src/modules/syntax.py

from collections import Counter


class SyntaxModule:
    def __init__(self):
        # --- Aggettivi attributivi INGLESI ---
        self.adj_attrr_en = {
            "good", "new", "first", "last", "long", "great", "little", "own", "other", "old",
            "right", "big", "high", "different", "small", "large", "next", "early", "young", "important",
            "few", "public", "bad", "same", "able", "black", "white", "green", "blue", "red",
            "serious", "happy", "strong", "special", "weak", "wide", "beautiful", "nice", "smart", "tall",
            "major", "real", "basic", "full", "free", "perfect", "dark", "light", "hard", "clear",
            "simple", "cold", "warm", "rich", "strange", "sure", "deep", "local", "quick", "cheap",
            "direct", "tight", "open", "empty", "fine", "short", "dry", "loud", "safe", "calm",
            "dead", "mad", "sharp", "hot", "raw", "narrow", "round", "smooth", "soft", "heavy",
            "solid", "pure", "honest", "brave", "gentle", "wild", "shy", "bold", "bright", "fresh",
            "sweet", "bitter", "sour", "thick", "thin", "flat", "low", "poor", "quiet", "dangerous",
            "sad", "glad", "angry", "kind", "cruel", "stupid", "wise", "foolish", "proud", "humble",
            "funny", "normal", "familiar", "common", "rare", "possible", "impossible", "necessary",
            "uncertain", "confident", "hidden", "visible", "vague", "excited", "bored",
            "interested", "worried", "nervous", "relaxed", "tense", "helpful", "harmful", "useful",
            "useless", "valuable", "worthless", "trivial", "actual", "potential", "specific",
            "general", "particular", "universal", "individual", "collective", "personal",
            "main", "primary", "secondary", "unique", "typical", "standard",
            "advanced", "modern", "traditional", "contemporary", "recent", "current", "past", "future",
            "temporary", "permanent", "brief", "intermediate", "initial", "final",
            "external", "internal", "global", "national", "international", "central",
            "minor", "significant", "essential", "critical", "fundamental", "key", "core",
            "active", "passive", "indirect", "positive", "negative", "neutral",
            "absolute", "relative", "total", "partial", "complete", "incomplete", "complex",
            "theoretical", "practical", "empirical", "systematic",
            "random", "broad", "limited",
            "extensive", "intensive", "substantial", "minimal", "maximum", "minimum", "average",
            "natural", "artificial", "original", "conventional",
            "innovative", "experimental", "alternative", "tertiary",
            "preliminary", "ultimate",
            "concrete", "abstract", "mental", "physical", "emotional",
            "intellectual", "cultural", "social", "economic", "political", "scientific", "technical",
            "professional", "commercial", "industrial", "agricultural", "medical", "legal", "financial",
            "educational", "environmental", "historical", "geographical", "mathematical", "linguistic",
            "psychological", "philosophical", "artistic", "literary", "musical", "digital", "analog",
            "electronic", "mechanical", "nuclear", "biological", "chemical", "organic", "inorganic",
            "static", "dynamic", "stable", "unstable", "consistent", "inconsistent", "reliable",
            "unreliable", "valid", "invalid", "accurate", "inaccurate", "precise", "imprecise",
            "certain", "definite", "indefinite", "probable",
            "improbable", "likely", "unlikely", "unnecessary", "nonessential",
            "mandatory", "optional", "compulsory", "voluntary", "peripheral",
            "marginal", "trivial", "insignificant",
            "strategic", "tactical", "operational", "administrative", "executive", "legislative",
            "judicial", "regulatory", "preventive", "corrective", "proactive", "reactive", "adaptive",
            "responsive", "interactive", "collaborative", "competitive", "cooperative", "constructive",
            "destructive", "productive", "unproductive", "effective", "ineffective", "efficient",
            "inefficient", "sustainable", "unsustainable", "viable", "unviable", "progressive",
            "regressive", "radical", "conservative", "liberal", "moderate", "extreme", "mainstream",
        }

