DZ Parser

DZ Parser má svoji stránku na adrese http://ufal.mff.cuni.cz/~zeman/projekty/parser/index.html. To, co je zde, jsou pracovní poznámky.

svn checkout file:///net/work/public/SVN/dzparser/trunk dzparser

Následující části byly vyčleněny do samostatných stránek. Viz též obsah této stránky vpravo nahoře.

• Programátorská dokumentace
• Vstup a výstup
• Výsledky
• Přiřazování syntaktických značek (analytických funkcí)
• CoNLL

• Na začátku čtení slova si zapamatovat pole všech SGML prvků na jeho řádku (prvek, atributy, hodnota; v podstatě asi stačí tohle všechno v jednom řetězci). Při vypisování slova to tam všechno netknuté vypsat! Jediné, co ke slovu přidává DZ Parser, je značka <MDg src=“dz”>. (Tu případně na vstupu umazat.) Pak ještě <MDA src=“dz”>, pokud pouštíme aclass.pl.
• CoNLL 2007
  • Otestovat mé výstupy oficiálním skriptem eval.pl, nebo jak se jmenuje.
  • Zkusit ještě jednou pustit parser na všechny jazyky s vypnutým rozepisováním alternativ.
  • Totéž, ale vypnout úpravy morfologických značek, na ne-PDT značkách to nemůže fungovat.
  • Totéž, ale učit se pouze na podrobných slovních druzích, hodnoty rysů zahodit.
  • Totéž, ale navíc rys pád.
  • Učit se na morfologických značkách překódovaných do sady PDT.
  • Kombinace parserů (Brown, McDonald, Stanford).
  • Angličtina (větev adaptace na novou doménu)?
  • Vše přetrénovat na celých trénovacích datech, rozebrat slepá testovací data a do soboty odeslat výsledky.
• Následující už je asi vyřešeno, ale je třeba to zdokumentovat: Vyřešit situaci, kdy svislítko ve vstupních datech (značkách, slovech, heslech) se považuje za oddělovač alternativních anotací. Přinejmenším v arabských datech (přepsaných podle Tima Buckwaltera) se může objevit jako normální písmeno! I pokud se nesprávně interpretuje jako oddělovač, neměla by se funkce ud() zacyklit.
  • Půjde zřejmě o rozsáhlejší přestavbu funkce ud(), kterou bude potřeba pečlivě otestovat na parsingu PDT. Součástí přestavby by mělo být i to, že parametrem funkce už nebude jeden řetězec, ale pole, kde prvním prvkem bude typ události a další prvky budou její parametry. Pak bude jasné, že na alternativy se dělí každý parametr zvlášť a že je potřeba nakombinovat všechny alternativy všech parametrů.
• Odstranit závislost parseru na konfiguračním souboru parser.ini.
  • Nejdůležitější výchozí hodnoty dát přímo do zdrojáku parse.pm, aby bylo možné pracovat úplně bez konfiguračního souboru. Např. vstup ze standardního vstupu, výstup na standardní výstup a veškerá diagnostická hlášení na standardní chybový výstup.
  • Složka pracovni nemusí existovat, psalo by se do /tmp (resp. Milanem přidělené alternativy), nebo vůbec nikam.
  • Parser si sám zjistí, zda na vstupu má <t>, <MDt>, nebo <MMt> (nebo kombinaci uvedeného). Pokud má více různých zdrojů, vybere si výchozí zdroj podle nějaké vestavěné tabulky priorit. Pokud konfigurační soubor nebo někdo jiný vyžadují konkrétní zdroj, který na vstupu není k dispozici, parser ohlásí chybu nebo alespoň varování.
• Převádění vstupních slov na malá písmena by mělo být volitelné. Např. u arabštiny přepsané podle Tima Buckwaltera by to mohlo i uškodit, protože tam velká písmena nemají s odpovídajícími malými nic společného.

• koordinace = 0. Zvláštní zpracování koordinací předpokládá určité konkrétní syntaktické značky (Coord, _Co). Pokud tam nejsou, koordinace se nepoznají. Horší ale je, když tam jsou, ale nesplňují tatáž pravidla jako v PDT (např. v PADT).