morph_generation.py
19.5 KB
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
import morfeusz2
morfeusz = morfeusz2.Morfeusz(generate=True, analyse=False, expand_tags=True)
LEMMA_KILL_LIST = {
'oko:s1', 'ucho:s1', # ~a
'łeb:s2', 'powód:s2', # ~owie
'lew:s1', # ~owi
'paragraf:s1', 'sen:s2', 'lot:s2', 'lód:s2', # ~a
'bat:s2', 'żywot:s2', # ~u
# fikać kozły, spuszczać basałyki
'kozioł:s3', 'basałyk:s1', # ~ów
# ciągnąć druta, fiknąć kozła/koziołka, puścić kura, spiąć muła, popuścić pasa, zapuścić żurawia
'drut:s1', 'drut:s2', 'kozioł:s1', 'koziołek:s1', 'kur:s1', 'muł:s1', 'pas:s2', 'pas:s3', 'żuraw:s2', # ~-
# m1:
'as:s2', 'baba:s2', 'biegun:s2', 'bzik:s2', 'fioł:s1', 'jeleń:s2', 'kułak:s1', 'lamus:s2', 'lis:s2', 'nurek:s1', 'osioł:s2', 'orzeł:s2',
'szach:s2', 'admirał:s2', 'bęben:s2', 'głup:s2', 'kasztan:s2', 'król:s1', 'kurek:s2', 'młot:s2', 'pajac:s1', 'pion:s2',
# m2:
'płaz:s2', 'szatan:s1',
'Abraham:s2', 'Abraham:s3', 'Grek:s2', 'Grek:s3', 'Kajfasz:s2', 'Kajfasz:s3', 'Marek:s2', 'Polak:s3', 'Polska:s2',
'Wisła:s2', 'Wisła:s3', 'Zawisza:s2', # nazwiska (w tym żeńskie)
'Marcin:s2', # człon nazwy geogr.
'galop:s2', # chor.
'profit:s2', # karc.
'jeż:s2', 'kaduk:s1', 'smok:s2', 'ślimak:s2', # m3
'kapitan:s3', # f
'pewny:a2', # :a1: only ‘pewny’
'dziób:s2', # żegl.
'mat:s3', 'mat:s1', # mors., matowy
'as:s3', 'as:s4', # hist., muz.
'przenosić:v2',
'kasztan:s4',
'stać:v4', # perf
'wpaść:v2', # wpasie
'należeć:v2', # perf (należał się w łóżku)
}
FORM_KILL_LIST = (
('amen', 'amen:s', 'subst:sg:nom:n:ncol', ['nazwa_pospolita'], []), # m3
('amen', 'amen:s', 'subst:sg:acc:n:ncol', ['nazwa_pospolita'], []),
('Amora', 'Amor', 'subst:sg:gen:m2', ['imię'], ['mit.']), # m1
('aniołków', 'aniołek', 'subst:pl:gen:m1', ['nazwa_pospolita'], []), # m2
('aniołów', 'anioł', 'subst:pl:gen:m2', ['nazwa_pospolita'], []), # m1
('awansy', 'awans', 'subst:pl:acc:m3', ['nazwa_pospolita'], []), # awanse
('bambusa', 'bambus:s1', 'subst:sg:acc:m2', ['nazwa_pospolita'], []), # w bambus
('blues', 'blues', 'subst:sg:acc:m3', ['nazwa_pospolita'], []), # bluesa
('bogowi', 'bóg', 'subst:sg:dat:m1', ['nazwa_pospolita'], []), # bogu
('burak', 'burak:s1', 'subst:sg:nom:m2', ['nazwa_pospolita'], ['bot.']), # m3
('całuski', 'całusek', 'subst:pl:acc:m2', ['nazwa_pospolita'], []), # m3
('całusków', 'całusek', 'subst:pl:gen:m2', ['nazwa_pospolita'], []), # m3
('chujów', 'chuj:s1', 'subst:pl:acc:m1', ['nazwa_pospolita'], ['wulg.']), # obciągać chuje
('cudy', 'cud', 'subst:pl:acc:m3', ['nazwa_pospolita'], []), # wyczyniać cuda
('czartem', 'czart', 'subst:sg:inst:m2', ['nazwa_pospolita'], []), # m1
('czole', 'czoło:s2', 'subst:sg:loc:n:ncol', ['nazwa_pospolita'], []), # postawić na czele
