Список слов русского языка из Wiktionary и сравнение с pymorphy3 на примере Пушкина и Noize MC *

Оглавление

• Введение

• Процесс создания словаря

• Попытка 1. Создание словаря на основе названий статей Викисловаря

• Попытка 2. Создание словаря на основе полного дампа содержимого русского Викисловаря

• Выборочная проверка слов

• Особенности словаря

• Сравнение с pymorphy3

• Проверка на текстах Пушкина и Noize MC

• Вывод

• Ссылка на GitHub

• Другие ссылки

Введение

В задачах обработки естественного языка (NLP) часто требуется список слов русского языка. Такой список может использоваться как базовый фильтр для выявления неизвестных и потенциально некорректных слов.

Одним из распространённых инструментов для работы с русским текстом является библиотека pymorphy (pymorphy2 / pymorphy3), основанная на корпусе русского языка OpenCorpora. Она предназначена для морфологического анализа текстов и, в том числе, позволяет проверять, известно ли слово встроенному словарю библиотеки.

Однако словарь pymorphy ориентирован на нормативную лексику и морфологию. В нём отсутствует значительная часть имён собственных, топонимов, заимствований, разговорной и современной лексики. Поэтому при использовании pymorphy для фильтрации текста возникают ложные срабатывания, много редких и нестандартных слов определяются как неизвестные (что мы увидим ниже в разделе сравнения словарей).

Для повышения полноты выявления неизвестных слов я решил собрать свой максимально широкий список слов русского языка для задач NLP.

Такой список слов можно получить на основе данных сайта Wiktionary (Викисловарь). Wiktionary – это открытый многоязычный словарь, в котором каждая словарная единица представлена в виде отдельной статьи. Викисловарь содержит информацию о словах различных языков, включая русский, а также сведения об их морфологических и синтаксических свойствах.

Далее в статье термины «словарь» и «список слов» используются как синонимы. Под словарём понимается именно список слов, а не полноценный лингвистический словарь с определениями и разметкой.

Также термины «слово» и «словоформа» используются как равнозначные. Для обозначения нормальной формы слова используется термин «лемма».

Процесс создания словаря

Существуют готовые инструменты для парсинга данных с вики-сайтов, например wiktextract [1]. Wiktextract обрабатывает внутренние конструкции сайта и формирует структурированные данные. В результате получается полноценная лексическая база. Wiktextract решает широкий круг задач и является предпочтительным решением для задач, где требуется извлечение морфологии, значений и других лингвистических характеристик. Однако для задачи получения простого списка слов такой уровень обработки является избыточным и усложняет процесс без практической необходимости. К тому же wiktextract ориентирован под англоязычный раздел Wiktionary (enwiktionary).

Поэтому для решения своей задачи я выбрал более простой метод: взял данные русскоязычного раздела Wiktionary (ruwiktionary) и применил собственную логику фильтрации. Такой подход даёт полный контроль над процессом формирования словаря и достаточен, если требуется получить список слов для практических задач. При этом ruwiktionary в разы меньше enwiktionary, что также ускоряет обработку.

Идея создания словаря такая:

В Wiktionary слова и устойчивые выражения имеют собственную страницу, а названия страниц совпадают с этими словами (выражениями). Поэтому, собрав все заголовки ruwiktionary, мы получим большой список слов русского языка для задач NLP.

Попытка 1. Создание словаря на основе названий статей Викисловаря

Я скачал дамп ruwiktionary-latest-all-titles-in-ns0.gz [2]

Дамп содержит список заголовков всех статей из основного пространства имён русского раздела Wiktionary.

Был собран список заголовков. Для фильтрации заголовков использовалось следующее правило:

ru_pattern = re.compile(r"^[А-Яа-яЁё]+(?:[-'][А-Яа-яЁё]+)*$")

Оно оставляет только строки, состоящие из кириллицы, а также допускает дефисы и апострофы. Такая фильтрация пропускает максимально широкое количество слов, включая имена собственные, заимствованные и транслитерированные слова, междометия и много другое, что требуется для моей задачи.