        # --- Aggettivi attributivi ITALIANI ---
        self.adj_attrr_it = {
            # Qualità fisiche
            "grande", "piccolo", "lungo", "corto", "alto", "basso",
            "largo", "stretto", "grosso", "sottile", "spesso", "piatto",
            "rotondo", "quadrato", "dritto", "curvo", "pesante", "leggero",
            "duro", "morbido", "liscio", "ruvido", "caldo", "freddo",
            "bollente", "gelido", "tiepido",
            # Colori
            "nero", "bianco", "rosso", "verde", "blu", "giallo",
            "arancione", "viola", "rosa", "grigio", "marrone", "azzurro",
            "dorato", "argentato", "scuro", "chiaro", "pallido", "vivace",
            # Qualità morali / caratteriali
            "buono", "cattivo", "onesto", "disonesto", "coraggioso", "vigliacco",
            "gentile", "crudele", "generoso", "avaro", "giusto", "ingiusto",
            "fedele", "leale", "sleale", "umile", "arrogante",
            "paziente", "impaziente", "saggio", "stolto", "prudente", "temerario",
            "sincero", "falso", "ingenuo", "furbo",
            # Qualità intellettuali
            "intelligente", "stupido", "brillante", "mediocre", "capace",
            "incapace", "abile", "inabile", "esperto", "inesperto",
            "colto", "ignorante", "istruito",
            # Qualità estetiche
            "bello", "brutto", "elegante", "goffo", "raffinato", "rozzo",
            "attraente", "affascinante", "noioso", "interessante",
            "banale", "originale", "creativo",
            # Dimensione temporale
            "nuovo", "vecchio", "antico", "moderno", "recente", "passato",
            "futuro", "attuale", "contemporaneo", "storico", "tradizionale",
            "obsoleto", "innovativo", "eterno", "temporaneo", "definitivo",
            # Dimensione spaziale / relazionale
            "vicino", "lontano", "centrale", "periferico", "interno", "esterno",
            "locale", "globale", "nazionale", "internazionale", "regionale",
            "urbano", "rurale", "pubblico", "privato",
            # Quantità / grado
            "intero", "parziale", "completo", "incompleto", "totale",
            "principale", "secondario", "unico", "raro", "comune", "frequente",
            "scarso", "abbondante", "sufficiente", "insufficiente",
            "massimo", "minimo", "medio", "normale", "eccezionale",
            # Relazione e categoria
            "simile", "diverso", "uguale", "opposto", "specifico", "generico",
            "particolare", "generale", "tipico", "atipico", "naturale",
            "artificiale", "reale", "virtuale", "concreto", "astratto",
            "positivo", "negativo", "neutro", "relativo", "assoluto",
            # Stato emotivo
            "felice", "triste", "arrabbiato", "calmo", "ansioso", "sereno",
            "agitato", "tranquillo", "nervoso", "rilassato", "allegro",
            "malinconico", "entusiasta", "deluso", "soddisfatto", "insoddisfatto",
            # Dominio tecnico / accademico
            "scientifico", "tecnico", "culturale", "sociale", "economico",
            "politico", "giuridico", "medico", "biologico", "chimico",
            "fisico", "matematico", "linguistico", "letterario", "artistico",
            "filosofico", "psicologico", "geografico",
            "professionale", "accademico", "scolastico", "educativo",
            # Modalità epistemica
            "certo", "incerto", "probabile", "improbabile", "possibile",
            "impossibile", "necessario", "inutile", "fondamentale", "marginale",
            "importante", "irrilevante", "significativo", "trascurabile",
            "evidente", "oscuro", "ambiguo", "definito", "vago",
        }

    def get_node_depth(self, token):
        depth = 1
        curr = token
        while curr.head != curr:
            depth += 1
            curr = curr.head
        return depth

    def analyze(self, doc, sentences, lang="en"):
        # Seleziona il set aggettivi in base alla lingua
        active_adj = self.adj_attrr_it if lang == "it" else self.adj_attrr_en

