一起來擴充gcin的詞庫

初次使用gcin詞音或gtab自動選字的朋友會不會覺得有些常用詞沒在現有的gcin詞庫裡？
往往要使用一段時間手動加了一些詞之後才開始覺得順手？
如果是這樣，請幫忙貢獻您已新建的詞庫，方法如下（改自gcin說明檔）：

合併eliu兄手稿和gcin說明檔

gcin 的詞庫不夠多，想貢獻給 gcin 作者自己的詞庫，要怎麼做呢？

先下載tsin.src 放到~/.gcin裡，接下來這樣做就可以抽取出您所新增的詞：

cd .gcin
tsd2a32 -nousecount ~/.gcin/tsin32 > new.txt
diff -u tsin.src new.txt | grep '^+' | sed -e "s/^+//" > diff.txt

接著用文字編輯器打開diff.txt
注意看你的詞庫是否有那些現代人用不到的詞，這些沒用的詞只會增加詞音錯誤的機率。

由於詞庫相當難以維護（徵求自願者...），
所以最好每位貢獻者能在上傳之前就做好把關的動作，
請記得用文字編輯器檢查一下，刪除您覺得不適切的詞，以及過於隱私的資料，
整理好後，請把diff.txt上傳或貼上來（如果內容超過20行，請用上傳的方式...），
這樣這些詞就有機會進到詞庫裡，造福後人～
感謝！

-------------------------------------------------------------------
好用的gcin連結：

edited: 3

joined: 2007-09-19
posted: 4946
promoted: 325
bookmarked: 206
歸隱山林

subject:

2009-05-10

http://hyperrate.com/thread.php?tid=9000

不是討論過了嗎？

winlin

joined: 2007-09-25
posted: 1859
promoted: 111
bookmarked: 33

subject:

2009-05-10

哦～感謝LGJ兄提醒，
小弟重新仔細看了一下那個討論串，
但是還是有點不懂最後的結論，所以再發個問請教一下您～

請問依據那個討論串的結論，
如果動員大家一起來貢獻詞庫，到時候還會有版權的問題而不能併到gcin？
還是說這篇文比較適合插到那個討論串的最後？

感謝～

-------------------------------------------------------------------
好用的gcin連結：

joined: 2007-09-19
posted: 4946
promoted: 325
bookmarked: 206
歸隱山林

subject:

2009-05-10

校正訂原來詞庫比新增重要。
詞庫運作原理要問 eliu。詞庫不是愈多愈好。
已經有現成的詞庫可以運用。

eliu

joined: 2007-08-09
posted: 11480
promoted: 617
bookmarked: 187
新竹, 台灣

subject:

2009-05-10

可以用

tsd2a32 -nousecount ~/.gcin/tsin32 > file.txt

把詞的使用次數清掉以方便用 diff 比較

edited: 1

eliu

joined: 2007-08-09
posted: 11480
promoted: 617
bookmarked: 187
新竹, 台灣

subject:

2009-05-10

diff -u old new | grep '^+' | sed -e "s/^+//"

可以取出新增的詞

winlin

joined: 2007-09-25
posted: 1859
promoted: 111
bookmarked: 33

subject:

2009-05-10

呼～
我的部份，原為789個詞，
刪了不少髒話、一些不該出現的、可能不太適切的詞，
目前剩653個詞...還是很多呀！（本來以為會只有30個左右....）

上傳上來，算是拋個磚試試。

詞庫的維護真的很可怕，之前T大就整理過一次（真佩服...），
我個人比較擔心的是，
一些詞只是因為「幾聲音」差異而不適於進入詞庫（尤其是「ㄧ」的一聲或四聲），
另外，也不太懂自動選字的運作原理，
如果eliu兄願意稍作解釋，或提一下收詞原則的話（譬如：「只收名詞和成語，其餘不收」或什麼的），
大家在整理各自的詞庫時，或許會比較知道哪些詞應該要刪掉別上傳。

-------------------------------------------------------------------
好用的gcin連結：

joined: 2007-09-19
posted: 4946
promoted: 325
bookmarked: 206
歸隱山林

subject:

2009-05-10

因此，只要取需要的詞語過來用，不會造成侵權的問題，否則整理那些詞庫的人，第一個就首先侵權了。

就像沒有人可以主張宋體的某個字的寫法他有著作權，了不起只能主張他的字型的整體設計他有美術著作權是類似的道理。

edited: 1

joined: 2007-09-19
posted: 4946
promoted: 325
bookmarked: 206
歸隱山林

subject:

2009-05-10

winlin

還是說這篇文比較適合插到那個討論串的最後？

沒錯。當初討論的時候為何不參與呢？同類的討論串除非另有其他不同的內容，本來就沒有必要另立 thread，尤其是有延續性的。

要另立 thread，至少要有個 link 串連起來，不然前面的人的討論好像是在討論辛酸的。

winlin

joined: 2007-09-25
posted: 1859
promoted: 111
bookmarked: 33

subject:

2009-05-10

LGJ

沒錯。當初討論的時候為何不參與呢？同類的討論串除非另有其他不同的內容，本來就沒有必要另立 thread，尤其是有延續性的。要另立 thread，至少要有個 link 串連起來，不然前面的人的討論好像是在討論辛酸的。

LGJ兄：
那串討論我有看過，只是一時忘了，感謝提醒，也感謝您剛剛幫忙加個連結進來。
我當初是用四碼倉頡，對詞庫的依賴沒現在這麼重，所以沒重視到詞庫，因此沒有參加討論。
我到那篇也加個連結連回來，讓後續有搜尋到那篇討論的人可以連到這篇來。

-------------------------------------------------------------------
好用的gcin連結：

edited: 1

caleb
joined: 2007-09-22
posted: 630
promoted: 134
bookmarked: 90

subject:

2009-05-10

winlin

如果eliu兄願意稍作解釋，或提一下收詞原則的話（譬如：「只收名詞和成語，其餘不收」或什麼的），

少量詞沒差，大量的話最好自己先看過。

隨便瞄了一下就發現很多不適合放 upstream 的：

二碼、以利、亦未能、亦沒有、也是從、憂思、右腦傷、未完成學業、未與、未對、完後、殞石、ㄆㄨㄣ、普同性、每一段時間…

後面相信還有很多不適合收錄的。

winlin

joined: 2007-09-25
posted: 1859
promoted: 111
bookmarked: 33

subject:

2009-05-10

caleb

少量詞沒差，大量的話最好自己先看過。

隨便瞄了一下就發現很多不適合放 upstream 的：

二碼、以利、亦未能、亦沒有、也是從、憂思、右腦傷、未完成學業、未與、未對、完後、殞石、ㄆㄨㄣ、普同性、每一段時間…

後面相信還有很多不適合收錄的。

感謝caleb兄指正，我再刪刪，感謝～

-------------------------------------------------------------------
好用的gcin連結：

eliu

joined: 2007-08-09
posted: 11480
promoted: 617
bookmarked: 187
新竹, 台灣

subject:

2009-05-10

那就麻煩 winlin 整理好我再放進去

winlin

joined: 2007-09-25
posted: 1859
promoted: 111
bookmarked: 33

subject:

2009-05-11

caleb

少量詞沒差，大量的話最好自己先看過。

隨便瞄了一下就發現很多不適合放 upstream 的：

二碼、以利、亦未能、亦沒有、也是從、憂思、右腦傷、未完成學業、未與、未對、完後、殞石、ㄆㄨㄣ、普同性、每一段時間…

後面相信還有很多不適合收錄的。

今天持續努力在整理當中，不過在刪的時候，常常還是不確定是否該保留，
請問eliu兄或caleb兄有沒有什麼可以依循的準則？

雖然有些看起來不太像是「詞」，如：「也是從」、「不愧是」...等，
個人使用上，如果保留它們，可以增加個人在使用上的選字正確率，
有時在詞音裡可以正確選好的詞，在gtab自動選字會選錯（如用「簡易」時），譬如：「咬牙」一詞。
這時候就頗依賴使用者自訂這類「不像詞，但常用的字串」來減少錯誤。
這些詞丟了可惜...但要放到詞庫卻又不三不四。
所以還是想問一下比較明確的篩選原則...，大大感謝～

對了，我發現有錯字，真歹勢....（殞石→隕石）

-------------------------------------------------------------------
好用的gcin連結：

winlin

joined: 2007-09-25
posted: 1859
promoted: 111
bookmarked: 33

subject:

2009-05-11

剛剛想了一下，
我想選字的機制愈強，就愈不需要使用者自己使用這些雜詞。

我現在的想法是，不然，某些看起來亂七八糟的雜詞就都不要保留了～（只留成語、形容詞、副詞、動詞和名詞）
以後遇到選字不順的情形，就貼上來當作自動選字機制的改進討論，
一方面可以讓gcin的選字更smart，另一方面也維持了詞庫的精簡。