('czort', 'czort', 'subst:sg:nom:m2', ['nazwa_pospolita'], ['pot.']), # m1
('diabeł', 'diabeł', 'subst:sg:nom:m2', ['nazwa_pospolita'], []), # m1
('diabła', 'diabeł', 'subst:sg:acc:m2', ['nazwa_pospolita'], []), # m1
('diabła', 'diabeł', 'subst:sg:gen:m2', ['nazwa_pospolita'], []), # m1
('diabłami', 'diabeł', 'subst:pl:inst:m2', ['nazwa_pospolita'], []), # m1
('diabłem', 'diabeł', 'subst:sg:inst:m2', ['nazwa_pospolita'], []), # m1
('diabłu', 'diabeł', 'subst:sg:dat:m2', ['nazwa_pospolita'], []), # m1
('diabłów', 'diabeł', 'subst:pl:acc:m1', ['nazwa_pospolita'], []), # w diabły
('diabłów', 'diabeł', 'subst:pl:gen:m2', ['nazwa_pospolita'], []), # m1
('diabły', 'diabeł', 'subst:pl:nom:m2', ['nazwa_pospolita'], []), # diabli wiedzą
('drapak', 'drapak:s1', 'subst:sg:acc:m3', ['nazwa_pospolita'], []), # dać drapaka
('dwu', 'dwa', 'num:pl:loc:f:congr:ncol', [], []), # dwóch
('dwu', 'dwa', 'num:pl:acc:m1:rec:ncol', [], []),
('dwu', 'dwa', 'num:pl:loc:m1:rec:ncol', [], []),
('dwu', 'dwa', 'num:pl:inst:m3:congr:ncol', [], []),
('dwu', 'dwa', 'num:pl:loc:m3:congr:ncol', [], []),
('dwu', 'dwa', 'num:pl:loc:n:congr:ncol', [], []),
('dzióba', 'dziób:s1', 'subst:sg:gen:m3', ['nazwa_pospolita'], []), # dzioba
('dzióbach', 'dziób:s1', 'subst:pl:loc:m3', ['nazwa_pospolita'], []), # dziobach
('dzióbem', 'dziób:s1', 'subst:sg:inst:m3', ['nazwa_pospolita'], []), # dziobem
('figiel', 'figiel', 'subst:sg:acc:m3', ['nazwa_pospolita'], []), # figla
('garba', 'garb', 'subst:sg:acc:m2', ['nazwa_pospolita'], []), # wziąć sobie garb na plecy
('gąsiora', 'gąsior:s2', 'subst:sg:acc:m2', ['nazwa_pospolita'], []), # osuszać gąsior
('głąba', 'głąb:s1', 'subst:sg:acc:m2', ['nazwa_pospolita'], []), # uciec w głąb
('grzybki', 'grzybek', 'subst:pl:acc:m2', ['nazwa_pospolita'], []), # m3
('grzyby', 'grzyb:s1', 'subst:pl:nom:m2', ['nazwa_pospolita'], ['mikol.']), # m3
('guz', 'guz', 'subst:sg:acc:m3', ['nazwa_pospolita'], []), # guza
('guza', 'guz', 'subst:sg:gen:m2', ['nazwa_pospolita'], []), # m3
('kaduk', 'kaduk:s2', 'subst:sg:nom:m2', ['nazwa_pospolita'], ['przest.']), # m1
('kopniak', 'kopniak', 'subst:sg:acc:m3', ['nazwa_pospolita'], []), # kopniaka
('kloc', 'kloc:s1', 'subst:sg:acc:m3', ['nazwa_pospolita'], []), # walnąć kloca
('klin', 'klin:s1', 'subst:sg:acc:m3', ['nazwa_pospolita'], []), # klina
('klina', 'klin:s2', 'subst:sg:gen:m2', ['nazwa_pospolita'], []), # m3
('klinem', 'klin:s2', 'subst:sg:inst:m2', ['nazwa_pospolita'], []), # m3
('kilku', 'kilka:n', 'num:pl:inst:m3:congr:ncol', [], []), # kilkoma
('kosz', 'kosz:s1', 'subst:sg:acc:m3', ['nazwa_pospolita'], []), # kosza
('kosza', 'kosz:s1', 'subst:sg:gen:m3', ['nazwa_pospolita'], []), # TODO do usunięcia po poprawce?