После фильтрации все слова были приведены к нижнему регистру, удалены дубликаты и отсортированы.

В результате получился словарь с количеством слов: 1 542 954.

Вот первые 10 слов полученного списка:

Видно, что в словаре представлены не только русские слова, но и слова других языков на кириллице (к примеру, слово “а’атчевматальын” – это слово из чукотского языка).

Для повышения качества словаря требуется дополнительная фильтрация слов.

Попытка 2. Создание словаря на основе полного дампа содержимого русского Викисловаря

Для формирования словаря был скачан более полный дамп ruwiktionary-latest-pages-articles-multistream.xml.bz2 [3]

Дамп содержит тексты всех статей русского раздела Wiktionary. Это позволяет выполнить фильтрацию не только по языку, но и по содержимому.

Дамп был распакован. Из XML извлечены статьи.

Для каждой статьи извлечен заголовок (слово), проверено наличие русского раздела ({{-ru-}}) и выполнена фильтрация по ru_pattern, как и в прошлом примере. Дополнительно были удалены односимвольные слова, кроме а, в, и, к, о, с, у, я. Также удалены шумы, крики, припевки типа а-а-а.

re.compile(r"^(?![авикосуя]$)[а-яё]$")
re.compile(r"^(а|о|у|э|и|ы|е|я|ё|ю)(-1)+$")

В результате сформирован список заголовков статей (слов), написанных на кириллице и имеющих русскоязычный раздел. Количество слов в полученном словаре: 444 148.

Выборочная проверка слов

Вот первые 10 и случайные 10 слов из словаря:

Составим таблицу со значениями выбранных слов.

Представленные слова действительно имеют значение и могут употребляться в русскоязычных текстах. В словаре встречаются междометия, которые не несут большого смыслового значения, но тем не менее употребляются в речи. В словаре есть топонимы, имена и фамилии, много редко используемых, устаревших или узкоспециализированных слов, что естественно ввиду большого размера словаря.

Особенности словаря

• Наличие русского раздела и фильтрация по кириллице не гарантируют, что слово русское. В словаре присутствуют редкие, заимствованные, транслитерированные и специфичные слова, имена собственные (в том числе топонимы, имена и фамилии).

• Словарь не лемматизирован и включает как леммы, так и различные словоформы (например, причастия и деепричастия). Лемматизация не использовалась, потому что она может некорректно обрабатывать редкие и неизвестные слова, искажая их форму.

Такой подход позволяет охватить максимально широкий перечень словоформ. Это снижает количество ложных срабатываний и уменьшает объём ручной проверки, так как после сравнения со словарем в тексте остаются в основном:

• шумовые токены (например, вокализации типа “ля-ля-ля”);

• опечатки;

• несуществующие или выдуманные слова;

• вкрапления других языков.

Сравнение с pymorphy3

Для оценки полученного словаря было выполнено сравнение со встроенным словарём библиотеки pymorphy3.

Результаты представлены в таблице:

Словарь pymorphy во много раз больше словаря, созданного из данных Wiktionary. Однако 43.9% полученного словаря состоит из уникальных слов, которых нет в словаре pymorphy, что может быть полезным при анализе текстов.

Проверка на текстах Пушкина и Noize MC

Для оценки того, насколько вновь созданный словарь поможет в фильтрации неизвестных слов был проведён анализ двух текстов:

• “Евгений Онегин” Александра Сергеевича Пушкина;

• Все тексты песен Ивана Александровича Алексеева (Noize MC).

Результаты анализа приведены в таблице ниже:

В “Евгении Онегине” словарь из Wiktionary дополнительно покрыл 14.6% уникальных словоформ текста, которые отсутствуют в pymorphy.

Примеры таких слов:

вертер, дельвиг, митридат, морфей, осьмнадцать, дале, заране.