不知道大家覺得如何？

-------------------------------------------------------------------
好用的gcin連結：

eliu

joined: 2007-08-09
posted: 11480
promoted: 617
bookmarked: 187
新竹, 台灣

subject:

2009-05-11

good

edited: 1

winlin

joined: 2007-09-25
posted: 1859
promoted: 111
bookmarked: 33

subject:

2009-05-13

看了好幾遍，目前刪到只剩245個（按此下載）。
請大家幫忙看看是不是還有不適合的，感謝～

另外，
藝人名字或歷史人物名字（像孫燕姿、蔡依林、深田恭子、甘地？）
地名、鄉鎮名稱或一些學校名稱要留嗎？
常用的髒話（如「吃屎」？）
此外還有幾個詞不確定是否該收錄，所以沒有放到那個檔裡，
我暫貼在這裡，請eliu兄看有沒有哪個適合收，沒有就丟了。

美體ㄇㄟ3 ㄊㄧ3 0
蔡依林ㄘㄞ4 ㄧㄌㄧㄣ2 0
孫燕姿ㄙㄨㄣㄧㄢ4 ㄗ 0
深田恭子ㄕㄣㄊㄧㄢ2 ㄍㄨㄥㄗ3 0
撿紅點ㄐㄧㄢ3 ㄏㄨㄥ2 ㄉㄧㄢ3 0
元長鄉ㄩㄢ2 ㄓㄤ3 ㄒㄧㄤ 0
南山人壽ㄋㄢ2 ㄕㄢㄖㄣ2 ㄕㄡ4 0
李小龍ㄌㄧ3 ㄒㄧㄠ3 ㄌㄨㄥ2 0
令狐沖ㄌㄧㄥ4 ㄏㄨ2 ㄔㄨㄥ 0
幹得好ㄍㄢ4 ㄉㄜ2 ㄏㄠ3 0
郭台銘ㄍㄨㄛㄊㄞ2 ㄇㄧㄥ2 0
工作者ㄍㄨㄥㄗㄨㄛ4 ㄓㄜ3 0
考選部ㄎㄠ3 ㄒㄩㄢ3 ㄅㄨ4 0
虎尾農工ㄏㄨ3 ㄨㄟ3 ㄋㄨㄥ2 ㄍㄨㄥ 0
龜毛ㄍㄨㄟㄇㄠ2 0
擊昏ㄐㄧ2 ㄏㄨㄣ 0
家扶中心ㄐㄧㄚㄈㄨ2 ㄓㄨㄥㄒㄧㄣ 0
像不像ㄒㄧㄤ4 ㄅㄨ2 ㄒㄧㄤ4 0
吃屎ㄔㄕ3 0
撐著ㄔㄥㄓㄜ1 0
受試者ㄕㄡ4 ㄕ4 ㄓㄜ3 0
善化ㄕㄢ4 ㄏㄨㄚ4 0
深意ㄕㄣㄧ4 0
鬆了一口氣ㄙㄨㄥㄌㄜ1 ㄧㄎㄡ3 ㄑㄧ4 0
痴痴地等ㄔㄔㄉㄜ1 ㄉㄥ3 0
沖擊ㄔㄨㄥㄐㄧ2 0
傷心事ㄕㄤㄒㄧㄣㄕ4 0
元本山ㄩㄢ2 ㄅㄣ3 ㄕㄢ 0

-------------------------------------------------------------------
好用的gcin連結：

edited: 3

caleb
joined: 2007-09-22
posted: 630
promoted: 134
bookmarked: 90

subject:

2009-05-12

面質 ← 面值？

裙擺 ← 裙襬？

元本山 ← 商品名，類似人地名

以下是不常用詞：

病歷室排拒皮質何意衡鑑話量效標選字重鬱症失語症入袋粗工

專門職業的相關用語不適合收錄在 upstream，建議另外弄個「西醫詞庫」「中醫詞庫」之類的。

eliu

joined: 2007-08-09
posted: 11480
promoted: 617
bookmarked: 187
新竹, 台灣

subject:

2009-05-12

沖擊ㄔㄨㄥㄐㄧ2 0

衝擊

edited: 1

winlin

joined: 2007-09-25
posted: 1859
promoted: 111
bookmarked: 33

subject:

2009-05-13

感謝eliu兄和caleb兄幫忙指正，已修正成這個附檔。

-------------------------------------------------------------------
好用的gcin連結：

edited: 1

winlin

joined: 2007-09-25
posted: 1859
promoted: 111
bookmarked: 33

subject: 再來一份新詞

2009-08-09