This is an old revision of the document!
Table of Contents
Automatická detekce funktorů
Klasifikátor
- LibLINEAR, logistic regression (upravit ?)
- kombinace klasifikátorů – klasifikátorem ?
- zpětná kontrola, že nemá formém nic, co ho nepotřebuje ?
Varianty pokusů, featury
- vynechané koordinační funktory (beztak nepotřebují formém)
základní
- technické: sent_id, word_id, parent, nodetype, is_generated (+ formeme)
- uzel sám: t_lemma, functor, sempos (+trunc)
- aux.rf: aux_forms, aux_m_lemma (trunc)
- uzel + parent: Order, Distance
- synt. okolí: functor, t_lemma, sempos (trunc)
- parent, children, lsibling, rsibling, lsiblings, rsiblings,
- topol. okolí: t_lemma, sempos (trunc)
- left 3, 2, 2+1, 1, right 1, 1+2, 2, 3
varianty
- s ef. rodiči místo topologických (
eff) - s ef. rodiči a funktory rodiče a levých sourozenců jako featurami (
eff_tree) - dělené podle t-lemmatu (
tlemma)
Výsledky
| pokus | datum | bez feature selection | s feature selection |
|---|---|---|---|
| fog, nominal | |||
| fog-base | 2011-09-29 03:48 | 84.487 | 85.077 |
| fog-eff | 2011-09-29 03:28 | 85.563 | 86.102 |
| fog-eff_tree | 2011-09-29 03:22 | 85.928 | 86.485 |
| fog-tlemma | 2011-09-29 14:32 | 83.795 | 84.985 |
| fog2-base | 2011-09-29 15:10 | 83.465 | 84.020 |
| fog2-eff | 2011-09-29 16:00 | 84.433 | 84.982 |
| fog2-eff_tree | 2011-09-29 15:28 | 84.955 | 85.504 |
| fog2-tlemma | 2011-09-30 02:52 | 82.588 | 83.886 |
komentář
- druhá varianta vychází hůř, ale o méně než 1 %
- nejvíc příkladů je pro: RSTR, PAT, ACT, PRED, APP, LOC, TWHEN, PREC, ???, RHEM, MANN, EXT, (EFF, ADDR, DIR3, DIR1, ID, MAT)
- 2. verze (base)
- RSTR: n:1, n:X vs. n:attr (přes 200), n:X vs. n:1 (není moc chyba), n:1 vs. adj:attr – defaultováním na 1. pád by se dalo řešit hodně
- PAT: n:1 vs. n:4 (přes 500), n:2 vs. n:4, n:4 vs. n:1 (přes 100) – zas tak hrozné není; n:na+4 vs. n:4, n:3 vs. n:4 (oba přes 100, horší)
- ACT: n:4 vs. n:1, n:X vs. n:1, n:2 vs. n:1 – vše v pohodě
podle funktorů
- ACMP – musí být dělení bez / s !!!
- ACT – n:4 vs. n:1, n:X vs. n:1 – OK
- AIM – na předložkách moc nezáleží – OK (zkontrolovat lemma!)
- BEN + proti ??, jinak n:3 vs. n:pro+4 – OK
- CAUS + n:za+4 ??, řídká data (možná bude třeba nějak vylepšit)
- CNCS – chce určitě i_když !!! (jinak to nemá cenu), jinak je to úplně jedno – OK
- COMPL – formémy v.2 to ničí, protože ve v.1 je tam adj:compl (a kazí to n:4 vs. n:1)
- COND – nepřehazuje n: a v:, proto celkem OK, složené spojky nutné – OK
- CPHR – kazí to adj:compl u v.2, jinak – OK
- CPR – řídké – OK
- CRIT – vede “podle”, víceméně OK
- DENOM – u v.2 trochu víc bordelu s pády – OK
- DIFF – v.2 opravou číslovek boduje – OK
- DIR1 – v.2 převodem adj → n boduje – OK
- DIR2 – problém, je tam moc různých předložek, řídké !!!
- DIR3 – asi by pomohlo lemma, n:na+4 x n:do+2 je docela potíž !!!
- EFF – problém s poznáním v:fin vs. v:že+fin
- EXT – v podstatě OK
- ID – problémy s pády, jinak OK
- LOC – v.2 se trochu zlepšilo, jinak problém s n:u+2, n:v+6 – možná složité, jinak asi by pomohlo lemma
- MANN – problém n:v+6 vs. n:7, jinak OK
- MAT – v podstatě OK
- MEANS – blbá data (asi), všechno je n:7, což je ošklivé !!!
- PAR – jediný problém n:X vs n:1, jinak OK
- ORIG – problém: n:od+2 vs. n:z+2, asi řídká data
- PAR – v.2 má problémy s pády n:X vs. n:1, jinak OK
- PAT – hlavně n:1 vs. n:4, jinak OK (možná by pomohly syntaktické featury?)
- asi diateze (v pasivu bude n:1 spíš), taky možná predikativita (nebo něco podobného, prostě marker pro slovesa, která v PAT berou 1.pád)
- PRED – asi OK, i když občas nerozpozná v:inf
- REG – nepozná n:vzhledem_k+3, n:bez_ohledu_na+4, všude cpe n:v+6
- RESL – trochu bordel mezi v:aby+fin a v:že+fin, jinak OK
- RSTR – v.2 dává moc často n:attr
- SUBS – řídká data, asi OK, u v.2 zhoršuje úspěšnost častější přiřazení pádů
- TFHL – většinou dostane jen n:na+4 a víc se neptá; jinak OK
- THL – bordel mezi n:4 a n:za+4, jinak v.2 má častěji n:4 podle opravených číslovek – OK
- TPAR – vlastně OK, protože ty předložky jsou záměnné
- TSIN – víceméně OK
- TTILL – taky OK
- TWHEN – možná by taky chtělo detailnější subfunktory (?)
Návrhy
- Používat valenční slovník pro aktanty
- jako featury? možná ano, pak si toho snad všimne
- jak ale zohlednit více možných významů daného slovesa ?
- nové featury (??)
- použít nějak childrentypes (dělit podle sempos-u)?
- clause heads
- nominal (max. 50 featur v selection) + binary
- vyházet z trénovacích dat příklady s formémy n:X !!