Moby Project - Moby Project

The Moby Project je sbírka lexikálních zdrojů pro veřejné domény. Vytvořil Grady Ward. Zdroje byly vyhrazeny pro veřejnou doménu a nyní jsou zrcadleny na Projekt Gutenberg. Od roku 2007^{[Aktualizace]}, obsahuje největší bezplatnou fonetickou databázi se 177 267 slovy a odpovídajícími výslovnostmi.^{[Citace je zapotřebí ]}

Rozdělovač

The Moby Hyphenator II obsahuje dělení slov z 187 175 slov a frází (včetně 9 752 položek, kde nejsou uvedena žádná dělení slov, například přes a vyhýbat se). Zdá se, že kódování znaků je MacRoman, a dělení slov je označeno odrážkou (hodnota znaku 165 desetinná nebo A5 šestnáctková). Některé položky však mají kombinaci skutečných pomlček a znaků 165, například „bar • ber-sur • geon“.

O provedených volbách dělení není téměř žádná dokumentace; následující příklady mohou poskytnout určitou příchuť použitého stylu dělení slov: at • mos • phere; at • tendence • mravenec; kapacita; un • col • or • a • ble.

Jazyk

Moby jazyk II obsahuje seznamy slov pěti jazyků: francouzština, Němec, italština, japonský, a španělština:

Jazyk	Slova	Velikost (v palcích) bajtů )
francouzština	138,257	1,524,757
Němec	159,809	2,055,986
italština	60,453	561,981
japonský	115,523	934,783
španělština	86,059	850,523
Celkový	560,101	5,928,030

Některé ze seznamů jsou však kontaminované, například japonský seznam obsahuje anglická slova jako abnormální a ne-slova jako abcdefgh a m,. /. Při třídění těchto seznamů existují také neobvyklé zvláštnosti, protože francouzský seznam obsahuje přímý abecední seznam, zatímco německý seznam obsahuje abecední seznam slov s tradičním velkým písmenem a poté abecední seznam slov s tradičně malými písmeny. Seznam italských slov však neobsahuje žádná velká písmena.

Seznam cizích jazyků nepoužívá znaky s diakritikou, takže „e ^ tre“ je způsob, jakým by uživatel vyhledal francouzské slovo être ("být").

Část mluvy

Moby, část řeči obsahuje 233 356 slov plně popsaných uživatelem část (části) řeči, uvedené v pořadí priority. Formát souboru je slovo části řeči, přičemž jsou identifikovány následující slovní druhy:

Část mluvy	Kód
Podstatné jméno	N
Množný	str
Jmenná fráze	h
Sloveso (obvykle participium )	PROTI
Tranzitivní sloveso	t
Nepřechodné sloveso	i
Přídavné jméno	A
Příslovce	proti
Spojení	C
Předložka	P
Citoslovce	!
Zájmeno	r
Určitý člen	D
Neurčitý článek	Já
Jmenovaný	Ó

Pronunciator

The Moby Pronunciator II obsahuje 177 267 záznamů s odpovídajícími výslovnostmi. Většina položek popisuje jedno slovo, ale přibližně 79 000^[1] obsahovat pomlčky nebo víceslovné fráze, jména nebo lexémy. Distribuce Project Gutenberg také obsahuje kopii cmudikt v0.3. Soubor obsahuje řádky formátu výslovnost slova [/ part-of-speech]. Každý řádek je ukončen ASCII Návrat vozíku znak (CR, ' r', 0x0D, 13 v desítkové soustavě).

The slovo pole může zahrnovat apostrofy (např. není), pomlčky (např. zdatný) a více slov oddělených podtržítky (např. monkey_wrench). Neanglická slova se obvykle vykreslují, jak je uvedeno v dokumentaci, bez diakritických znamének nebo jiných diakritických znamének. V 36 položkách (např. São_Miguel), některé znaky bez ASCII s diakritikou zůstanou, reprezentovány pomocí Mac OS Roman kódování.

Pole části řeči se používá k disambiguaci 770 slov, která mají různé výslovnosti v závislosti na jejich řeči. Například pro slova hláskovaná zavřít, sloveso má výslovnost /ˈkloʊz/, zatímco přídavné jméno je /ˈkloʊs/. Části řeči byly přiřazeny následující kódy:

Část mluvy	Kód
Podstatné jméno	n
Sloveso	proti
Přídavné jméno	aj
Příslovce	av
Citoslovce	interj

Následuje tato výslovnost. Existuje několik speciálních symbolů:

Symbol	Význam
_	Slouží k oddělení slov
'	Primární stres na následující slabice
,	Sekundární stres na následující slabice

Zbytek symbolů slouží k reprezentaci IPA postavy. Výslovnosti jsou obecně v souladu s a Obecný Američan dialekt angličtiny, který vykazuje sloučení otec-obtěžující, spěchá-chlupatá fúze a rozdělit hodně látky, ale nevystavuje fúze chycená dětskou postýlkou nebo fúze víno-kňučení. Každý foném je reprezentován posloupností jednoho nebo více znaků. Některé ze sekvencí jsou odděleny lomítkem „/“, jak je uvedeno v následující tabulce, ale mějte na paměti, že sekvence pro /ɔɪ/ je ohraničen dva lomítka na obou koncích:

