Automatická detekce funktorů

• LibLINEAR, logistic regression (upravit ?)
• kombinace klasifikátorů – klasifikátorem ?
• zpětná kontrola, že nemá formém nic, co ho nepotřebuje ?

• vynechané koordinační funktory (beztak nepotřebují formém)

• technické: sent_id, word_id, parent, nodetype, is_generated (+ formeme)
• uzel sám: t_lemma, functor, sempos (+trunc)
• aux.rf: aux_forms, aux_m_lemma (trunc)
• uzel + parent: Order, Distance
• synt. okolí: functor, t_lemma, sempos (trunc)
  • parent, children, lsibling, rsibling, lsiblings, rsiblings,
• topol. okolí: t_lemma, sempos (trunc)
  • left 3, 2, 2+1, 1, right 1, 1+2, 2, 3

• s ef. rodiči místo topologických (eff)
• s ef. rodiči a funktory rodiče a levých sourozenců jako featurami (eff_tree)
• dělené podle t-lemmatu (tlemma)

* zlaté funktory

• druhá varianta vychází hůř, ale o méně než 1 %
• nejvíc příkladů je pro: RSTR, PAT, ACT, PRED, APP, LOC, TWHEN, PREC, ???, RHEM, MANN, EXT, (EFF, ADDR, DIR3, DIR1, ID, MAT)
• 2. verze (base)
  • RSTR: n:1, n:X vs. n:attr (přes 200), n:X vs. n:1 (není moc chyba), n:1 vs. adj:attr – defaultováním na 1. pád by se dalo řešit hodně
  • PAT: n:1 vs. n:4 (přes 500), n:2 vs. n:4, n:4 vs. n:1 (přes 100) – zas tak hrozné není; n:na+4 vs. n:4, n:3 vs. n:4 (oba přes 100, horší)
  • ACT: n:4 vs. n:1, n:X vs. n:1, n:2 vs. n:1 – vše v pohodě

• ACMP – musí být dělení bez / s !!!
• ACT – n:4 vs. n:1, n:X vs. n:1 – OK
• AIM – na předložkách moc nezáleží – OK (zkontrolovat lemma!)
• BEN + proti ??, jinak n:3 vs. n:pro+4 – OK
• CAUS + n:za+4 ??, řídká data (možná bude třeba nějak vylepšit)
• CNCS – chce určitě i_když !!! (jinak to nemá cenu), jinak je to úplně jedno – OK
• COMPL – formémy v.2 to ničí, protože ve v.1 je tam adj:compl (a kazí to n:4 vs. n:1)
• COND – nepřehazuje n: a v:, proto celkem OK, složené spojky nutné – OK
• CPHR – kazí to adj:compl u v.2, jinak – OK
• CPR – řídké – OK
• CRIT – vede “podle”, víceméně OK
• DENOM – u v.2 trochu víc bordelu s pády – OK
• DIFF – v.2 opravou číslovek boduje – OK
• DIR1 – v.2 převodem adj → n boduje – OK
• DIR2 – problém, je tam moc různých předložek, řídké !!!
• DIR3 – asi by pomohlo lemma, n:na+4 x n:do+2 je docela potíž !!!
• EFF – problém s poznáním v:fin vs. v:že+fin
• EXT – v podstatě OK
• ID – problémy s pády, jinak OK
• LOC – v.2 se trochu zlepšilo, jinak problém s n:u+2, n:v+6 – možná složité, jinak asi by pomohlo lemma
• MANN – problém n:v+6 vs. n:7, jinak OK
• MAT – v podstatě OK
• MEANS – blbá data (asi), všechno je n:7, což je ošklivé !!!
• PAR – jediný problém n:X vs n:1, jinak OK
• ORIG – problém: n:od+2 vs. n:z+2, asi řídká data
• PAR – v.2 má problémy s pády n:X vs. n:1, jinak OK
• PAT – hlavně n:1 vs. n:4, jinak OK (možná by pomohly syntaktické featury?)
  • asi diateze (v pasivu bude n:1 spíš), taky možná predikativita (nebo něco podobného, prostě marker pro slovesa, která v PAT berou 1.pád)
• PRED – asi OK, i když občas nerozpozná v:inf
• REG – nepozná n:vzhledem_k+3, n:bez_ohledu_na+4, všude cpe n:v+6
• RESL – trochu bordel mezi v:aby+fin a v:že+fin, jinak OK
• RSTR – v.2 dává moc často n:attr
• SUBS – řídká data, asi OK, u v.2 zhoršuje úspěšnost častější přiřazení pádů
• TFHL – většinou dostane jen n:na+4 a víc se neptá; jinak OK
• THL – bordel mezi n:4 a n:za+4, jinak v.2 má častěji n:4 podle opravených číslovek – OK
• TPAR – vlastně OK, protože ty předložky jsou záměnné
• TSIN – víceméně OK
• TTILL – taky OK
• TWHEN – možná by taky chtělo detailnější subfunktory (?)

• Používat valenční slovník pro aktanty
  • jako featury? možná ano, pak si toho snad všimne
  • jak ale zohlednit více možných významů daného slovesa ?
• nové featury (??)
  • použít nějak childrentypes (dělit podle sempos-u)?
  • clause heads
• nominal (max. 50 featur v selection) + binary
• vyházet z trénovacích dat příklady s formémy n:X !!