Magyar Szövegfeldolgozás

Magyar nyelvű szövegek elemzése, összefoglalása, kulcsszó- és entitáskinyerése, valamint érzelem- és témaazonosítás magyar tartalmakhoz.

Áttekintés

Magyar nyelvű szövegek automatikus feldolgozása: elemzés, kivonatolás, összefoglalás, és kulcsszó kinyerés.

Mikor használd

• Szöveg összefoglalás: hosszú magyar cikk tömörítése
• Kulcsszó kinyerés: fontos szavak kigyűjtése magyar szövegből
• Téma azonosítás: miről szól a magyar tartalom
• Érzelem elemzés: pozitív/negatív hangulat magyar szövegben
• Entitás kinyerés: nevek, helyek, dátumok magyar szövegben

Működés

1. Szöveg összefoglalás

python

def summarize_hungarian(text, max_sentences=3):
    # 1. Mondatokra bontás (magyar mondatvégi jelek: . ! ?)
    sentences = split_sentences(text)
    # 2. Fontossági súlyozás (kulcsszavak, pozíció)
    scored = score_sentences(sentences)
    # 3. Top N mondatok visszaadása
    return get_top_sentences(scored, max_sentences)

2. Kulcsszó kinyerés

python

def extract_keywords(text, top_n=5):
    # 1. Tokenizálás (magyar szóelemzés)
    tokens = tokenize(text)
    # 2. Stopwords szűrés (magyar stopword lista)
    filtered = remove_stopwords(tokens)
    # 3. Gyakoriság alapú rangsor
    return get_top_words(filtered, top_n)

3. Entitás kinyerés (NER)

• Személyek: keresztnevek, vezetéknevek
• Helyek: városok, országok, címek
• Dátumok: magyar dátum formátumok (YYYY-MM-DD, "március 18")
• Számok: pénzek, mennyiségek

Referenciák

• references/szovegertes.md – magyar szövegértés best practices, kontextus megőrzés
• references/stopwords.txt – magyar stopwords lista
• references/magyar-regex.md – magyar szöveg regex minták
• references/ner-patterns.md – entitás kinyerés minták

Scriptek

• scripts/summarize.py – magyar szöveg összefoglalás
• scripts/keywords.py – kulcsszó kinyerés
• scripts/ner.py – entitás kinyerés

Szövegértés javítás

Lásd references/szovegertes.md:

• Szólások, metaforák értelmezése
• Többjelentésű szavak feloldása
• Kontextus megőrzés több fordulós párbeszédben
• Érzelem elemzés, téma azonosítás

Jegyzetek

• Magyar agglutináló nyelv: szóvégi toldalékok kezelése fontos
• Stopword lista kritikus a kulcsszó kinyeréshez
• Helyi NLP modellek (pl. HunFlair) ha elérhetők