关于项目
verba 是一个开放、统一的乌克兰谚语与格言语料库,汇编自1841年至今的五个数字化集子。
48 787 записів; кожен — із сучасним написанням і тематичними мітками, із пошуком за словом, темою, джерелом і за змістом.
关于本项目
数十年来,乌克兰谚语学资料分散于各独立印刷集子中,拼写规范各异,缺乏统一的机器可读格式。verba 将这些集子整合为一个语料库,使其可供检索、研究和再利用。
每条记录包含:原始文本(保留来源的历史拼写)、现代拼写、来自固定27个主题的1−3个主题、来源与参考文献,以及变体组(连接可能的方言对应词)。
来源
制作方式
历史版本已数字化;扫描件使用 OCR(tesseract)处理,Nomys 资料从批评版中提取。重复项进行软合并,可能的方言变体采用链接而非删除。文本尽量贴近原始来源。
诚实的局限性说明:Nomys 集子(1864年)代表了最佳 OCR 效果(字符精度≈75~80%),因此偶有识别错误。现代拼写和主题由 AI 生成,仅供参考(现代拼写≈95%可接受,主题≈85%)。主题标签最为可靠。
数据本身的排版已简化为纯 ASCII(直引号、撤号、连字符)以便程序处理;乌克兰语排版(《 》、破折号、’)仅用于网站和卡片的显示。
使用方式
- 网页应用 — 搜索、按主题和来源筛选、"按含义"语义搜索、翻阅模式和收藏谚语。
- REST API (
/api/v1) — JSON · JSONL · XML · CSV · TSV;参见API 文档。 - 下载 — 完整语料库的各种格式,连同数据卡片和 Croissant 元数据,可在GitHub 发布页或 Hugging Face 数据集获取。
许可证与引用
整理与增强(语料库结构、现代拼写、主题、整理后的注释、变体组)— CC BY 4.0。历史文本(1841−1909年)— 公共领域。现代集子(Bobkova;Mlodzynskyi, 2009年)仍受出版社权利保护;以研究和教育为目的收录,通过sources字段标注来源。
引用方式:
Yemelianov, Dmytro (2026). verba — Ukrainian Proverbs Corpus (v1.0.2). https://verbacorpus.org · ORCID 0009-0002-9244-7426
支持本项目
verba 是一个非商业的开放数据项目。网站和机器人均免费;捐款用于项目发展:母语者朗读录音、新增来源以及方言变体。感谢你守护鲜活的谚语 🌾