====== Pokusy s DZ Parserem pro CoNLL ====== CoNLL Shared Task je soutěž v závislostní syntaktické analýze více jazyků, která probíhala v letech [[http://nextens.uvt.nl/~conll/|2006]], [[http://depparse.uvt.nl/depparse-wiki/SharedTaskWebsite|2007]], [[http://barcelona.research.yahoo.net/conll2008/|2008]] a [[http://ufal.mff.cuni.cz/conll2009-st/|2009]]. Tato stránka původně vznikla jako záznam o tom, jakým způsobem jsem spouštěl parser během CoNLL 2007, abych tyto pokusy dokázal zopakovat. Postupně se mění na stránku o pokusech s [[internal:data-conll|daty CoNLL]] obecně. Data leží v ''/net/data/conll''. Parser odsud čte, ale nepíše sem. Pro soubory související se syntaktickou analýzou těchto dat mám samostatnou složku ''/net/work/people/zeman/conll-dzparser''. ===== Proměnné ===== Používám proměnné prostředí, které mám nastavené ve svém ''.cshrc'' takto: setenv PARSINGROOT /net/work/people/zeman/parsing setenv TOOLS $PARSINGROOT/tools setenv INTERSET ~zeman/projekty/interset setenv PARSER ~zeman/projekty/parser Kromě toho mám ve své ''PATH'' přidáno ''$INTERSET/bin'' a v ''PERLLIB'' a ''PERL5LIB'' mám mj. ''$INTERSET/lib'' a ''$PARSINGROOT/lib''. Další proměnné, určené přímo pro rozbor dat CoNLL mým parserem: setenv DATA /net/data/conll setenv OUTPUT /net/work/people/zeman/conll-dzparser ===== Zpracování ===== Zpracování má dvě části. První se týká přípravy dat, jejich převodu do formátu CSTS apod. Tato část není bezprostředně závislá na konkrétním parseru a odehrává se přímo ve složce s daty (''$DATA''). Druhá část zahrnuje natrénování parseru, otestování parseru na testovacích datech a vyhodnocení výsledků. Může se opakovat s různými parsery a s různým nastavením parametrů. Tato část se odehrává v pracovní složce (''$OUTPUT''). Na zpracování jsem si vytvořil i Makefile, ale bylo to v době, kdy jsem ještě obě části provozoval přímo ve složce s daty, takže cesty uvnitř Makefilu je nutné upravit. Makefile se nachází v ''/net/data/conll/2007/Makefile''. Každý jazyk zkouším zpracovat jednak s původními značkami, jednak se značkami převedenými do české sady PDT. Základní zpracování (bez přiřazování syntaktických značek) předpokládá pouze dva kroky: natrénování modelu na průběžných trénovacích datech a jeho otestování na průběžných testovacích datech. U základního zpracování používáme výchozí, jazykově nezávislé nastavení parseru. cd $OUTPUT setenv ROK 2007 setenv JAZYK cs $PARSER/train.pl < $DATA/$ROK/$JAZYK/dtrain.csts > $JAZYK.stat ($PARSER/parse.pl -m $JAZYK.stat < $DATA/$ROK/$JAZYK/dtest.csts > $JAZYK.dtest.dz.csts) >& $JAZYK.dtest.log ===== Zpracování na clusteru ===== V ''$OUTPUT/bin'' mám několik skriptů, které odesílají parsovací úlohy na cluster: * ''qtp2006.csh'' ... přetrénování a rozbor všech jazyků 2006 bez machinací se značkami * ''qtp2007.csh'' ... přetrénování