180 likes | 405 Views
Как мы побеждаем вьетнамскую лингвистику. WADA.vn : ПЕРВЫЕ ШАГИ НАЦИОНАЛЬНОГО ПОИСКОВИКА . WADA.vn b. Бета - версия запущена в октябре 2011. Боевая версия — в год золотого дракона :) Весь «Вьетнет»: зона .vn , + вьетнамоязычные сайты в других зонах , + про Вьетнам
E N D
Как мы побеждаем вьетнамскую лингвистику WADA.vn:ПЕРВЫЕ ШАГИ НАЦИОНАЛЬНОГО ПОИСКОВИКА
WADA.vnb • Бета-версия запущена в октябре 2011.Боевая версия — в год золотого дракона :) • Весь «Вьетнет»: зона .vn, + вьетнамоязычные сайты в других зонах, + про Вьетнам • 200 тысяч сайтов, 350 млн документов, 36 Тб • Один конкурент (но очень большой) + Itim.vn (Нигма) – пока не опубликован+ кладбище вьетнамских поисковиков • Весной Google искал очень плохо.Мы лучше, чем он тогда, но пока хуже, чем он сейчас
Вьетнамский язык: графика • Латинский алфавит:создан в XVII веке о. Александром де Род (Alexandre de Rhodes, вьет. A-Lịch-Sơn Đắc-Lộ);до того были иероглифы • Жесткая структура слога: truyền(tr-u-yề-n)используется системой ввода Telex • 6 тонов: a à ả ã á ạ • «Двуслойная» диакритика: ặ ễ ử
Кодировка и нормализация • К счастью, почти только UTF-8 • Может собираться по частям:ẩ = â + ’ = a + ^ + ’ • Место тона – жесткие правила, + кое-где «старый» и «новый» стиль hủy/ huỷ • Орфографическая вариативность: bác sĩ / bác sỹ
Восстановление диакритики • Бывают запросы без тонов (текстов без тонов мало) • Веб-мастера даже добавляют ключевые слова без тонов (иногда прямо в <title>):Recruitment - tuyen dung - tuyển dụng- viec lam, việc làm lao dong, lao động việt nam • Запросы без тонов предварительно восстанавливаются; искать «пониженные» варианты мало смысла • Восстановление тонов – статистика с небольшой примесью словарей • Проблемы в основном на стыке с английским: ấn độ
Ошибки восстановления диакритики
Вьетнамский язык: слоговой • ~ 8000 слогов, из них ~ 3000 только в составных словах • Огромная омонимия • Большинство слов составные • Вместо проблемы отождествления слов – проблема деления на слова • «Развалившиеся» слова – провал поиска • Пока выделяем слова в запросах
Словарик nhà – дом máy – механизм, машина xe – повозка, транспорт nước – вода, страна đất – земля trà – чай lá – лист(ья) thuốc – яд, лекарство mua – покупать bán – продавать bay – летать hút – вдыхать ôm – обнимать Что это значит? lá trà – ? tràlá – ? nước trà – ? nhà trà – ? máy bay – ? nhà máy – ? nhà thuốc – ? nhà nước – ? đất nước – ? mua bán – ? bán nước – ? xe máy – ? xe ôm – ? hút thuốc – ? Немного примеров
Еще примеры... Словарик máy – механизм, машина xe – повозка, транспорт thuốc – яд, лекарство ôm – обнимать hút – вдыхать Что это значит? xe máy – мотоцикл, устар. велосипед xe ôm – см. фото hút thuốc – ?
И еще... Словарик thuốc – яд, лекарство hút – вдыхать Что это значит? hút thuốc – см. фото
Конфликты • nước trà – чайbán nước – предатель (Родины)bán nước trà– ? • Слова могут вкладываться и пересекаться • Если в словаре есть АВ и ВС, а в тексте АВС, то, скорее всего, в этом тексте нет хотя бы одного из слов АВ и ВС
Разрешение конфликтов • Вложенияcông tác / đổ bê tông • Максимальное покрытие1000 /năm /thăng long /hà nội • «Связанные» слогиlong • «Слабые» словаbán nước • «Префиксы» и «суффиксы»121 /năm /(ngày (sinh nhật))/hồ chí minh
Синонимия • Сокращения • thành phố Hồ Chí Minh = TP Hồ Chí Minh = TP.HCM • сông ty cổ phần = сông ty cp = ctcp = cty cp = ct cp = cty cổ phần • Орфографические варианты • «Переводы» • Sài Gòn = Saigon • TP.HCM = HCMC • Заимствования
Mát-xcơ-va Mat-xcơ-va Mátxcơva Matxcơva Matxcova Mat-xờ-cơ-va Mát-xờ-cơ-va Mat-x-cơ-va Mát-x-cơ-va Matxcva Mát-scơ-va Mátcơva Moskva Moscova Mạc Tư Khoa Moscow Moscou Заимствования: большая вариативность
Словари • Составные слова • Коллокации («выражения»)máy tính điện tử - электронно-вычислительная машина • «Префиксные» и «постфиксные выражения»chim gà lôi – фазан, cây tre –бамбук, con cá – рыба(con cá sấu – крокодил) • Стоп-слова • «Префиксы» и «постфиксы» (в основном грамматика):cái, các (ô tô) • Связанные слоги • Словарь разрешения конфликтовbãi đậu xe buýt = [bãi đậu {xe}] [xe buýt] • Словари синонимов (заимствования, сокращения, ...) • Словари преобразования запросов • ...и др.
Источники словарей • Толковый словарь VietLex (44000 слов) • Вьетнамско-английские словари (70 тыс. слов, 126 тыс. слов) • Специальные словари, словарь новых слов • География, имена (из разных источников) • Википедия • Статистика устойчивости словосочетаний • Разбор конфликтов, ...
Что еще • Исправление опечаток • «Префиксы» и «суффиксы» запросов:cách sử dụng ... –способы использования... nghĩa là gì – что означает • Деление доменных имен на слова (с повышением тонов):http://thutuchanhchinh.vn = Thủ tục hành chính.vn • Отбор навигационных запросов • Варианты навигационных запросов • ...и др.
СПАСИБО! Михаил Волович Руководитель лингвистического отдела mv@ashmanov.com Вьетнамский поиск (beta) www.wada.vn Информация о компании, услугах и технологиях www.ashmanov.com Анализаторы качества поиска www.analyzethis.ru