Egy új magyar Értelmező szótár létrehozása. A szótár egy egymilliárd szavas szövegkorpusz alapján, korpuszvezérelt módszertannal, a manuális munka minimalizálásával készül.

A Magyar szerkezettár megalkotása a K 147452 OTKA pályázat keretében. Részletek: https://nytud.hu/palyazat/magyar-szerkezettar

OCR-hibák. 47 millió (!) OCR-hiba gyakorisági listája 900 millió szavas magyar korpusz alapján. Implementáció és teljes hibalisták hozzáférhetők a github-on.

Karakteralapú LSTM nyelvmodell. Ez a kis erőforrásigényű, mindössze 11 millió paraméteres nyelvmodell reményeink szerint szövegek különféle karakterszintű hibáinak felismerésére és javítására lesz alkalmas. Az első vizsgálat azt mutatja, hogy a sorvégi kötőjelek helyes visszaalakításának problémáját 99,2%-os pontossággal oldja meg. Kód, modellek és kiértékelés hozzáférhető a github-on.

Igekötő-kapcsoló. Magyarban az igekötő tapadhat vagy el is válhat, a szótárban viszont az igekötős igék egy egységet képeznek. Létrehoztunk egy olyan eszközt, amely az igekötőket automatikusan a hozzájuk tartozó igéhez kapcsolja. Segítségével bármely magyar korpuszban könnyen kereshetővé tehetjük az igekötős igék összes alakját. Szabadon elérhető az e-magyar nyelvfeldolgozó rendszer emPreverb moduljaként, a hozzá kapcsolódó összetett szavakat tagokra bontó emCompound modullal együtt.

https://mnsz2-ud.nytud.hu Az MNSZ2 tisztított és függőségileg elemzett változata.

https://corpus.rilex.nytud.hu Egyéb szabadon hozzáférhető korpuszaink itt érhetők el.

A korpuszok a NoSketchEngine korpuszkezelő rendszer révén kereshetők. A használt docker verzióért köszönet az ELTE-DH-nak.

Értelmező kéziszótár online felület. https://eksz.nytud.hu

Magyar Nagylexikon online felület. https://mnl.nytud.hu

Magyar szótárbibliográfia. https://rilex.nytud.hu/szotarbib

MNSZ2 segítővideók. Iratkozzon fel a @magyarnemzetiszovegtar youtube-csatornára!

• 2023-02-13 Duplikátumok és alkorpuszok
• 2023-01-24 Hogyan kereshetünk két komponensből álló frazeológiai egységekre?