *.xml | cut -d ':' -f1 | sort | uniq -c | sort -nr 30 nounCommon_smenob.xml 23 pronDem_smenob.xml 5 verb_smenob.xml 1 nounG3_smenob.xml
==> done in smenob
- data that have to get into the src files: inc/candidates/inc_skuvlalemmas.txt
==> done in smenob
Et lite mysterium....
Jeg ble overraska over at dicten kan skanne ordet VEAHKAVÁLDIN skrevet med store bokstaver som to ord. Det er jo ikke ofte at ord er skrevet med store bokstaver, så det gir begrensa effekt for brukeren. Men jeg skjønner ikke hvorfor MacDict ikke da kan skanne SKUVLAVUODJIN som to ord? Ingen stor sak, men et lite mysterium...
FØR NESTE KOMPILERING:
- Sjekke at filene er oppdaterte slik at endringene som er gjort i kildefilene kommer med i ordboksfila, f.eks innføring av NomAct etc.
Action points to get the data on place:
-
put a usage="nds" attribute on all src="fad" entries ==> done
-
unify the files in src by pos (fad_only vs. rest) ==> done
-
name files similarly to other dirs, where the file names are generated automatically ==> done
-
extract all non-vd and non-fad entries into a separate directory ==> done
POS = N, V, A, Adv, Pron, etc. TYPE= Prop, Rel, Pers, Refl, ec. SPECIFIC-FEATURE = NomAg, G3, Pl, etc. SPECIFIC-DESCRIPTION = non-accepted, etc. SRC = source lang such as 'sme' TRG = target language such as 'nob' POS[_TYPE_SPECIFIC-FEATURE_SPECIFIC-DESCRIPTION]_SRCTRG.xml
ex.: N_smenob.xml ==> POS_SRCTRG (common noun as default) N_Prop_smenob.xml ==> POS_TYPE_SRCTRG N_Prop_Pl_smenob.xml ==> POS_TYPE_SPECIFIC-FEATURE_SRCTRG N_Prop_Pl_non-accepted_smenob.xml => POS_TYPE_SPECIFIC-FEATURE_SPECIFIC-DESCRIPTION_SRCTRG
TODO: docu has to be kept in sync (name and attribute changes) techdoc/dicts/dictionarywork.jspwiki techdoc/dicts/checklist.jspwiki
=================================================================== List of possible src value (please, add here new values, if needed)
fad = FAD project nj = Nils Jernsletten's dictionary ==> no longer in use gt = Giellatekno (vs. nj) ==> no longer in use SK = Statens Kartverk SvSt = Saami Parliament in Sweden PS = Pekka Sammallahti's "Sámi-suoma sátnegirji" SA = H.R. Mathisen's "Sámi Atlas" KAL = Kåven et Al 1995 "Samisk-norsk ordbok" SGG = Sámi Giellagáldu (which means also status of approved name) nou94 = ???
==> todo: correct values: SK vs. sk, PS vs. ps
To check:
-
OBS Sirkkis
-
reg="x"
-
src="x"
-
src="GT"
TODO issues as discussed with Lene just now:
- add a src attribute with the value SGG to all l-elements with sme-lang based on the Excel data in smenob/inc dir
- move all proper noun files into a heap dir (with svn mv to keep the log history) just to be sure that we don't lose information
- generate new proper noun files from the geo_smi.xml DB for all smenob
- if there is no nob-translation take whatever is there (apart from other Saami languages)
- generate the corresponding nobsme proper noun files from the geo_smi.xml DB