a rozbor všech jazyků 2007 bez machinací se značkami * ''qtppdt.csh'' ... přetrénování a rozbor dat se značkami převedenými do sady PDT u jazyků, u kterých to umíme, z obou let * ''trainparse.csh ROK JAZYK VAR INI'' ... přetrénování a rozbor jednoho korpusu (rok a jazyk jsou jasné parametry, var je varianta dat, třeba "''pdttags''", a ini je název konfiguračního souboru bez přípony .ini, třeba "''03''") * ''harvest.csh'' ... pro všechny roky a jazyky (a u korpusů, u kterých to umíme, i pro data se značkami převedenými do PDT) zavolá ''porovnat.pl'' na zlatý standard a výstup parseru, čímž kromě úspěšnosti získáme i McNemarův test statistické významnosti zlepšení nebo zhoršení, které přinesl převod značek oproti datům s původními značkami * ''vypsat_tabulku.pl'' dělá podobnou věc jako ''harvest.csh'', ale výsledky rovnou formátuje jako tabulku, kterou můžeme uložit v této wiki. Má parametr ''INI'', který říká, jaké výsledky (získané s jakým konfiguračním souborem) se mají sbírat. ===== Sémantika 2009 ===== Aby vyhodnocení CoNLL 2009 fungovalo, musím do výsledků doplnit alespoň nějakou sémantiku, i kdyby třeba náhodně. * Potřebuju skript, který bude asi pracovat přímo se souborem ve formátu CoNLL, protože v CSTS beztak nejsou k dispozici sémantické prvky a navíc bych pak musel ještě upravovat převod z CSTS do CoNLL. * Ve skutečnosti „tento skript“ znamená dva skripty, trénovací a anotační. * Minimální požadavky na tento skript: * Naučit se pro daný jazyk, jakých hodnot může nabývat pole PRED. Když už to budu dělat, asi bych se to mohl učit jako funkci lemmatu, protože na lemmatu to zjevně běžně závisí. * Naučit se pro daný jazyk, jakých hodnot může nabývat pole APRED. * Závisí na uzlu, pro nějž ho vyplňujeme (řídící) a na uzlu odpovídajícím sloupci, do nějž ho vyplňujeme (závislý), ale učit se tohle bude trochu složitější. * Do existujícího CoNLL souboru doplnit hodnoty PRED všude tam, kde FILLPRED = "Y". * Pro každou větu spočítat, kolik uzlů má nastaveno FILLPRED = "Y". Tolik bude u každého uzlu sloupců APREDs. * Zapamatovat si, které predikáty závisí na jiných predikátech (popř. si rovnou zapamatovat celý strom). U každého predikátu pak střelit nějakou hodnotu APRED do všech sloupců, které na něm závisí. Do ostatních vyplnit "_". * Až tyhle skripty budou, zapracovat je do Makefilu a získat baseline výsledek pro všechny jazyky. ===== Výsledky ===== ==== Výchozí nastavení ==== Následující tabulka ukazuje úspěšnost DZ parseru s výchozím nastavením na průběžných testovacích datech CoNLL, s původními neupravenými značkami CoNLL (tabulátory, rysy oddělené svislítky). Úspěšnost parsingu s původními značkami CoNLL: | Jazyk | Rok | P | | ar | 2006 | 63.9 | | ar | 2007 | 64.9 | | bg | 2006 | 72.3 | | ca | 2007 | 72.7 | | ca | 2009 | 73.6 | | cs | 2006 | 64.1 | | cs | 2007 | 69.1 | | cs | 2009 | 65.8 | | da | 2006 | 69.9 | | de | 2006 | 71.8 | | de | 2009 | 72.3 | | el | 2007 | 65.0 | | en | 2007 | 70.6 | | en | 2009 | 69.5 | | es | 2009 | 71.8 | | eu | 2007 | 58.6 | | hu | 2007 | 62.3 | | it | 2007 | 71.5 | | ja | 2006 | 87.3 | | ja | 2009 | 83.2 | | nl | 2006 | 73.7 | | pt | 2006 | 73.8 | | sl | 2006 | 58.7 | | sv | 2006 | 71.0 | | tr | 2007 | 64.6 | | zh | 2006 | 69.9 | | zh | 2007 | 69.0 | | zh | 2009 | 57.7 | Následující tabulka srovnává výsledky s původními značkami CoNLL a výsledky se značkami PDT. Data jsou dtest. Nastavení parseru je výchozí, tj. úprava značek ani selektivní lexikalizace není zapnuta. Poslední sloupec říká, zda je změna úspěšnosti statisticky významná podle McNemarova testu na úrovni 0,05 (χ2 ≥ 3,84). | Jazyk | Rok | P(CoNLL) | P(PDT) | Změna | McNemar | | ar | 2006 | 63.9 | 66.8 | lepší | ano (19.858476) | | ar | 2007 | 64.9 | 64.2 | horší | ne (1.497453) | | bg | 2006 | 72.3 | 71.2 | horší | ne (3.205607) | | cs | 2006 | 64.1 | 64.1 | lepší | ne (0.007519) | | cs | 2007 | 69.1 | 68.6 | horší | ano (3.948357) | | da | 2006 | 69.9 | 70.5 | lepší | ne (2.082218) | | de | 2006 | 71.8 | 67.5 | horší | ano (61.301887) | | en | 2007 | 70.6 | 65.4 | horší | ano (227.951382) | | pt | 2006 | 73.8 | 76.4 | lepší | ano (44.312588) | | sv | 2006 | 71.0 | 72.6 | lepší | ano (12.763713) | | zh | 2006 | 69.9 | 68.4 | horší | ne (1.574297) | | zh | 2007 | 69.0 | 63.7 | horší | ano (22.360248) | U čínštiny lze zhoršení snadno vysvětlit. Čínská sada značek se velmi liší od ostatních, do Intersetu se vejde jen nepatrný zlomek informace, kterou značky nesou, takže ztráta informace při převodu značek je mimořádně veliká. ==== 01: zapnuté upravování značek a selektivní lexikalizace ==== Následující tabulka ukazuje úspěšnost DZ parseru se zapnutou úpravou morfologických značek a selektivní lexikalizací na průběžných testovacích datech CoNLL, s původními značkami CoNLL (tabulátory, rysy oddělené svislítky). | Jazyk | Rok | P | | ar | 2006 | 64.3 | | ar | 2007 | 59.8 | | bg | 2006 | 67.9 | | ca | 2007 | 69.9 | | cs | 2006 | 56.0 | | cs | 2007 | 58.7 | | da | 2006 | 69.3 | | de | 2006 | 68.5 | | el | 2007 | 67.5 | | en | 2007 | 64.7 | | eu | 2007 | 58.4 | | hu | 2007 | 66.1 | | it | 2007 | 73.4 | | ja | 2006 | 74.6 | | nl | 2006 | 73.0 | | pt | 2006 | 73.5 | | sl | 2006 | 63.8 | | sv | 2006 | 71.1 | | tr | 2007 | 65.1 | | zh | 2006 | 69.0 | | zh | 2007 | 66.1 | | Jazyk | Rok | P(CoNLL) | P(PDT) | Změna | McNemar | | ar | 2006 | 64.3 | 67.3 | lepší | ano (20.855670) | | ar | 2007 | 59.8 | 66.7 | lepší | ano (149.962142) | | bg | 2006 | 67.9 | 71.4 | lepší | ano (44.137931) | | cs | 2006 | 56.0 | 71.6 | lepší | ano (597.483871) | | cs | 2007 | 58.7 | 74.2 | lepší | ano (616.602151) | | da | 2006 | 69.3 | 69.5 | lepší | ne (0.114286) | | en | 2007 | 