('koszu', 'kosz:s2', 'subst:sg:loc:m2', ['nazwa_pospolita'], []), # m3
('koszty', 'koszt', 'subst:pl:acc:m3', ['nazwa_pospolita'], []), # koszta
('krzaku', 'krzak', 'subst:sg:gen:m3', ['nazwa_pospolita'], []), # krzaka
('krzyw', 'krzywy', 'adj:sg:nom:m1:pos', [], []), # krzywy
('marsz', 'marsz:s2', 'subst:sg:acc:m3', ['nazwa_pospolita'], ['muz.']), # grać marsza
('nieciekaw', 'nieciekawy', 'adj:sg:nom:m1:pos', [], []), # nieciekawy
('nic', 'nic', 'subst:sg:gen:n:ncol', [], []), # niczego
('obydwóch', 'obydwa', 'num:pl:loc:f:congr:ncol', [], []), # obydwu
('obydwóch', 'obydwa', 'num:pl:loc:n:congr:ncol', [], []),
('odtchu', 'oddech', 'subst:sg:gen:m3', ['nazwa_pospolita'], []), # od-tchu ;)
('oczyma', 'oko:s2', 'subst:pl:inst:n:col', ['nazwa_pospolita'], ['anat.']), # oczami
('oczów', 'oko:s2', 'subst:pl:gen:n:col', ['nazwa_pospolita'], ['anat.']), # oczu
('otworzoną', 'otworzyć', 'ppas:sg:inst:f:perf:aff', [], []), # otwartą
('otworzony', 'otworzyć', 'ppas:sg:nom:m1:perf:aff', [], []), # otwarty
('paru', 'parę', 'num:pl:inst:m3:congr', [], []), # paroma
('pasjanse', 'pasjans', 'subst:pl:acc:m2', ['nazwa_pospolita'], []), # pasjanse m3
('pasjansy', 'pasjans', 'subst:pl:acc:m2', ['nazwa_pospolita'], []),
('pasjansy', 'pasjans', 'subst:pl:acc:m3', ['nazwa_pospolita'], []),
('pełen', 'pełny', 'adj:sg:nom:m1:pos', [], []), # pełny
('podobien', 'podobny', 'adj:sg:nom:m1:pos', [], []), # podobny
('policzeki', 'policzek', 'subst:pl:nom:m3', ['nazwa_pospolita'], []), # poli-czeki ;)
('procha', 'proch', 'subst:sg:gen:m3', ['nazwa_pospolita'], []), # prochu
('procenta', 'procent', 'subst:sg:acc:m2', ['nazwa_pospolita'], ['monet.']), # na procent
('procentem', 'procent', 'subst:sg:inst:m2', ['nazwa_pospolita'], ['monet.']), # m3
('proces', 'proces', 'subst:pl:acc:n:ncol', ['nazwa_pospolita'], ['muz.']), # m3
('profity', 'profit:s1', 'subst:pl:acc:m2', ['nazwa_pospolita'], []), # m3
('rażony', 'razić', 'ppas:sg:nom:m1:imperf:aff', [], []), # perf (jak rażony piorunem)
('ręku', 'ręka', 'subst:sg:loc:m3', ['nazwa_pospolita'], ['anat.']), # ręce
('rękoma', 'ręka', 'subst:pl:inst:f', ['nazwa_pospolita'], ['anat.']), # rękami
('rówien', 'równy', 'adj:sg:nom:m1:pos', [], []), # równy
('rynsztoku', 'rynsztok', 'subst:sg:gen:m3', ['nazwa_pospolita'], []), # rynsztoka
('rzeknąć', 'rzec:v2', 'inf:perf', [], []), # rzec
('rządu', 'rząd:s1', 'subst:sg:gen:m3', ['nazwa_pospolita'], []), # rosnąć do rzędu czegoś
