мне кажется, как раз написание дипломов и диссертаций — это главный инструмент адаптации англоязычных терминов для русского языка. ответственное занятие очень — и хочется поэтому как-нибудь покрасивее все обозвать

но тут, понятное дело, особо не разгуляешься...

задача порождения последовательности для заданной последовательности?..

Т_Т

Если уж "придумывать" перевод покрасивее, то я бы написал "текст-в-текст", это короче и звучнее.
Это в общем случае неверно (не любая последовательность - текст), но для основных задач NLP это так.

хороший вариант, спасибо!

Как возможно решить задачу по исправлению слов в тексте, у которых стоит буква "е", а не "ё"? Т.е. исправить хотя бы самые очевидные слова "шёл", "неё" и тп
Ручной поиск и замену не предлагать)

Нужен хороший словарь. Ищем в словаре слово, если не находим, то заменяем в слове букву "е" на "ё" и снова ищем в словаре.

Всем привет! Подскажите, может кто-то пробовал или знает, можно ли word2vec или что-то другое натренировать на фразах?

Спасибо. В библиотеках типа pymorphy2 нету такого встроенного?

Doc2vec

У Pymorphy2 есть свой словарь, но там ещё и фейковый словарь, который включается при отсутствии слова в базовом словаре. Но попробуйте, может для вашей задачи и подойдёт.

Словари с ё и без были раньше для библиотеки ispell/hunspell (LibreOffice/Firefox)

спасибо, посмотрю

а есть какая-нибудь либа для проверки орфографической/пунктуационной грамотности текста на русском, типа ться/тся, лишних запятых, вот это все?

ну всякие ispell,aspell,hunspell же есть. они слабенькие, но что-то умеют. и быстрые, ибо на правилах работают

да, но ться/тся и пунктуацию вроде не ловят

да, точно, hunspell обрабатывает по одному слову за раз, научить пунктуации его нельзя.
для пунктуации ничего нет.
наверное, надо брать сетку, и оценить вероятность текущего знака препинания. где сильно не совпадает -- там ругаться.

Есть еще https://github.com/languagetool-org/languagetool

Добрый день!

Разбираюсь что к чему в области обработки текста. В качестве инструментов использую открытые библиотеки на python.

Появились вопросы, на которые пока не нашел ответа:

1. Существует ли ocr для распознавания текстов на русском языке с дореформенной орфографией? Для всего остального использую pytesseract.

2. Есть ли в открытом доступе словари географических названий на русском, чтобы их можно было использовать для проверки спеллинга токенов.

3. Существуют ли инструменты для нормализации названий географических объектов. Сейчас использую лемматизацию pymystem3, но, закономерно получаю не всегда то, что нужно.