[ Skip to the content ]

Institute of Formal and Applied Linguistics Wiki


[ Back to the navigation ]

This is an old revision of the document!


Table of Contents

Formát PML

PML (Prague Markup Language) je formát pro ukládání korpusů anotovaných ve více rovinách. Formát je postaven na XML. Anotace na každé rovině je uložena v samostatném souboru, původní text (slovní tvary) má také svůj soubor. Prvky souborů odkazují na určitá místa v jiných souborech.

Formát PML je vyvíjen v rámci projektu JAZZ a poprvé byl použit v Pražském závislostním korpusu verze 2.0.

Převod z FS a CSTS

Makro pro Btred old2pml.btred, jehož autorem je Petr Pajas.

Převod z CoNLL

Pro převod formátu CoNLL do PML slouží nástroj conll2pml, který napsal Petr Pajas, ale nyní je také součástí Danových nástrojů pro parsing:

$PARSINGROOT/tools/conll2pml.pl --technical-root --max-sentences 1000000 danish-train.conll

Při převodu do PML jsou zachovány původní značky. Program vytvoří v aktuální složce soubor out_schema.xml a jeden nebo více souborů ve tvaru out_NNNN.pml, kde NNNN jsou číslice. Pokud nepoužijete volbu –max-sentences, použije se výchozí hodnota 100, tj. program vytvoří nový soubor pro každých zhruba 100 vět. Výše uvedené nastavení zařídí, že pro běžné korpusy (milión vět už je opravdu hodně) dostanete jen jeden výstupní PML soubor a jedno schéma. Ovšem pozor, takový PML soubor může být nepříjemně veliký (např. pro necelých 1500 arabských vět je to přes 17 MB).

Volba –technical-root je rovněž nezbytná pro uživatele zvyklé na prostředí pražských korpusů. Bez ní program považuje za kořen každý uzel, který uvádí závislost na uzlu 0. Většina stromů se tak rozpadne na lesy. S volbou –technical-root dostaneme jeden strom, ve kterém jsou tyto pseudokořeny spojeny pod jeden umělý uzel, kořen stromu.

Další podrobnosti:

$PARSINGROOT/tools/conll2pml.pl --help

[ Back to the navigation ] [ Back to the content ]