        # Tag per i tempi verbali: l'italiano usa tag UD diversi da Penn Treebank
        if lang == "it":
            present_tags = {"Pres"}   # valori di Tense nella morfologia UD
            past_tags    = {"Past"}
            part_tags    = {"Part"}   # VerbForm=Part
        else:
            present_tags = {"VB", "VBP", "VBZ"}
            past_tags    = {"VBD"}
            part_tags    = {"VBN", "VBG"}

        num_sents  = len(sentences) if sentences else 1
        num_tokens = len(doc) if len(doc) > 0 else 1

        total_punct_pairs    = 0
        total_svo_inversions = 0
        total_non_comp_subs  = 0

        for sent in sentences:
            punct_count = sum(1 for t in sent if t.text in (",", ";"))
            total_punct_pairs += punct_count // 2

            for token in sent:
                if token.pos_ in ("VERB", "AUX"):
                    for child in token.children:
                        if child.dep_ in ("nsubj", "nsubjpass", "csubj", "csubjpass", "expl") and child.i > token.i:
                            total_svo_inversions += 1
                        elif child.dep_ in ("obj", "dobj", "pobj", "dative", "ccomp", "xcomp", "acomp") and child.i < token.i:
                            total_svo_inversions += 1

                if token.dep_ in ("advcl", "acl", "relcl", "acl:relcl", "advcl:relcl"):
                    total_non_comp_subs += 1

        # Verbi e tempi
        verbs = [t for t in doc if t.pos_ in ("VERB", "AUX")]

        if lang == "it":
            # Legge i feature morfologici UD
            present = sum(1 for v in verbs if v.morph.get("Tense") == ["Pres"])
            past    = sum(1 for v in verbs if v.morph.get("Tense") == ["Past"])
            parts   = sum(1 for v in verbs if v.morph.get("VerbForm") == ["Part"])
        else:
            present = sum(1 for v in verbs if v.tag_ in present_tags)
            past    = sum(1 for v in verbs if v.tag_ in past_tags)
            parts   = sum(1 for v in verbs if v.tag_ in part_tags)

        tenses    = [v.tag_ for v in verbs]
        stability = (Counter(tenses).most_common(1)[0][1] / len(verbs)) if verbs else 0

        sub_labels = {"csubj", "ccomp", "parataxis", "advcl", "acl", "xcomp",
                      "advcl:relcl", "csub:pass", "csubj:outer", "acl:relcl"}
        nsub = sum(1 for t in doc if t.dep_ in sub_labels)

        total_root_dist = sum(abs(t.i - t.sent.root.i) for t in doc)

        rel_clauses = sum(1 for t in doc if t.dep_ in ["relcl", "acl:relcl", "advcl:relcl"])
        adj_count   = sum(1 for t in doc if t.pos_ == "ADJ")
        attr_adjs   = sum(1 for t in doc if t.lemma_.lower() in active_adj and t.pos_ == "ADJ")

        nouns = sum(1 for t in doc if t.pos_ == "NOUN")
        mods  = sum(1 for t in doc if t.dep_ in ("amod", "nmod", "poss", "nummod", "prep", "case", "mark")
                    and t.head.pos_ in ("NOUN", "PROPN"))

        return {
            "avg_sent_len":             round(num_tokens / num_sents, 2),
            "root_dist":                round(total_root_dist / num_tokens, 2),
            "sub_ratio":                round(nsub / num_sents, 4),
            "present_ratio":            round(present / len(verbs), 4) if verbs else 0,
            "past_ratio":               round(past / len(verbs), 4) if verbs else 0,
            "participle_ratio":         round(parts / len(verbs), 4) if verbs else 0,
            "rel_clauses_per_sent":     round(rel_clauses / num_sents, 4),
            "attr_adjs_freq":           round(attr_adjs / num_tokens, 4),
            "attr_adjs_ratio":          round(attr_adjs / adj_count, 4) if adj_count > 0 else 0,
            "adj_x_sent":               round(adj_count / num_sents, 4),
            "adj_count":                round(adj_count, 4),
            "mod_per_noun":             round(mods / nouns, 4) if nouns else 0,
            "punct_pairs_per_sent":     round(total_punct_pairs / num_sents, 4),
            "svo_inversions_per_sent":  round(total_svo_inversions / num_sents, 4),
            "non_comp_sub_per_sent":    round(total_non_comp_subs / num_sents, 4),
        }