('rzędów', 'rząd:s2', 'subst:pl:gen:m3', ['nazwa_pospolita'], []), # objąć ster rządów
('rzędy', 'rząd:s2', 'subst:pl:acc:m3', ['nazwa_pospolita'], []), # objąć rządy
('steka', 'stek:s1', 'subst:sg:acc:m2', ['nazwa_pospolita'], []), # wysmażyć stek
('strach', 'strach:s2', 'subst:sg:nom:m2', ['nazwa_pospolita'], []), # m3 (strach obleciał)
('stracha', 'strach:s2', 'subst:sg:gen:m2', ['nazwa_pospolita'], []), # napędzić stracha/strachu, ale umrzeć ze strachu
('strachu', 'strach:s2', 'subst:sg:loc:m2', ['nazwa_pospolita'], []), # m3
('syfon', 'syfon:s1', 'subst:sg:acc:m3', ['nazwa_pospolita'], []), # dać syfona
('szatan', 'szatan:s2', 'subst:sg:nom:m2', ['nazwa_pospolita'], []), # m1
('szatanem', 'szatan:s2', 'subst:sg:inst:m2', ['nazwa_pospolita'], []), # m1
('szeląga', 'szeląg', 'subst:sg:gen:m2', ['nazwa_pospolita'], []), # m3
('szmerglu', 'szmergiel', 'subst:sg:gen:m3', ['nazwa_pospolita'], []), # szmergla
('śmiecie', 'śmieć:s1', 'subst:pl:acc:m3', ['nazwa_pospolita'], []), # śmieci
('usty', 'usta', 'subst:pl:inst:n:pt', ['nazwa_pospolita'], ['przest.']), # ustami
('woru', 'wór', 'subst:sg:gen:m3', ['nazwa_pospolita'], []), # wora
('zwierzę', 'zwierzę', 'subst:sg:nom:n:ncol', ['nazwa_pospolita'], []), # col
('zwierzę', 'zwierzę', 'subst:sg:acc:n:ncol', ['nazwa_pospolita'], []),
('żłobu', 'żłób:s2', 'subst:sg:gen:m3', ['nazwa_pospolita'], []), # dopchać się do żłoba
('żurnalów', 'żurnal', 'subst:pl:gen:m3', ['nazwa_pospolita'], []), # żurnali
('żywcem', 'żywiec:s2', 'subst:sg:inst:m2', ['nazwa_pospolita'], []), # m3
('swe', 'swój', 'adj:sg:acc:n:pos', [], []), # dostać za swoje
('swym', 'swój', 'adj:sg:loc:n:pos', [], []), # obstawać przy swoim
('swojego', 'swój', 'adj:sg:gen:n:pos', [], []), # dopiąć swego
('swe', 'swój', 'adj:pl:acc:f:pos', [], []), # swoje in adjp(agr)
('swe', 'swój', 'adj:pl:acc:m3:pos', [], []),
('swe', 'swój', 'adj:sg:nom:n:pos', [], []),
('swe', 'swój', 'adj:pl:acc:n:pos', [], []),
('swej', 'swój', 'adj:sg:gen:f:pos', [], []), # swojej
('swej', 'swój', 'adj:sg:loc:f:pos', [], []),
('swego', 'swój', 'adj:sg:acc:m1:pos', [], []), # swojego
('swego', 'swój', 'adj:sg:gen:m3:pos', [], []),
('swych', 'swój', 'adj:pl:gen:f:pos', [], []), # swoich
('swych', 'swój', 'adj:pl:loc:f:pos', [], []),
('swych', 'swój', 'adj:pl:gen:m3:pos', [], []),
('swych', 'swój', 'adj:pl:loc:m3:pos', [], []),
('swych', 'swój', 'adj:pl:loc:n:pos', [], []),
('swym', 'swój', 'adj:pl:dat:m3:pos', [], []),
