Accueil Corpus parallèle Lecture active Données Informations Aide
English 日本語
Le projet Jibiki.fr

Dictionnaire japonais-français

Consultation
Consultation avancée

Les buts du projet Jibiki.fr sont de construire de manière collaborative un dictionnaire français-japonais de qualité et à large couverture ainsi qu'un corpus bilingue aligné. Les données initiales proviennent de plusieurs sources dont les dictionnaires Cesselin et JMdict ainsi que Wikipedia. Le dictionnaire contient actuellement plus de 154 000 articles et 226 000 exemples. Les données produites sont téléchargeables publiquement et gratuitement.

Corrections diverses

Bonjour tout le monde,

Nous avons continué à effectuer des corrections diverses :

  • Suppression de 368 articles en doublon entre le Cesselin et le JMdict suite aux corrections effectuées dans le Cesselin.
  • Suppression des espaces dans les vedettes suite à des corrections manuelles. Cela concerne 275 articles.
  • Intégration des renvois dans l’article principal. il y a 1327 articles de renvoi dans le Cesselin. Nous en avons intégré 692. Il en reste 348 dont nous avons trouvé que le romaji et 287 sans correspondance. Il faudra intégrer ces 2 dernières catégories manuellement.
  • Constitution de la liste des articles du JMdict et de Wikipedia qui sont des sous-entrées d’articles du Cesselin. C’est le cas de 7 516 articles. La prochaine étape sera de remplacer ces articles par un renvoi.

Le résultat final diminue le nombre total d’articles. Pour le Cesselin, on passe de 82 719 à 82 035, pour le JMdict, on passe de 47 977 à 47 633; pour Wikipedia, on passe de 23 506 à 23 486. LE nombre total d’articles passe de 154 203 à 153 205.

Mise à jour des données

Nous travaillons actuellement sur une catégorisation des « exemples » en collocations, locutions, proverbes et exemples d’usage. Une première étape a consisté à mettre à jour les données sur plusieurs points :

  • suppression des vedettes en double (surtout sur les articles issus du JMdict).
  • duplication des vedettes contenant le donojiten 々
  • ajout des vedettes dans les exemples lorsque celles-ci sont validées (remplacement des « … » dans le romaji et des « — » dans le japonais).
  • ajout du furigana sur les exemples qui n’en avaient pas. Cela sera dorénavant fait automatiquement une fois par semaine sur les articles modifiés. Le furigana est ajouté avec l’outil Mecab. J’ai créé un dictionnaire pour mecab issu des données du jibiki.fr.
  • ajout d’un champ d’indexation des exemples pour la version romaji sans espaces.

La recherche avancée a également été améliorée :

  • ajout de l’option « contient » pour toutes les recherches.
  • recherche dans les exemples avec le japonais, le furigana, le romaji et la traduction française.

Nous vous donnerons très prochainement des informations sur la catégorisation des exemples. D’ici là, bonne consultation !

Améliorations de taille sur les corpus

Suite à l’impulsion d’Alexis et à grâce un coup de pouce d’Olivier, j’ai retravaillé toute la chaîne de traitement des corpus. J’utilise maintenant l’outil hunalign avec un dictionnaire français-japonais qui permet d’aligner des textes même s’ils n’ont pas le même nombre de lignes.

J’ai mis sur pieds un système de gestion des corpus en ligne appelé iPoCorp. Cela permettra à de sutilisateurs d’ajouter de nouveaux corpus en ligne de manière simple.

J’ai retravaillé les corpus suivants :

  • Le Monde Diplo a profité de l’outil d’alignement pour aligner tous les textes. J’ai ajouté également les articles pour la période 2014-2017. Au final, nous obtenons un corpus de plus de 2 millions de mots !
  • OpenSubtitles, le corpus des sous-titres n’avait pas été analysé pour le français. J’ai donc analysé tous les textes français pour qu’il puisse être utilisé.
  • Grâce à Alexis, nous avons construit un nouveau corpus de littérature comprenant 5 romans de Haruki Murakami, avec un total de plus d’1 million de mots.
  • J’ai également travaillé sur les données issues du fameux corpus Tatoeba initié par Prof. Tanaka. un peu plus de 31 000 phrases bilingues sont disponibles.

L’interface a également été revue. Il est possible de masquer ou d’afficher la liste des corpus en cliquant sur le titre. Cela permet de mieux voir les résultats de recherche. Les corpus sont aussi regroupés par thèmes, ce qui facilite la sélection.

Une dernière amélioration utile : chaque texte a maintenant une référence qui s’affiche. Vous pouvez cliquer sur le lien de droite « Réf » pour l’afficher.

Clarification des okurigana

Si vous consultez régulièrement le dictionnaire, vous aurez remarqué que le Cesselin est assez radin sur les okurigana. Par exemple, pour l’entrée tabemono, on trouve 食物 alors que de nos jours, tout le monde écrit 食べ物.

Il fallait donc trouver une solution pour corriger automatiquement ces entrées. C’est chose faite depuis ce soir grâce à un script de ma spécialité qui consulte le dictionnaire SuperDaijirin installé par défaut sur MacOsX et affiche les variantes okurigana pour une entrée donnée. C’est environ 6500 entrées qui ont été corrigées.

Vous pouvez donc chercher 食物 et vous tomberez sur l’entrée 食べ物. Les anciennes variantes du Cesselin sans okurigana peuvent être utilisées pour la recherche mais ne sont pas affichées dans un soucis de simplification pour ne pas perturber le lecteur.

Bonne lecture !

Vedettes non reconnues en minorité !

Ça y est, aujourd’hui, nous avons reconnu manuellement plus de vedettes : 5 174 qu’il en reste à reconnaître : 5 155. Bref, on a passé le milieu du tunnel. Et tout cela grâce à l’impressionnant travail de Mutsuko (constance). Merci Mutsuko !