64.7 | 65.6 | lepší | ano (8.781548) | | sv | 2006 | 71.1 | 73.1 | lepší | ano (24.144134) | | zh | 2006 | 69.0 | 68.1 | horší | ne (1.000000) | | zh | 2007 | 66.1 | 63.6 | horší | ano (8.950413) | === Srovnání výchozího nastavení CoNLL s nastavením 01 PDT === | Jazyk | Rok | P(CoNLL) | P(PDT) | Změna | McNemar | | ar | 2006 | 63.9 | 67.3 | lepší | ano (21.670630) | | ar | 2007 | 64.9 | 66.7 | lepší | ano (9.078534) | | bg | 2006 | 72.3 | 71.4 | horší | ne (1.904968) | | cs | 2006 | 64.1 | 71.6 | lepší | ano (170.571020) | | cs | 2007 | 69.1 | 74.2 | lepší | ano (85.242604) | | da | 2006 | 69.9 | 69.5 | horší | ne (0.821288) | | en | 2007 | 70.6 | 65.6 | horší | ano (176.765737) | | sv | 2006 | 71.0 | 73.1 | lepší | ano (24.369923) | | zh | 2006 | 69.9 | 68.1 | horší | ne (2.330645) | | zh | 2007 | 69.0 | 63.6 | horší | ano (22.769829) | ==== 02: navíc zakázané přeskakování bezdětných předložek ==== | Jazyk | Rok | P | | ar | 2006 | 64.3 | | ar | 2007 | 59.8 | | bg | 2006 | 68.0 | | ca | 2007 | 69.9 | | cs | 2006 | 56.1 | | cs | 2007 | 58.7 | | da | 2006 | 68.3 | | de | 2006 | 68.5 | | el | 2007 | 67.1 | | en | 2007 | 63.8 | | eu | 2007 | 58.4 | | hu | 2007 | 62.3 | | it | 2007 | 72.1 | | ja | 2006 | 74.6 | | nl | 2006 | 73.0 | | pt | 2006 | 73.5 | | sl | 2006 | 63.8 | | sv | 2006 | 71.0 | | tr | 2007 | 65.1 | | zh | 2006 | 69.0 | | zh | 2007 | 66.1 | | Jazyk | Rok | P(CoNLL) | P(PDT) | Změna | McNemar | | ar | 2006 | 64.3 | 67.6 | lepší | ano (24.635569) | | ar | 2007 | 59.8 | 66.9 | lepší | ano (162.665108) | | bg | 2006 | 68.0 | 71.3 | lepší | ano (41.317073) | | cs | 2006 | 56.1 | 71.4 | lepší | ano (583.183944) | | cs | 2007 | 58.7 | 74.0 | lepší | ano (611.467919) | | da | 2006 | 68.3 | 69.8 | lepší | ano (9.116809) | | en | 2007 | 63.8 | 67.3 | lepší | ano (97.889876) | | sv | 2006 | 71.0 | 73.5 | lepší | ano (38.126126) | | zh | 2006 | 69.0 | 68.0 | horší | ne (1.249135) | | zh | 2007 | 66.1 | 63.5 | horší | ano (9.836066) | | Jazyk | Rok | P(CoNLL) | P(PDT) | Změna | McNemar | | ar | 2006 | 63.9 | 67.6 | lepší | ano (26.578554) | | ar | 2007 | 64.9 | 66.9 | lepší | ano (12.122523) | | bg | 2006 | 72.3 | 71.3 | horší | ne (2.198697) | | cs | 2006 | 64.1 | 71.4 | lepší | ano (163.208696) | | cs | 2007 | 69.1 | 74.0 | lepší | ano (78.750246) | | da | 2006 | 69.9 | 69.8 | horší | ne (0.065772) | | en | 2007 | 70.6 | 67.3 | horší | ano (80.847587) | | sv | 2006 | 71.0 | 73.5 | lepší | ano (35.800000) | | zh | 2006 | 69.9 | 68.0 | horší | ne (2.623482) | | zh | 2007 | 69.0 | 63.5 | horší | ano (23.875776) | ==== 03: navíc zapnuté modelování pseudovalence ==== Úspěšnost parsingu s původními značkami CoNLL: | Jazyk | Rok | P | | ar | 2006 | 64.4 | | ar | 2007 | 59.8 | | bg | 2006 | 67.6 | | ca | 2007 | 69.9 | | cs | 2006 | 56.0 | | cs | 2007 | 58.7 | | da | 2006 | 68.3 | | de | 2006 | 69.5 | | el | 2007 | 67.2 | | en | 2007 | 64.2 | | eu | 2007 | 58.4 | | hu | 2007 | 62.3 | | it | 2007 | 72.2 | | ja | 2006 | 74.9 | | nl | 2006 | 73.2 | | pt | 2006 | 73.5 | | sl | 2006 | 63.8 | | sv | 2006 | 71.0 | | tr | 2007 | 65.2 | | zh | 2006 | 67.5 | | zh | 2007 | 64.6 | Srovnání úspěšnosti parsingu s původními značkami a se značkami PDT: | Jazyk | Rok | P(CoNLL) | P(PDT) | Změna | McNemar | | ar | 2006 | 64.4 | 67.6 | lepší | ano (23.953216) | | ar | 2007 | 59.8 | 67.0 | lepší | ano (165.491130) | | bg | 2006 | 67.6 | 71.0 | lepší | ano (45.224638) | | cs | 2006 | 56.0 | 71.4 | lepší | ano (587.655280) | | cs | 2007 | 58.7 | 74.3 | lepší | ano (627.063764) | | da | 2006 | 68.3 | 69.8 | lepší | ano (8.878214) | | de | 2006 | 69.5 | 67.7 | horší | ano (9.841876) | | en | 2007 | 64.2 | 67.9 | lepší | ano (110.976037) | | pt | 2006 | 73.5 | 76.4 | lepší | ano (42.581187) | | sv | 2006 | 71.0 | 73.2 | lepší | ano (27.717540) | | zh | 2006 | 67.5 | 68.8 | lepší | ne (2.042553) | | zh | 2007 | 64.6 | 64.6 | stejná | ne (0.000000) | Totéž, ale parsing s původními značkami použil výchozí konfiguraci místo 03. | Jazyk | Rok | P(CoNLL) | P(PDT) | Změna | McNemar | | ar | 2006 | 63.9 | 67.6 | lepší | ano (27.380000) | | ar | 2007 | 64.9 | 67.0 | lepší | ano (12.949640) | | bg | 2006 | 72.3 | 71.0 | horší | ne (3.688525) | | cs | 2006 | 64.1 | 71.4 | lepší | ano (167.052632) | | cs | 2007 | 69.1 | 74.3 | lepší | ano (87.422200) | | da | 2006 | 69.9 | 69.8 | horší | ne (0.046272) | | de | 2006 | 71.8 | 67.7 | horší | ano (54.691057) | | en | 2007 | 70.6 | 67.9 | horší | ano (55.470000) | | pt | 2006 | 73.8 | 76.4 | lepší | ano (34.848721) | | sv | 2006 | 71.0 | 73.2 | lepší | ano (22.530318) | | zh | 2006 | 69.9 | 68.8 | horší | ne (0.757576) | | zh | 2007 | 69.0 | 64.6 | horší | ano (14.266376) | ===== Která konfigurace je nejúspěšnější pro který jazyk? ===== | Jazyk | Rok | orig df | pdt df | orig 03 | pdt 03 | | ar | 2006 | 63.9 | 66.8 | 64.4 | 67.6 | | ar | 2007 | 64.9 | 64.2 | 59.8 | 67.0 | | bg | 2006 | 72.3 | 71.2 | 67.6 | 71.0 | | ca | 2007 | 72.7 | | 69.9 | | | cs | 2006 | 64.1 | 64.1 | 56.0 | 71.4 | | cs | 2007 | 69.1 | 68.6 | 58.7 | 74.3 | | da | 2006 | 69.9 | 70.5 | 68.3 | 69.8 | | de | 2006 | 71.8 | 67.5 | 69.5 | 67.7 | | el | 2007 | 65.0 | | 67.2 | | | en | 2007 | 70.6 | 65.4 | 64.2 | 67.9 | | eu | 2007 | 58.6 | | 58.4 | | | hu | 2007 | 62.3 | | 62.3 | | | it | 2007 | 71.5 | | 72.2 | | | ja | 2006 | 87.3 | | 74.9 | | | nl | 2006 | 73.7 | | 73.2 | | | pt | 2006 | 73.8 | 76.4 | 73.5 | 76.4 | | sl | 2006 | 58.7 | | 63.8 | | | sv | 2006 | 71.0 | 72.6 | 71.0 | 73.2 | | tr | 2007 | 64.6 | | 65.2 | | | zh | 2006 | 69.9 | 68.4 | 67.5 | 68.8 | | zh | 2007 | 69.0 | 63.7 | 64.6 | 64.6 | ===== Starší poznámky ===== Postup zpracování jednoho jazyka CoNLL: $cesta