[ Skip to the content ]

Institute of Formal and Applied Linguistics Wiki

[ Back to the navigation ]

You are here: start » padt

Differences

This shows you the differences between two versions of the page.

Link to this comparison view

Both sides previous revision Previous revision
Next revision 		Previous revision
padt:start [2013/06/24 11:18]
zeman Chyba v šití. 		padt:start [2013/07/06 11:54] (current)
zeman Fráze s číslovkami.
Line 78: Line 78:
  
 ===== Poznámky před vydáním verze 2.0 ===== ===== Poznámky před vydáním verze 2.0 =====
 +
 +==== Chybné šití a duplicitní syntaktická ID ====
  
 Při načítání PML PADT do Treexu narážím na záhadnou chybu. Hlášení podobné tomuto dostanu celkem sedmkrát, toto je první výskyt: Při načítání PML PADT do Treexu narážím na záhadnou chybu. Hlášení podobné tomuto dostanu celkem sedmkrát, toto je první výskyt:
Line 93: Line 95:
  
 Čili není pravda, že by cílový prvek neexistoval. V odkazu ze syntaktického souboru jsem však objevil jednu anomálii. Odkaz vypadá takhle: ''<m.rf>m-p6w17t1</m.rf>'' zatímco podobné odkazy v okolí navíc ještě obsahují jakýsi identifikátor roviny, čili asi cílového souboru, např.: ''<m.rf>m#m-p6w16t1</m.rf>''. Čili není pravda, že by cílový prvek neexistoval. V odkazu ze syntaktického souboru jsem však objevil jednu anomálii. Odkaz vypadá takhle: ''<m.rf>m-p6w17t1</m.rf>'' zatímco podobné odkazy v okolí navíc ještě obsahují jakýsi identifikátor roviny, čili asi cílového souboru, např.: ''<m.rf>m#m-p6w16t1</m.rf>''.
 +
 +==== Do budoucna ====
 +
 +Zkusil jsem dotyčné místo ručně opravit a chyba zmizela. Asi by to ale chtělo ověřit, že i ostatní místa, kde systém žádnou chybu nehlásí, vypadají tak, jak bychom si přáli. Zejména pokud dochází k druhé vlně tokenizace (rozdělení slova na dva a více tokenů), že na syntaktické rovině vidíme u každého uzlu všechny relevantní morfologické i slovní informace. Pokud nějaký syntaktický uzel odkazuje na slovní rovinu, ale neodkazuje na morfologickou, je to podezřelé. Může to být tím, že morfologický analyzátor opravdu slovo nerozpoznal, ale také tím, že se nějak pokazila ID tokenů a odkazy na ně. Např. v jednom souboru z ničeho nic měl druhý token slova ID m-p3w4l2t1, ačkoli na ostatních místech, na která jsem se koukal, ID neobsahovalo číslo lemmatu, čili v tomto případě by znělo m-p3w4t2.
 +
 +==== Zdvojený uzel ====
 +
 +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).
 +
 +==== Předložky, které nemají afun AuxP ====
 +
 +Za předložku považujeme slovo, které má morfologickou značku začínající písmenem P. Za normálních okolností by předložka měla dostat syntaktickou značku (analytickou funkci, afun) AuxP. Podle anotačního manuálu (http://ufal.mff.cuni.cz/padt/PADT_1.0/docs/guides/PADT_Analytical.pdf) to vypadá, že některé předložky jsou na syntaktické rovině (přinejmenším v některých kontextech) považované za částice a dostanou jiné afuny než AuxP.
 +
 +Značka AuxY je ve [[http://ufal.mff.cuni.cz/padt/PADT_1.0/docs/papers/2002-flm-padt.pdf|Smrž et al. 2002]] popsána prostě jako „Others“. V PDT jde ovšem, pokud vím, převážně o listy, kdežto tady ji dostávají i předložky uvnitř stromu. [[http://ufal.mff.cuni.cz/pdt2.0/doc/manuals/cz/a-layer/html/ch03s02.html|Český manuál]] řekne jen o málo víc: „Příslovce a částice, které nelze zařadit jinam“.
 +
 +Značka AuxM je specifická pro PADT, v českém PDT chybí. Smrž et al. ji stručně popisují jako „Particles modifying the verb“. Představoval bych si, že půjde o spíše o listy, ale u předložek označených tímto afunem to rozhodně neplatí. Anotační manuál PADT jim věnuje kapitolu 3. I v manuálu lze nalézt příklady, kde AuxM není list.
 +
 +Částice سِوَى siwā (other than, except for, až na, kromě) je podle manuálu jedna ze dvou částic, které negují předcházející výraz a zavádějí místo něj následující výraz. V korpusu má morfologickou značku ''<nowiki>P---------</nowiki>'', tedy předložka. Má afun AuxM. Vyskytuje se však (mj.?) v situacích, kdy na ní visí další předložka, která už má AuxP. Příklad: lá tattasiu al-marákizu al-chássatu li istiqbáli him siwá li 13600 sarírin (ne rozšíří-se centra speciální pro příjem jich kromě pro 13600 postelí). Podstrom částice (předložky) „kromě“ dostal značku AuxM, protože modifikuje, vlastně částečně neguje význam slovesa. V češtině by asi předložka dostala AuxP a to pod ní Adv. Částice lá dostala také AuxM, tam je ale vše v pořádku, je to list a má morfologickou značku pro částici (''<nowiki>F---------</nowiki>'').
 +
 +==== Fráze s číslovkami ====
 +
 +Velmi často (nemám ověřeno, zda vždy) závisí počítané podstatné jméno na číslovce. Je pro to nějaký lingvistický důvod, nebo je to jen technické rozhodnutí? V českém PDT je to s číslovkami velmi složité. Pokud se číslovka shoduje s počítaným podstatným jménem v rodě, čísle a zejména pádě, závisí na něm. Pokud naopak číslovka určuje pád podstatného jména, závisí podstatné jméno na ní. Tento druhý případ se týká číslovek pět a vyšších, a to jen v některých pádech. Pokud je celá fráze v nominativu, akuzativu nebo vokativu, pak číslovka vyžaduje, aby podstatné jméno bylo v genitivu. Pokud je celá fráze v jiném pádě, pak se i tato číslovka s podstatným jménem shoduje. Kvůli této složité situaci v češtině zřejmě nebylo možné stanovit anotační pravidla pro arabštinu stejně.
 +
 +V normalizaci pro HamleDT nicméně dáváme přednost tomu, aby číslovka závisela na počítaném podstatném jménu.

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