معرفی شرکت ها

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

توضیحات

Dictionary incorporation for machine translation

ویژگی	مقدار
سیستم عامل	-
نام فایل	elisa-patch-0.3.7
نام	elisa-patch
نسخه کتابخانه	0.3.7
نگهدارنده	[]
ایمیل نگهدارنده	[]
نویسنده	chenghaomou
ایمیل نویسنده	chengham@isi.edu
آدرس صفحه اصلی	https://github.com/ChenghaoMou/elisa-patch
آدرس اینترنتی	https://pypi.org/project/elisa-patch/
مجوز	-

# Dependencies ```bash unidecode emoji *kenlm fuzzy scikit-learn pyxdameraulevenshtein pygtrie numpy ``` *Install kenlm wrapper from github: ```bash pip install https://github.com/kpu/kenlm/archive/master.zip ``` # Usage ```python # Load english dictionary english_vocab = load_english_vocab(...) english_vocab.update(load_english_vocab(...)) # Load bilingual lexicon dictionary foreign_dict = load_lexicon_norm(...) # Load target language model lm = kenlm.Model(...) # Train a ngram model if needed # ngram_train(foreign_dict, 'hin-tfidf-ngram_algo') # Ulf's romanizer romanizer = partial(romanize, romanization_path=..., language_code="hin") soundex_inst = fuzzy.DMetaphone() soundex_algo = lambda x: soundex_inst(x)[0].decode('utf-8') if soundex_inst(x)[0] is not None else x english_encoded_vocab = {e: soundex_algo(e) for e in english_vocab if e} # load the ngram model ngram_algo = pickle.loads(open(..., "rb").read()) soundex_model = partial(soundex_similarity, encoded_english_vocab=english_encoded_vocab, romanizer=romanizer, soundex=soundex_algo) lev_model = partial(lev_similarity, backup=soundex_model) ngram_model = partial(ngram_similarity, model=ngram_algo, backup=lev_model) final_model = partial(exact_similarity, backup=ngram_model) for line in open(...): source, target = line.strip('\n').split('\t') oovs = extract_oov(target, source, english_vocab=english_vocab, romanization=True) best, mods = translate_oov(target, oovs, foreign_dict, final_model, lm.score) if best != target: for oov in oovs: alt = list(mods[oov].keys())[0] trans = mods[oov][alt] debug.debug(f"{romanizer(oov)} -> {romanizer(alt)} : {list(trans)}") debug.debug(best) debug.debug("*"*100) ``` or ```shell python -m elisa_patch --help ```

نحوه نصب

نصب پکیج whl elisa-patch-0.3.7:

pip install elisa-patch-0.3.7.whl

نصب پکیج tar.gz elisa-patch-0.3.7:

pip install elisa-patch-0.3.7.tar.gz