Это в основном имена собственные, архаизмы и устаревшие формы слов.

Для современных текстов (Noize MC) эффект значительно выше. Wiktionary дополнительно распознал 25.0% неизвестных словоформ.

Примеры:

• сленг: кайфовый, движ, тусить, ништяк;

• заимствования: баттл, дисс, флоу, лайв;

• интернет-лексика: видос, гифка, комментить;

• обсценная лексика: п**дос, до**я, х**та;

• составные слова: бабл-гам, фитнес-тренер.

Словарь pymorphy отлично покрывает классические тексты и хорошо современные, поэтому является предпочтительным для морфологического анализа.

Однако словарь на основе Wiktionary неплохо дополняет его за счёт:

• имён собственных;

• топонимов;

• заимствований;

• обсценной лексики;

• современной разговорной и интернет-лексики;

• редких и устаревших слов.

Значительная часть оставшихся после двух словарей словоформ это:

• повторяющиеся слоги и вокализации: “ла-ла-ла”, “е-е-е”;

• словоформы с дефисом: “час-другой”, “моралисты-псевдожурналисты”;

• опечатки или специально искаженные написания слов: “канатоходець”, “узбагойзя”;

• слова других языков: “катацумури”, “пробач”.

Видно, что два словаря максимально отфильтровали из текста известные и допустимые словоформы, оставив в остатке преимущественно шумовые, заимствованные, выдуманные и неправильные слова.

Вывод

В результате получился практический список словоформ русского языка состоящий из 444 тыс. слов.

В сравнении, словарь pymorphy значительно больше. Он содержит миллионы словоформ и хорошо покрывает нормативную лексику. Это делает его удобным и предпочтительным для морфологического анализа.

Словарь на основе Wiktionary меньше по размеру, но в нём присутствуют имена собственные, топонимы, заимствования, сленг и редкая лексика, которые часто отсутствуют в pymorphy.

На реальных текстах это даёт практический эффект:

• Для классической литературы (Пушкин) pymorphy покрывает 94.7% текста.
  Словарь из Wiktionary дополнительно покрывает 14.6% неизвестных слов.

• Для современных текстов (Noize MC) pymorphy покрывает 86.7% текста.
  Словарь из Wiktionary дополнительно покрывает 25.0% неизвестных слов.

Конечно, это не тот результат, которого я ожидал, начиная проект, однако даже такие значения повышают полноту определения неизвестных слов и уменьшают ручной труд при обработке текстов.

Предложенный подход показывает, что списки слов можно собирать самостоятельно на основе данных Wiktionary. При этом процесс формирования словаря относительно простой, быстрый и полностью контролируется. Можно выбирать дамп, настроить правила фильтрации и адаптировать результат под конкретные задачи.

Также данный подход можно применять для создания словарей других языков. Достаточно скачать нужный дамп Wiktionary и изменить правила фильтрации под особенности языка.

Таким образом, словарь созданный на основе данных Wiktionary хорошо дополняет словарь pymorphy и может использоваться в задачах NLP.

Ссылка на GitHub

• Список слов русского языка на основе данных Wiktionary в форматах CSV и TXT;

• Список слов, которые есть в словаре из Wiktionary, но отсутствуют в pymorphy в форматах CSV и TXT;

• Файл с проектом ipynb

доступны в репозитории: https://github.com/EgorTatarnikov/rus_dict_wiktionary

Другие ссылки:

1. https://github.com/tatuylonen/wiktextract – парсер Wiktionary.

2. https://dumps.wikimedia.org/ruwiktionary/latest/ruwiktionary-latest-all-titles-in-ns0.gz – список заголовков всех статей ruwiktionary.

3. https://dumps.wikimedia.org/ruwiktionary/latest/ruwiktionary-latest-pages-articles-multistream.xml.bz2 – полный XML-дамп со всеми статьями ruwiktionary.

* Признан минюстом РФ иностранным агентом