[ACEITO!] Lista de Palavras em Português para o BIP-0039

[bitmover]

O @alegotardo fez eu trabalhar hoje..

Botei umas 6 letras.. agora a lista está com 2058 palavras..


Vou mandar umas PMs para o pessoal de Portugal nos ajudar a filtrar a lista..

Pessoal, tirei mais algumas que achei ofensivas ou sem sentido (sexual, afta, vuvuzera entre outras)

Trabalho praticamente encerrado. Acho que agora é reduzir mais ainda pra 2048.

Vou criar um topico na aba technical discussion, direcionando para os 4 principais contribuires (Sabota, Alegotardo eu e o TryNinja) e perguntando se eles tem alguma recomendacao para a proposta final antes de enviarmos para o iancoleman.

[1714956027]

1714956027

[1714956027]

1714956027

[1714956027]

1714956027

[alegotardo]

O @alegotardo fez eu trabalhar hoje..

Botei umas 6 letras.. agora a lista está com 2058 palavras..


Vou mandar umas PMs para o pessoal de Portugal nos ajudar a filtrar a lista..

Mas também, ficou mamão com açúcar depois de receber um dicionário já com palavras filtradas de 4 a 8 palavras, sem acentos, com as 4 primeiras letras distintas e que não existe nos outros dicionários do BIP39.

Quero ver o @bitmover tirar algo agora

Pessoal, tirei mais algumas que achei ofensivas ou sem sentido (sexual, afta, vuvuzera entre outras)

[EDIT]

@bitmover, não estou vendo essa sua exclusão aqui no histórico.

Tem certeza que está no branch correto?

[sabotag3x]

Pessoal, tirei mais algumas que achei ofensivas ou sem sentido (sexual, afta, vuvuzera entre outras)

Trabalho praticamente encerrado. Acho que agora é reduzir mais ainda pra 2048.

Vou criar um topico na aba technical discussion, direcionando para os 4 principais contribuires (Sabota, Alegotardo eu e o TryNinja) e perguntando se eles tem alguma recomendacao para a proposta final antes de enviarmos para o iancoleman.

Eu esperaria alguns portugueses fazerem uma revisão.. Eu mandei uma PM para Jay_Pal, pedrog, FilipeHenriques, Trimegistus e idunets aqui no fórum.. com sorte eles dão uma olhada..

Eu acho que ainda tem trabalho a ser feito, passar um pente fino.. tem umas palavras pouco utilizadas como "modal".. "arruela" que é muito parecida com "ruela" (esta eu retirei) e é pouco utilizada, talvez tenha mais algumas "ofensivas/negativas" perdidas por ali também..

Também tem que citar os outros 2 contribuidores do Github que começaram a lista, e ver se teve mais gente que os ajudou..

@bitmover, não estou vendo essa sua exclusão aqui no histórico.

Tem certeza que está no branch correto?

Cheguei agora e já aceitei o PR..

se você me mandar mais letras eu adiciono mais algumas para poder filtrar melhor depois..

edit: também tem umas que fogem a regra das 4 primeiras letras, como "mugir" e "mugido".. Alguém consegue automatizar a revisão desta regra?

[sabotag3x]

@bitmover os caras usaram palavras com acento na lista em espanhol/francês.. Então tem que substituir os acentos na lista para fazer a comparação.. ex: "é" por "e", "à, á, ã" por "a"..

Francês tem: "cinéma" (linha 396) e o nosso também tem "cinema".. creio que deve ter mais palavras, assim como tinha "acne" na primeira lista em português e tem "acné" em espanhol..

[alegotardo]

@bitmover os caras usaram palavras com acento na lista em espanhol/francês.. Então tem que substituir os acentos na lista para fazer a comparação.. ex: "é" por "e", "à, á, ã" por "a"..

Francês tem: "cinéma" (linha 396) e o nosso também tem "cinema".. creio que deve ter mais palavras, assim como tinha "acne" na primeira lista em português e tem "acné" em espanhol..

🤦
E eu já tava contente que não precisaria mais garimpar palavras....
Vou te mandar os dicionários que faltaram.

[sabotag3x]

🤦
E eu já tava contente que não precisaria mais garimpar palavras....
Vou te mandar os dicionários que faltaram.

https://youtu.be/UPw-3e_pzqU

[bitmover]

@bitmover os caras usaram palavras com acento na lista em espanhol/francês.. Então tem que substituir os acentos na lista para fazer a comparação.. ex: "é" por "e", "à, á, ã" por "a"..

Francês tem: "cinéma" (linha 396) e o nosso também tem "cinema".. creio que deve ter mais palavras, assim como tinha "acne" na primeira lista em português e tem "acné" em espanhol..

kct... realmente... eu consigo fazer isso sim. Preciso converter a lista deles toda de "é" para "e" e comparo depois.

edit: também tem umas que fogem a regra das 4 primeiras letras, como "mugir" e "mugido".. Alguém consegue automatizar a revisão desta regra?

