http://ufal.mff.cuni.cz/padt/online/

Install TrEd including the padt and elixir extensions from the default TrEd repository http://ufal.mff.cuni.cz/~pajas/tred/extensions/.

The SVN repository of the PADT project is https://svn.ms.mff.cuni.cz/svn/padt/ (see also Trac). A working copy is accessible at /net/projects/padt on the ÚFAL network.

The project's data are stored in the main subdirectory data, which is split further into Prague, Penn, and ElixirFM, explained below.

Try opening a PADT file to check if your setup is complete. Run TrEd and open the following files. They should automatically set their editing contexts and stylesheets to PADT::Morpho and PADT::Syntax, respectively:

tred /net/projects/ace/data/arabic/PADT/data/Prague/AEP/UMH_ARB_20040407.0001.{morpho,syntax}.pml

For improved quality of display of the various scripts and trees types, you can use the following setup in TrEd's config file, or similar:

Font = "family:DejaVu Sans Condensed, size:14, weight:normal"

NodeXSkip = 30;
NodeYSkip = 10;

The SVN repository of the PADT project is https://svn.ms.mff.cuni.cz/svn/padt/. The main subdirectory data is split into ElixirFM, Prague, and Penn. Further:

data/ElixirFM/

data/Penn/1v3/
data/Penn/2v2/
data/Penn/3v2/
data/Penn/4v1/

data/Prague/AEP/
data/Prague/ASB/
data/Prague/EAT/
data/Prague/HYT/
data/Prague/NHR/
data/Prague/XIN/

The project's contributors are smrz, bielicky, zabokrtsky and zeman, the rest of ufal have just the read rights.

There is also the 'tools' directory which contains some useful scripts.

The code base for the PADT project, i.e. for annotation, display, and processing of the data, is the TrEd's padt extension, and its elixir extension that is a dependency for padt.

• Write a block to read the PADT 2.0 data in Treex. An XML schema is needed.
• Jak je to teď se zalámáním vět? Bude se nějak využívat prvek Unit? Současné stromy zatím pořád odpovídají odstavcům, s průměrným počtem 38 tokenů na strom. Treebank obsahuje 874 souborů (dokumentů), 7664 stromů (odstavců) a 289910 tokenů (nekořenových uzlů). Token je menší jednotka než slovo, přičemž je možné dohledat, které tokeny tvořily dohromady jedno slovo (týká se druhé tokenizace v rámci morfologické analýzy; odlepení interpunkce od slov je něco jiného).

Focus on paragraphs/sentences that miss PADT-Morpho annotation, esp. non-annotated headlines:

btred -QTe '@w = $this->children(); @n = grep { $_->children() } @w; print ThisAddress() . "\n" if @n < 0.9 * @w' Penn/???/*.morpho*.pml 

Focus on nodes in PADT-Syntax that do not have a valid afun annotation:

btred -QTNe 'print ThisAddress() . "\n" if exists $this->{"afun"} and $this->{"afun"} eq "???"' Prague/???/*.syntax*.pml

There are some other tasks that have been partially solved in PADT, but need to be refreshed and completed:

• Retrain the CRF++ model for tagging selected morphological categories and apply it to prune remaining morphological ambiguities.
• Refresh and improve the code and rules for converting PATB phrase syntax trees into dependency trees a la PADT.
• Update PADT::Syntax annotation context (level synchronization, non-conflicting bindings).
• Update PADT::Deeper annotation context (level synchronization, working schemas, modern stylesheets, non-conflicting bindings).
• Improve documentation.

Při načítání PML PADT do Treexu narážím na záhadnou chybu. Hlášení podobné tomuto dostanu celkem sedmkrát, toto je první výskyt:

TREEX-INFO:   574.730:	Loading EAT/AFP_ARB_20000715.0011.syntax.pml
warning: KNIT failed: ID m-p6w17t1 not found in reffile ''
TREEX-INFO:   575.704:	Document 373/874 EAT/AFP_ARB_20000715.0011 loaded from EAT/AFP_ARB_20000715.0011.syntax.pml

Chybí mi informace, na kterém místě kterého zdrojáku k té chybě došlo. Také zřejmě chybí nějaké jméno souboru za tím “reffile”. To, že je tato chyba dost řídká, naznačuje, že je nějaký problém na konkrétním místě vstupních dat, ale celková procedura načítání funguje dobře. Nicméně vstupní data jsem prohlédl a prvek s uvedeným ID tam je.

• Soubor EAT/AFP_ARB_20000715.0011.syntax.pml, řádek 1446, uzel s-p6w17t1 odkazuje na m-p6w17t1.
• Soubor EAT/AFP_ARB_20000715.0011.morpho.pml, řádek 4515, token m-p6w17t1 je první ze dvou tokenů, na které bylo rozděleno slovo لنكون. Toto slovo odkazuje na w-p6u1w17.
• Soubor EAT/AFP_ARB_20000715.0011.words.pml, řádek 522, slovo w-p6u1w17. Zde je uveden jen povrchový slovní tvar, nic víc.
• Soubor EAT/AFP_ARB_20000715.0011.treex, na řádku 3928 začíná a na řádku 4275 končí podstrom dotyčného uzlu. Vypadá, jako by nebyl nalezen ve slovníku (značka U, lemma je kopií slovního tvaru), což by mohl být důsledek porušeného odkazu ze syntaktické roviny na morfologickou.

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>.

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.

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.