('swym', 'swój', 'adj:sg:loc:m3:pos', [], []), # swoim
('swym', 'swój', 'adj:sg:inst:m3:pos', [], []),
('swym', 'swój', 'adj:pl:dat:n:pos', [], []),
('swym', 'swój', 'adj:sg:inst:n:pos', [], []),
('swymi', 'swój', 'adj:pl:inst:f:pos', [], []), # swoimi
('swymi', 'swój', 'adj:pl:inst:m3:pos', [], []),
('swymi', 'swój', 'adj:pl:inst:n:pos', [], []),
('swą', 'swój', 'adj:sg:acc:f:pos', [], []), # swoją
('swą', 'swój', 'adj:sg:inst:f:pos', [], []),
('mej', 'mój:a', 'adj:sg:gen:f:pos', [], []), # mojej
('mej', 'mój:a', 'adj:sg:dat:f:pos', [], []),
('mej', 'mój:a', 'adj:sg:loc:f:pos', [], []),
('memu', 'mój:a', 'adj:sg:dat:m3:pos', [], []), # mojemu
('mego', 'mój:a', 'adj:sg:acc:m2:pos', [], []), # mojego
('mego', 'mój:a', 'adj:sg:gen:m3:pos', [], []),
('mego', 'mój:a', 'adj:sg:gen:n:pos', [], []),
('mych', 'mój:a', 'adj:pl:loc:n:pos', [], []), # moich
('me', 'mój:a', 'adj:pl:nom:f:pos', [], []),
('me', 'mój:a', 'adj:pl:acc:f:pos', [], []), # moje
('me', 'mój:a', 'adj:pl:acc:m2:pos', [], []),
('me', 'mój:a', 'adj:pl:nom:m3:pos', [], []),
('me', 'mój:a', 'adj:pl:acc:m3:pos', [], []),
('me', 'mój:a', 'adj:sg:nom:n:pos', [], []),
('me', 'mój:a', 'adj:pl:nom:n:pos', [], []),
('me', 'mój:a', 'adj:sg:acc:n:pos', [], []),
('me', 'mój:a', 'adj:pl:acc:n:pos', [], []),
('ma', 'mój:a', 'adj:sg:nom:f:pos', [], []), # moja
('mą', 'mój:a', 'adj:sg:acc:f:pos', [], []), # moją
('mą', 'mój:a', 'adj:sg:inst:f:pos', [], []),
('mym', 'mój:a', 'adj:sg:loc:m3:pos', [], []), # moim
('mym', 'mój:a', 'adj:sg:inst:m3:pos', [], []),
('mym', 'mój:a', 'adj:pl:dat:n:pos', [], []),
('mym', 'mój:a', 'adj:sg:loc:n:pos', [], []),
('mym', 'mój:a', 'adj:sg:inst:n:pos', [], []),
('mymi', 'mój:a', 'adj:pl:inst:f:pos', [], []), # moimi
('mymi', 'mój:a', 'adj:pl:inst:m3:pos', [], []),
('mymi', 'mój:a', 'adj:pl:inst:n:pos', [], []),
('mych', 'mój:a', 'adj:pl:gen:f:pos', [], []), # moich
('mych', 'mój:a', 'adj:pl:loc:f:pos', [], []),
('mych', 'mój:a', 'adj:pl:gen:m3:pos', [], []),
('mych', 'mój:a', 'adj:pl:loc:m3:pos', [], []),
('mych', 'mój:a', 'adj:pl:gen:n:pos', [], []),
('twej', 'twój:a', 'adj:sg:gen:f:pos', [], []), # twojej
('twej', 'twój:a', 'adj:sg:loc:f:pos', [], []),
('twych', 'twój:a', 'adj:pl:gen:f:pos', [], []), # twoich
('twych', 'twój:a', 'adj:pl:loc:m3:pos', [], []),
('twych', 'twój:a', 'adj:pl:loc:n:pos', [], []),
('twą', 'twój:a', 'adj:sg:inst:f:pos', [], []), # twoją
('twe', 'twój:a', 'adj:pl:acc:m3:pos', [], []), # twoje