Symbol	IPA
/&/	…
/-/	ə
/@/	ʌ, ə
/ [@] / r	,r, .r
/A/	ɑ, ɑː
/ aI /	aɪ
/ AU /	aʊ
b	b
d	d
/ D /	ð
/ dZ /	dʒ
/E/	ɛ
/ eI /	eɪ
F	F
G	ɡ
h	h
hw	hw
/ i /	iː
/ Já /	ɪ
/ j /	j
/ ju /	juː
k	k
l	l
m	m
n	n
/ N /	ŋ
/Ó/	ɔ, ɔː
// Oi //	ɔɪ
/ oU /	oʊ
str	str
r	r
s	s
/ S /	ʃ
t	t
/ T /	θ
/ tS /	tʃ
/ u /	uː
/ U /	ʊ
proti	proti
w	w
z	z
/ Z /	ʒ

Do této sbírky je přidána řada dalších sekvencí představujících fonémy nalezené v několika dalších jazycích. Používají se k zakódování neanglických slov, frází a jmen, která jsou obsažena v databázi. Následující tabulka obsahuje tyto další fonémy, ale všimněte si, že není jasné, do jaké míry mohou některé z nich existovat kvůli chybám kódování.

Symbol	IPA
A	A
E	e, ɛ
i	já, ɪ
N	Nasalizace předchozí samohlásky
Ó	Ó
Ó	[záměr není jasný]
R	ʁ
S	s
u	u
PROTI	v, β, ʋ
Ž	w
/X/	X
/ r /	Ó
Y	y
/ z /	ts
Z	z

Shakespeare

Moby Shakespeare obsahuje kompletní nezkrácená díla z Shakespeare. Tento konkrétní zdroj není k dispozici od Project Gutenberg.

Tezaurus

The Moby Tezaurus II obsahuje 30 260 kořenových slov, s 2 520 264 synonyma a související výrazy - v průměru 83,3 na kořenové slovo. Každý řádek se skládá ze seznamu hodnoty oddělené čárkami, přičemž první výraz je kořenové slovo a všechna následující slova jsou příbuzné výrazy.

Grady Ward umístil tento tezaurus do veřejná doména v roce 1996. Je také k dispozici jako Debian balík.

Slova

Moby slova II je největší seznam slov na světě.^[2]^{[jsou zapotřebí další citace ]} Distribuce se skládá z následujících 16 souborů:

Název souboru	Slova	Popis
ACRONYMS.TXT	6,213	Běžný zkratky a zkratky
COMMON.TXT	74,550	Běžná slova přítomná ve dvou nebo více publikovaných slovnících
COMPOUND.TXT	256,772	Fráze, vlastní jména, a zkratky není součástí souboru běžných slov
CROSSWD.TXT	113,809	Slova zahrnutá v prvním vydání Oficiální slovník hráčů Scrabble
CRSWD-D.TXT	4,160	Dodatky k oficiálnímu slovníku hráčů Scrabble ve druhém vydání
FICTION.TXT	467	Seznam nejčastěji se vyskytujících podřetězce v knize Klub štěstí štěstí
FREQ.TXT	1,000	Nejčastěji se vyskytující slova v anglický jazyk, seřazeno sestupně
FREQ-INT.TXT	1,000	Nejčastěji se vyskytující slova Usenet v roce 1992, uvedeny s odpovídajícím procentem v sestupném pořadí
KJVFREQ.TXT	1,185	Nejčastěji se vyskytující podřetězce v Verze Bible krále Jakuba, seřazeno sestupně
NAMES.TXT	21,986	Nejčastější jména používané ve Spojených státech a Velká Británie
NÁZVY-F.TXT	4,946	Běžná angličtina ženský jména
NÁZVY-M.TXT	3,897	Běžná angličtina mužský jména
OFTENMIS.TXT	366	Nejčastěji chybně napsaná anglická slova
PLACES.TXT	10,196	Místní jména ve Spojených státech
SINGLE.TXT	354,984	Jednotlivá slova s výjimkou vlastních podstatných jmen, akronymů, složených slov a frází, ale včetně archaický slova a významné varianty hláskování
USACONST.TXT	7,618	Ústava Spojených států včetně všech změn platných do roku 1993
Celkový	863,149	Ne celkem jedinečných slov.
Celkem Uniq	639,995	Celkem jednotlivých, vlastních jmen, akronymů a složených slov a frází (všechny soubory, které obsahují jedinečná slova).

Reference

^ Získané spuštěním příkazu UNIX grep '. * [-_]. *. *' mobypron.unc | wc -l po převodu konců řádků a opravě některých chyb v kódování.
^ Elektronické slovníky

externí odkazy

Domovská stránka projektu Moby, University of Sheffield; kopírovat vyrobeno Wayback Machine stránky tak, jak to bylo 30. září 2017. („Poslední změna: 24. října 2000“)
Stahování projektu Gutenberg
Hledání rýmů s Perlem; odpovídající kód

[1] Získané spuštěním příkazu UNIX grep '. * [-_]. *. *' mobypron.unc | wc -l po převodu konců řádků a opravě některých chyb v kódování.

[2] Elektronické slovníky

[1]

[2]