Dates are not parsed correctly (nob) ( about lang-nob HOT 6 OPEN

Comment 12611

Date: 2017-09-27 14:10:44 +0200
From: Børre Gaup <<borre.gaup>>

nob:
echo "har den 4.6.2014 oppnevnt følgende" |hfst-tokenise --segment --print-all $GTHOME/langs/nob/tools/tokenisers/tokeniser-disamb-gt-desc.pmhfst
har

den
4
.
6
.
2014
oppnevnt

følgende

sme:
echo "har den 4.6.2014 oppnevnt følgende" |hfst-tokenise --print-all --segment $GTHOME/langs/sme/tools/tokenisers/tokeniser-disamb-gt-desc.pmhfst
har

den

4.6.2014

oppnevnt

følgende

from lang-nob.

Comment 12629

Date: 2017-10-04 10:56:53 +0200
From: Trond Trosterud <<trond.trosterud>>

Det fungerer for "4.6. 2014" men ikkje for "4.6.2014."

Eg skal sjå på fst-en.

4.6.2014
""
"den" Det Dem Sg MF <W:0.0000000000>
"den" Pron Pers Sg3 <W:0.0000000000>
: 4
"<.>"
"." CLB <W:0.0000000000>
:6
"<.>"
"." CLB <W:0.0000000000>
:2014

"<23.3.>"
"23.3" A"+Ord" <W:0.0000000000>
"<>"
V Imp <W:0.0000000000>
V Inf <W:0.0000000000>
"<" PUNCT LEFT <W:0.0000000000>
">" PUNCT LEFT <W:0.0000000000>
"«" PUNCT LEFT <W:0.0000000000>
"»" PUNCT RIGHT <W:0.0000000000>
: 1995

from lang-nob.

Comment 12630

Date: 2017-10-04 11:36:54 +0200
From: Trond Trosterud <<trond.trosterud>>

Eg får ikkje repetert dette med --segment --print-all.
For dei parametra er sma og nob identisk:

tf-hsl-m0016:nob ttr000$ e "2.2.1234."|hfst-tokenise --segment --print-all tools/tokenisers/tokeniser-disamb-gt-desc.pmhfst
2.2.1234.

tf-hsl-m0016:sma ttr000$ e "2.2.1234."|hfst-tokenise --segment --print-all tools/tokenisers/tokeniser-disamb-gt-desc.pmhfst
2.2.1234.

Derimot er det ein skilnad for --giella-cg:

tf-hsl-m0016:sma ttr000$ e "2.2.1234."|hfst-tokenise --giella-cg tools/tokenisers/tokeniser-disamb-gt-desc.pmhfst
"<2.2.1234.>"
"2.2.1234" A Ord Attr <W:0.0000000000>
:\n
tf-hsl-m0016:sma ttr000$ cd ../nob
tf-hsl-m0016:nob ttr000$ e "2.2.1234."|hfst-tokenise --giella-cg tools/tokenisers/tokeniser-disamb-gt-desc.pmhfst
"<2.2.1234.>"
"2.2.1234" A"+Ord" <W:0.0000000000>
"<>"
V Imp <W:0.0000000000>
V Inf <W:0.0000000000>
"<" PUNCT LEFT <W:0.0000000000>
">" PUNCT LEFT <W:0.0000000000>
"«" PUNCT LEFT <W:0.0000000000>
"»" PUNCT RIGHT <W:0.0000000000>
:\n
"<>"
V Imp <W:0.0000000000>
V Inf <W:0.0000000000>
"<" PUNCT LEFT <W:0.0000000000>
">" PUNCT LEFT <W:0.0000000000>
"«" PUNCT LEFT <W:0.0000000000>
"»" PUNCT RIGHT <W:0.0000000000>

Eg kan endre nob slik at den har same funksjon som sma (alle tal-punktum-tal-kombinasjonar er ok), men problemet med --segment står altså att som urepeterbart.

from lang-nob.

Comment 12631

Date: 2017-10-04 15:36:29 +0200
From: Børre Gaup <<borre.gaup>>

(In reply to Trond Trosterud from comment #2)

Eg får ikkje repetert dette med --segment --print-all.
For dei parametra er sma og nob identisk:

tf-hsl-m0016:nob ttr000$ e "2.2.1234."|hfst-tokenise --segment --print-all
tools/tokenisers/tokeniser-disamb-gt-desc.pmhfst
2.2.1234.

Jeg får samme svar med samme input som deg, men … om man fjerner punktum bak datoen, skjer dette:

nob $ echo "2.2.1234"|hfst-tokenise --segment --print-all tools/tokenisers/tokeniser-disamb-gt-desc.pmhfst
2
.
2
.
1234

from lang-nob.

Comment 12633

Date: 2017-10-04 16:02:08 +0200
From: Trond Trosterud <<trond.trosterud>>

Aha, takk. Eg får same resultat som deg. ==> Eg skal endre nob-fst-en slik at den oppfører seg som sma.

from lang-nob.

Comment 12639

Date: 2017-10-04 16:44:47 +0200
From: Trond Trosterud <<trond.trosterud>>

tf-hsl-m0016:nob ttr000$ svn ci -m "Oppdatering for bug #2427: Same handsaming av numeralia som for sørsamisk" src/morphology/stems/numerals.lexc

tf-hsl-m0016:nob ttr000$ e "2.2.1234"|hfst-tokenise --segment --print-all tools/tokenisers/tokeniser-disamb-gt-desc.pmhfst
2.2.1234
tf-hsl-m0016:nob ttr000$ e "2.2.1234."|hfst-tokenise --segment --print-all tools/tokenisers/tokeniser-disamb-gt-desc.pmhfst
2.2.1234
.

tf-hsl-m0016:nob ttr000$ e "2.2.1234"|hfst-tokenise --segment --print-all ../sma/tools/tokenisers/tokeniser-disamb-gt-desc.pmhfst
2.2.1234
tf-hsl-m0016:nob ttr000$ e "2.2.1234."|hfst-tokenise --segment --print-all ../sma/tools/tokenisers/tokeniser-disamb-gt-desc.pmhfst
2.2.1234.

La oss sjå om dette hjelper.

from lang-nob.