('twym', 'twój:a', 'adj:sg:loc:m3:pos', [], []), # twoim
('twych', 'twój:a', 'adj:pl:loc:f:pos', [], []), # twoich
('wsze', 'wszystek', 'adj:pl:nom:f:pos', [], []), # wszystkie
('wsze', 'wszystek', 'adj:pl:acc:f:pos', [], []),
('wsze', 'wszystek', 'adj:pl:nom:m3:pos', [], []),
('wsze', 'wszystek', 'adj:pl:acc:m3:pos', [], []),
('wsze', 'wszystek', 'adj:pl:acc:n:pos', [], []),
('wszech', 'wszystek', 'adj:pl:gen:m1:pos', [], []), # wszystkich
('wszech', 'wszystek', 'adj:pl:loc:m3:pos', [], []),
('wszemi', 'wszystek', 'adj:pl:inst:m3:pos', [], []), # wszystkimi
)
KWAL_KILL_LIST = { 'niepopr.', 'pot.', 'rzad.', 'daw.', 'przest.', 'gwar.', 'pogard.', }
# don’t put posp/kwal in the key (lists are unhashable)
FORM_MAP = {
('gwintu', 'gwint', 'subst:sg:gen:m3') : ('gwinta', 'gwint', 'subst:sg:gen:m3', [], []), # nie ma w Morfeuszu (pić z gwinta)
}
OVERRIDE = {
'hopel' : ('hopla', 'subst:sg:gen:m3'),
'łupień' : ('łupnia', 'subst:sg:gen:m3'),
# kropka nad „i”
'i' : ('„i”', 'subst:sg:inst:n'),
}
def filter_kwal(forms):
return list(filter(lambda f: not KWAL_KILL_LIST.intersection(f[4]), forms))
def filter_by_feature(feature, forms):
if feature:
return list(filter(lambda f: feature in f[2], forms))
else:
return forms
def select_form(lemma, feats):
if lemma in OVERRIDE:
return OVERRIDE[lemma]
# forms: list of tuples in format: ('herb', 'herb', 'subst:sg:nom.acc:m3', ['nazwa_pospolita'], [])
# split the tags for filtering
forms = [FORM_MAP.get(tuple(f[:3]), f) for f in morfeusz.generate(lemma)]
forms = [(orth, base, tag.split(':'), posp, kwal) for orth, base, tag, posp, kwal in forms]
for feat in feats:
# single feature: just filter
if type(feat) == str:
forms = filter_by_feature(feat, forms)
# priority list of features: filter by first that yields non-empty result
else:
forms2 = []
for ft in feat:
forms2 = filter_by_feature(ft, forms)
if forms2:
break
forms = forms2
# join the tags back
forms = [(orth, base, ':'.join(tag), posp, kwal) for orth, base, tag, posp, kwal in forms]
selected_forms = list(filter(lambda f: f[1] not in LEMMA_KILL_LIST and f not in FORM_KILL_LIST, forms))
if len(selected_forms) > 1:
filtered_forms = filter_kwal(selected_forms)
if filtered_forms:
selected_forms = filtered_forms
selected_orth_tags = set((f[0], f[2]) for f in selected_forms)
if len(selected_orth_tags) != 1:
#print('----------', lemma, feats)
#print(selected_forms)
1 / 0
return selected_orth_tags.pop()