| Both sides previous revision
Previous revision
Next revision
|
Previous revision
Next revision
Both sides next revision
|
padt:start [2013/06/24 12:55]
zeman Upozornění na potenciální zdroj chyb. |
padt:start [2013/06/25 14:56]
zeman Zmatky v koordinacích. |
| |
| Soubor EAT/AFP_ARB_20000715.0033.syntax.pml, řádek 1409 až 1431. Jsou tu dva uzly (na sobě zavěšené) pro slovo p5w6. To slovo není na morfologické rovině rozdělené, takže pro dva uzly není důvod. Zatím jsem tomu závislému (a ve větě dříve ležícímu) uzlu upravil syntaktické ID, aby nebylo duplicitní. Nejradši bych celý uzel smazal, ale asi by to chtělo přečíslovat atributy ord v celé větě, aby tvořily souvislou posloupnost. | Soubor EAT/AFP_ARB_20000715.0033.syntax.pml, řádek 1409 až 1431. Jsou tu dva uzly (na sobě zavěšené) pro slovo p5w6. To slovo není na morfologické rovině rozdělené, takže pro dva uzly není důvod. Zatím jsem tomu závislému (a ve větě dříve ležícímu) uzlu upravil syntaktické ID, aby nebylo duplicitní. Nejradši bych celý uzel smazal, ale asi by to chtělo přečíslovat atributy ord v celé větě, aby tvořily souvislou posloupnost. |
| | |
| | ==== Atribut score ==== |
| | |
| | Odstranit. Podle Otova vyjádření jde zřejmě o nějaký dočasný nepořádek, který Ota zapomněl uklidit. |
| | |
| | ==== Exclude ==== |
| | |
| | Co obsahují soubory .exclude.pml, např. AFP_ARB_20000815.0095.syntax.exclude.pml? Máme je prostě vynechat z distribuce, nebo s nimi máme udělat něco sofistikovanějšího? |
| | |
| | ==== Formát dat ==== |
| | |
| | Hlavním formátem, ve kterém se bude PADT 2.0 distribuovat, by zřejmě měl být PML, tak jak ho Ota navrhnul (tři, popř. čtyři roviny). Můžeme zvážit, zda přibalit i Treex, ale asi to není nutné, treexový blok Read::PADT by měl bohatě stačit. Zato ale určitě uděláme spoustě lidí radost, když nabídneme ty podstatné informace vytažené ve formátu CoNLL 2006. To bychom měli udělat. |
| | |
| | ==== Otovo TODO ==== |
| | |
| | Viz ''/net/projects/padt/notices/todo.txt''. |
| | |
| | ==== Chybějící syntaktické anotace ==== |
| | |
| | 1771 uzlů (podle hamledtích testů) nemá afun. A většinou jsou to uzly v řetízcích zleva doprava, čili odkaz na rodiče také nevypadá důvěryhodně. Někdy jsou to celé věty, jindy jen úseky vět. Z jakého důvodu je anotátoři vynechali. Jsou ty úseky tak obtížné, že anotátoři nevěděli, co s nimi? |
| | |
| | ==== Chybějící lemmata ==== |
| | |
| | Uzly s čísly, interpunkcí a jinými symboly nemají lemmata. Buď můžeme zkopírovat slovní tvar do lemmatu, nebo pro čísla zavést jednotné lemma <number>, nebo něco jiného. |
| | |
| | ==== Zmatky v koordinacích ==== |
| | |
| | Stává se, že uzel je označen jako člen koordinace nebo apozice, ale jeho rodič nemá afun ''Coord'' ani ''Apos''. A naopak, existují uzly s jedním z těchto afunů, které pod sebou nemají žádný člen koordinace nebo apozice. Hamledtí test těch prvních případů našel 154, těch druhých 494. Asi je potřeba je projít ručně a se znalostí arabštiny. Jen část případů jde opravit poloautomaticky (jestliže jsem člen, mám právě jednoho sourozence, ten je taky člen a náš rodič je spojka وَ (wa), pak asi není co řešit a dotyčná spojka měla mít afun Coord). |