je cesta k datům daného jazyka. Např. pro češtinu je to "/net/data/conll/2007/czech/pdt". $xx je kód daného jazyka podle ISO 639-1. $PARSINGROOT je cesta k mé pracovní kopii SVN balíku s parsery $parser je cesta k mému parseru, tedy ~zeman/projekty/parser $PARSINGROOT/tools/conll2csts.pl -l $xx < $cesta/${xx}train.conll > $cesta/${xx}train.csts $PARSINGROOT/tools/conll2csts.pl -l $xx < $cesta/${xx}test.conll > $cesta/${xx}test.csts $parser/train.pl < $cesta/${xx}train.csts > $cesta/${xx}.stat $parser/atrain.pl < $cesta/${xx}train.csts > $cesta/${xx}.astat $parser/parse.pl -m $cesta/${xx}.stat < $cesta/${xx}test.csts > $cesta/${xx}test.dz.csts $parser/aclass.pl -m $cesta/${xx}.astat -z mdgdz < $cesta/${xx}test.dz.csts > $cesta/${xx}test.dz.a.csts $PARSINGROOT/tools/csts2conll.pl < $cesta/${xx}test.dz.a.csts > $cesta/${xx}test.dz.conll Takhle to pro čínštinu 2006 nefunguje. Jednak máme dtrain a dtest, jednak při zavolání z cesty s daty (ale s plnou cestou, jak je uvedeno výše) parser stávkuje a nenačte data ze standardního vstupu. Měl by alespoň vypsat cestu ke konfiguračnímu souboru, který používá. setenv parser ~zeman/projekty/parser setenv cesta /net/data/conll/2006/chinese/sinica setenv xx zh $parser/train.pl < $cesta/${xx}dtrain.csts > $cesta/${xx}.stat $parser/parse.pl -m $cesta/${xx}.stat < $cesta/${xx}dtest.csts > $cesta/${xx}dtest.dz.csts ~zeman/projekty/interset/bin/csts-zh-conll-cs-pdt.pl < $cesta/${xx}dtrain.csts > $cesta/${xx}dtrain.pdt.csts ~zeman/projekty/interset/bin/csts-zh-conll-cs-pdt.pl < $cesta/${xx}dtest.csts > $cesta/${xx}dtest.pdt.csts $parser/train.pl < $cesta/${xx}dtrain.pdt.csts > $cesta/${xx}.pdt.stat $parser/parse.pl -m $cesta/${xx}.pdt.stat < $cesta/${xx}dtest.pdt.csts > $cesta/${xx}dtest.pdt.dz.csts ===== Čeština 2006 ===== setenv cesta /net/data/conll/2006/czech/pdt setenv xx cs cd $cesta csts_convert_tags.pl -f cs::conll -t cs::pdt < cstrain.csts > cstrain.pdttags.csts csts_convert_tags.pl -f cs::conll -t cs::pdt < cstest.csts > cstest.pdttags.csts $PARSER/train.pl < $cesta/${xx}train.pdttags.csts > $cesta/${xx}.pdttags.stat $PARSER/parse.pl -m $cesta/${xx}.pdttags.stat < $cesta/${xx}test.pdttags.csts > $cesta/${xx}test.pdttags.dz.csts Výsledky (365 vět, které CoNLL dodalo jako testovací): A 5853 - G 4197 - B 1656 - P 71,71 % Parser (i trénování) byl spuštěn s výchozími parametry bez konfiguračního souboru. Neměl tušení, že zpracovává svůj rodný jazyk. Kromě toho, že testovací data jsou jiná (a podstatně menší), než jsem měl přímo při práci s PDT, také chybí přídavné informace u lemmat (protože je CoNLL částečně přesunulo do atributu Sem, jehož hodnotu jsem při převádění značek zpět na PDT zahodil). Parser z nich využíval informace o křestním jménu a příjmení. Na druhou stranu parseru mohlo pomoct, že pracujeme s ručně přiřazenými značkami.