Sim, é possível.

Acho que consigo fazer fácil.

Se preparem que lá vem bomba.

Edit:
Acho que usei uma bomba atomica pra mata uma formiga, mas nada ficou de fora desse dicionario:

Code:

'à':'a',
'á':'a',
'â':'a',
'ã':'a',
'ä':'a',
'å':'a',
'ç':'c',
'è':'e',
'é':'e',
'ê':'e',
'ë':'e',
'ì':'i',
'í':'i',
'î':'i',
'ï':'i',
'ò':'o',
'ó':'o',
'ô':'o',
'õ':'o',
'ö':'o',
'ù':'u',
'ú':'u',
'û':'u',
'ü':'u',
'ý':'y',
'ÿ':'y'

kkkk ja vou atualizar

Edit 2:
Pessoal tive um problema na hora de rodar, e vou ter que alterar o script.
Espero conseguir fazer hj, mas sexta e foda...

[alegotardo]

Sim, é possível.

Acho que consigo fazer fácil.

Se preparem que lá vem bomba.

Pelo meu script, tem que eliminar essas...

Code:

bambu
bateria
bonsai
celeste
cinema
desvio
eclipse
engano
equipe
esqui
galeria
guia
imperial
ironia
legume
mineral
oceano
pequeno
quietude
raiz
rubi
teoria
vegetal

Das atuais 2085 palavras vai pra 2062.
Mas não confio muito porque estou fazendo tudo no excel (Microsoft, sabe né), vamos ver o que tu consegue.

[sabotag3x]

Palavras que eu tiraria: EDIT: as palavras riscadas foram excluídas.. a lista agora contém 2048 palavras e só precisa ser revisada.

Tamanho - Tamanco - regra das 4 primeiras
Mugido - Mugir - regra das 4 primeiras
Moradia - Morango - regra das 4 primeiras
Jogada - Jogador - regra das 4 primeiras
Gerador - Gerar - regra das 4 primeiras
Encontro - Encosto - regra das 4 primeiras
Dinamite - Dinastia - regra das 4 primeiras

Utero - typo (útero)
Fuba - typo (fubá)

Zonzar - não existe no dicionário

Vilania - não sei o que é

Agrado - mudar para verbo

Roxa - Roxo - muito parecidas
Rali - Ralo - muito parecidas
Pular - Pulo - muito parecidas
Clipe - Clique - muito parecidas
Bula - Bule - muito parecidas

Vomitar - negativa
Vitimar - negativa
Virose - negativa
Vingar - negativa
Vesgo - negativa
Viciado - negativa
Verme - negativa
Tontura - negativa
Pior - negativa
Maluco - negativa
Nunca - negativa
Lamento - negativa
Jazida - negativa
Ineficaz - negativa
Falha - negativa
Falido - negativa
Fajuto - negativa
Facada - negativa
Dreno - negativa
Danoso - negativa
Caolho - negativa
Caluniar - negativa
Cafona - negativa
Azedo - negativa

Ecomuseu - pouco utilizada
Paiol - pouco utilizada
Miudeza - pouco utilizada
Macro - pouco utilizada
Leonino - pouco utilizada
Lavrado - pouco utilizada
Harpia - pouco utilizada
Fava - pouco utilizada
Bruma - pouco utilizada
Brado - pouco utilizada
Adiposo - pouco utilizada

[bitmover]

Pessoal, tirem essas que vocês sugiram.
Vou tentar fazer o script hoje , no mais tardar amanhã.

[alegotardo]

