Mchezo wa maneno unahitaji zaidi ya orodha ya mnyororo halali. Inahitaji kusema kila moja inamaanisha nini, na maana ni kitu gumu zaidi kuhifadhi.
WordChess inachezwa kwenye ubao wa 25×25 wenye 148,941- Kiingereza kamusi6, kuingia wastani wa herufi 8.6, baadhi zikienda hadi 25. Hiyo ndiyo sehemu rahisi. Orodha ya maneno halali ni seti ya mnyororo mchezo utakaoikubali. Sehemu inayovutia ni kumwambia mchezaji mnyororo uliopo kwenye ubao unamaanisha nini, na kufanya hivyo kwa lugha ishirini na mbili kwa wakati mmoja.
Wanahisimishaji huchora mstari mkali kati ya lemma na umbo lake zake. Lemma ni neno kuu unalotafuta, run, house, be. Karibu nayo zunguka mfumo wa umbo la nje: runs, ran, running. Kila moja hubeba maana ya msingi ileile, iliyovaa kwa jukumu tofauti la sarufi.3 Kamusi hutumia maandishi yake kwa lemma na huacha vichwa vya kuelekeza nyumbani.
Idadi ya vichwa neno linavyoweka inategemea lugha. Kiingereza ni analytic: linategemea mpangilio wa maneno na maneno madogo ya kusaidia, hivyo kitenzi mara nyingi halina zaidi ya umbo chache. Kifini ni agglutinative, hujenga maana kwa kunyong'anya mizunguko kwenye msingi. Neno moja la Kifini inayobadilika kwa takriban kesi kumi na tano, kwa umoja na wingi, kabla ya mizizi ya umiliki na vikwazo kutandikwa juu; idadi ya vitendo tofauti inayotumika katika mazoea inafikia maelfu.4 Kihungaria inapakia jumla nzima ya Kiingereza, nyumbani kwangu, ndani ya neno moja, házamban.5
Maamuzi yanatoka kwa Wiktionary, kamusi hurii ambayo mtu yeyote anaweza kuhariri. Ni kubwa sana na ya lugha nyingi: mradi huu unahusisha zaidi ya toleo la lugha zilizofanya kazi zaidi ya moja kwa moja na maelfu ya milioni ya kuingiza, yaliyoandikwa kwa ushirikiano na wafadhili badala ya bodi ya wahariri waliojipigwa mshahara.1 Kwa mchezo unaofanya kazi kwa lugha 22, hakuna kamusi huru nyingine inayokaribia katika mwingiliano.
Lakini mwingiliano kwenye karatasi si mwingiliano unaozoeleka kusoma. Wiktionary huhifadhi vitendo vilivyobadilika kwa njia inayomlinya waharibi wa binadamu kuandika maelezo yale yale mara kumi kwa moja. Badala ya kuandika maelezo kwa kina, kuingiza kisio-lemma kinabeba template ya umbo, kiashiria kidogo kinachosema, kwa mantiki, "hii ni umbo maalum la gramu la lemma huyo."2 Kichwa cha smoulders siwa ni maandishi; ni templeiti inayotolewa kama "third-person singular simple present of smoulder."1
Vidokezo hivi si makosa ya kupunguza. Kwenye Wiktionary ya Kiingereza, kutoka takriban 1.27 milioni ya maamuzi, takriban 478,000, zaidi ya theluthi moja, ni maamuzi ya "form of" badala ya maana yaliyoandikwa kwa kina.1 Data iko hapo. Ina fungwa tu.
Hivyo changamoto iliyokuwa muhimu ilikuwa si "neno linakosekana." Ilikuwa kwamba maana ya neno iliokuwa ndani ya templeiti ambayo parser ya kawaida ingeipoteza. Maamuzi ya WordChess yalijengwa kwa kusoma dump za Wiktionary za msingi na kupanua templeiti za inflection lugha kwa lugha, kufundisha parser maana ya kila vidokezo na kuandika upya kama glosi ya kawaida.6
Kila lugha inaficha mifumo yake nyuma ya mashine tofauti. Kihispania inaficha mifumo ya vitenzi nyuma ya {{forma verbo}}, inayotafsiriwa kuwa "verbal form of X." Kijerumani hutumia {{Grundformverweis Dekl/Konj}} kwa mifumo iliyopunguzwa na iliyotengenezwa. Kifini inategemea {{taivutusmuoto}}. Kipindi cha Kirusi mara nyingi hahifadhi chochote cha mfano wa umbo, neno lililo na mabadiliko ni kimoja urejeeshaji (собаки → собака) ambao lazima ufuatiwe ili kupata maelezo ya "umoja wa".6 Shughulikia kila kanuni, na mwingiliano unaruka.
| Lugha | Kabla | Baada | Ongezeko |
|---|---|---|---|
| Kijerumani | 45% | 92% | +47 |
| Kiholandi | 58% | 90% | +32 |
| Kifini | 54% | 74% | +20 |
| Kirusi | 20% | 70% | +50 |
| Kigiriki | 15% | 57% | +42 |
Imeongezwa kutoka kwenye maelezo ya muundo na ujenzi wa mradi huu. Asilimia ni sehemu ya kuingia kamusi yenye maamuzi yanayotumika au maelezo ya "umoja wa" yaliyotatuliwa.
Data haikukosea kamwe. Ilikuwa imefungwa ndani ya kiashiria, na kumpa mashine neno ilimaanisha kujifunza kuitengeneza.
Inafaa kuwa na ukweli kuhusu yale mchezo sasa unayoyashika. WordChess inapoonyesha kwamba собаки ni aina ya собака, "mbwa," haijafahamu chochote. Imemwanga mstari mmoja hadi mstari mwingine, maelezo, kwa kufuata viashiria vyenye mbinu ileile ambayo mhariri wa binadamu aliyachukia. Hii ni lemmatization, kazi kuu ya usindikaji wa lugha asilia: kupunguza umbo la nje hadi msingi ili mashine iwe na vitu tofauti vichache vya kufuatilia.7
Hii ni aina halisi na yenye faida ya kujua. Inaruhusu mchezo kujibu "neno hili ni lipi?" huko Athens au Amsterdam bila kamusi ya maneno kwenye wafanyakazi. Lakini ni kujua-kama kutafuta, si kujua-kama maana. Maelezo ni ahadi kwamba mtu, akiyayisoma, atatambua neno hilo. Mashine inashika ahadi hiyo; msomaji anatoa hisia.
Lugha nyingi zinagusa mpaka ambao hakuna parser anayeweza kuongeza, kwa sababu data tu haipo hapo kufunguliwa. Vinginevyo vya Hungary mara nyingi huwa na asili na jedwali la tafsiri pekee, hakuna maandishi ya ufafanuzi kabisa, hivyo hata msomali kamili hutoa tupu. Matatizo magumu yanakusanyika mahali lingustiki ni ngumu zaidi: lugha za agglutinative kama Finlandi na Hungary, zinazozalisha paradigimu kubwa, na herufi za Cyrillic na Kigiriki, ambapo mwingiliano wa jamii ni dhaifu zaidi kutoka mwanzo. Kigiriki kilipanda kutoka 15% hadi 57%; kwamba hupungua sana ukilinganisha na 92% ya Kijerumani ni ukweli kuhusu chanzo, si kodia. 6