Palavras que eu tiraria:
~~~~

Eu concordo com todas do grupo "regra das 4 primeiras" e "pouco utilizada"
Pelas minhas contas vai sobrar umas 25 palavras após o @bitmover ajustar e rodar o script, então vamos ir com calma aí

[Trimegistus]

@bitmover os caras usaram palavras com acento na lista em espanhol/francês.. Então tem que substituir os acentos na lista para fazer a comparação.. ex: "é" por "e", "à, á, ã" por "a"..

Francês tem: "cinéma" (linha 396) e o nosso também tem "cinema".. creio que deve ter mais palavras, assim como tinha "acne" na primeira lista em português e tem "acné" em espanhol..

Eu acho muito bem que se mantenham os acentos. Essa ditadura imposta pelos anglo-saxónicos tem que terminar. Será que ainda não ouviram falar em Unicode?

A língua portuguesa tem acentos! Estar a escolher palavras que sejam convenientes para "eles" não faz sentido.

Devíamos tentar, de alguma forma, lutar contra isso!

[TryNinja]

Eu acho muito bem que se mantenham os acentos. Essa ditadura imposta pelos anglo-saxónicos tem que terminar. Será que ainda não ouviram falar em Unicode?

A língua portuguesa tem acentos! Estar a escolher palavras que sejam convenientes para "eles" não faz sentido.

Devíamos tentar, de alguma forma, lutar contra isso!

Mas na verdade nós podemos usar acento, afinal, com o sem assento, o resultado vai ser o mesmo (a carteira tira os acentos). Foi só algo que o outro user (autor inicial da lista) decidiu. Mas eu também concordo que usar acento é melhor (afinal, não atrapalha).

[bitmover]

Pessoal, tivemos uma boa sugestão aqui:

https://bitcointalk.org/index.php?topic=5273606.msg55132937#msg55132937

vou tentar aplicar ao código, especialmente a parte da https://en.wikipedia.org/wiki/Levenshtein_distance e das 4 palavras no comeco (essa das 4 palavras é bem simples de aplicar, vou fazer esses dias.)

[sabotag3x]

Retirei mais estas:

cirene - typo
bocudo - pouco utilizada
boiada - já tem "bolada", "i" e "l" é muito fácil confundir
chuca - 4 primeiras
comboio - 4 primeiras
doloso - negativa
embaixo - 4 primeiras
empada - 4 primeiras
enjoado - negativa
esquadro - 4 primeiras
falecido - negativa
fedido - negativa
fedor - negativa
folha - 4 primeiras
formado - 4 primeiras
fugitivo - negativa
garoto - 4 primeiras
interno - 4 primeiras
jasmin - typo, corrigido para jasmim
loiro - grafia dupla -> louro/loiro
malabar - pouco utilizada
melado - 4 primeiras
modal - pouco utilizada
museu - tinha 2x
paginar - pouco utilizada
plano - 4 primeiras
plugue - pouco utilizada
racismo - negativa
sentido - 4 primeiras
toca - muito parecida com touca, que já está na lista
trilogia - 4 primeiras
umedecer - Grafia em Portugal: humedecer*
umidade - Grafia em Portugal: humidade*
velar - pouco utilizada
vividez - pouco utilizada

*tem que ter um português para dar uma olhada na lista para evitar a rejeição do PR.. melhor uma 'universal' do que uma PTBR..



Então tem 2019 palavras, restam 29..


Peço que deem uma olhada manualmente, eu já olhei várias e sempre tem algo errado.. melhor revisar agora do que esperar 1 mês para o PR ser rejeitado e ter que refazer..



Sobre os acentos: acho que causaria mais confusão ao usuário final..


Não entendi nada sobre a Distância Levenshtein

[JakobFugger]

Eu ainda não entendi muito bem tudo. Mas procurei na lista em espanhol e português e não tem algumas palavras. Vou deixar aqui de sugestão

elucidar
emancipar
psiquiatria
delírio
nuclear
evocar
mutual
exceder
oceano

talvez ajude  

[alegotardo]

Olha o estrago que vocês fizeram

Vejo que o final de semanaferiadão será longo

[bitmover]

Mesmo com os acentos, a unica palavra que saiu foi bonsai, que voces ja haviam retirado.
Achei mais uma palavra repetida, oferta.

QUero fazer daquela levenshtein distance que mencionaram na aba gringa. Achoq ue passando isso, seremos aprovados. Pelo q eu entendi vao checar isso.

Criei um script para tirar as palavras que tem os 4 primeiros caracteres iguais

O resultado foi esse:

Code:

307     capi
308     capi
325     cast
326     cast
327     cata
328     cata
419     comp
420     comp
503     desc
504     desc
606     enqu
607     enqu
619     enxa
620     enxa
638     esfr
639     esfr
646     espe
647     espe
1140    marc
1141    marc
1213    molh
1214    molh
1380    para
1381    para
1483    prec
1484    prec

Vou tirar as que eu achei piores e estou fazendo o pull request.

2005 palavras...

[cryptobaboon]

Ôôôô delícia, o tipo de trabalho que eu adoro fazer! Tá dando até uma tristeza de não poder dar as caras mais vezes por aqui :/ não vou distribuir merits agora para não ser injusto se alguém entrar no barco antes do approval, farei questão de guardar ao menos um para todos que derem uma mão nesta IMPORTANTÍSSIMA empreitada!

Sobre as words, dei uma olhada e me pergunto se há alguma condição específica de gênero. Questiono pois vejo o uso de ambos os casos, por exemplo: bonita | bruxo. Não seria melhor ter uma padronização de gêneros?

Se eu puder ajudar de alguma forma (com uma latência considerável, é claro hehe ), me avisem, a gente dá uma mão como puder!

[sabotag3x]

Sobre as words, dei uma olhada e me pergunto se há alguma condição específica de gênero. Questiono pois vejo o uso de ambos os casos, por exemplo: bonita | bruxo. Não seria melhor ter uma padronização de gêneros?

Pensei nisso porém já está difícil com as atuais regras, com mais essa ficaria impossível.. Tem umas que dão conflito com outro idioma e só o outro gênero está disponível..

e ajuda bastante ter opção dupla na regra das 4 primeiras letras.. ex: gato e gata..