Differences
This shows you the differences between two versions of the page.
| Both sides previous revision Previous revision Next revision | Previous revision | ||
|
user:dusek:morpho_gen [2011/09/29 14:20] dusek |
user:dusek:morpho_gen [2012/07/30 12:58] (current) dusek |
||
|---|---|---|---|
| Line 1: | Line 1: | ||
| - | ==== Generování morfologických atributů z formémů a gramatémů ==== | + | ==== Generování morfologických atributů z formémů a gramatémů |
| === Postup === | === Postup === | ||
| * Nejdřív určit MainPOS a SubPOS, podle toho se budou určovat další featury | * Nejdřív určit MainPOS a SubPOS, podle toho se budou určovat další featury | ||
| * Určit i Lemma, na základě zdrojového lemmatu (důležité hlavně pro #PersPron, ale i possesiva nebo cokoliv by se sbalovalo na t-rovině) | * Určit i Lemma, na základě zdrojového lemmatu (důležité hlavně pro #PersPron, ale i possesiva nebo cokoliv by se sbalovalo na t-rovině) | ||
| + | * lemma se mění na t-rovině u: #PersPron, possesiv, (číslovek, | ||
| * něco obecnějšího na složené slovesné formy | * něco obecnějšího na složené slovesné formy | ||
| + | * do autom. skládání stromu z formémů (až po vygenerování všech funkcí; asi bude ale zvláštní funkce, protože to není to samé co auxy ve formému, časuje se to) | ||
| + | * možná jen mezikrok, který vyrobí ty formy | ||
| + | * možná mít celou složenou formu jako celek a dávat jí nejdřív jeden tag (-- včetně modálů? asi by vlastně nebyl problém, modál bude další kategorie) | ||
| + | * Získání složených slovesných forem (asi by šlo i na a-rovině): | ||
| + | |||
| + | t-node [ 1+x a/aux.rf a-node [ m/tag ~ ' | ||
| === Modely === | === Modely === | ||
| * Jeden model na všechny POSy? Spíš asi dělené, na různá políčka různý, určování zleva doprava | * Jeden model na všechny POSy? Spíš asi dělené, na různá políčka různý, určování zleva doprava | ||
| + | * časem může být použit interset | ||
| + | * zřejmě tři bloky: | ||
| + | - určení slovního druhu | ||
| + | - doplnění konstant (podle formému a slovníku) | ||
| + | - určení jednotlivých morfologických hodnot | ||
| + | * hodí se, že první blok už bude mít rody všech substantiv doplněné | ||
| + | * trénování na zlatých formémech ? aby se netloukly s tím výsledkem ? | ||
| + | * potom možná bude nižší accuracy, ale větší gramatikalicita -- asi by se mělo změřit | ||
| + | |||
| + | == určení slovního druhu == | ||
| + | * SubPOS podle č. morfologie | ||
| + | * vynechat slovesné formy -- bude se určovat čas | ||
| + | * vynechat vokalizaci předložek, | ||
| + | * u většiny slov jednoznačné, | ||
| + | * přímo z t_lemma & formém se dá určit 99% případů | ||
| + | * šlo by mít modely jen pro nejednoznačné případy, pro ostatní je generovat z MorphoLM (a brát první, co přijde) nebo mít uložené ve slovníku a jako fallback až LM | ||
| + | * zřejmě nejde mít jeden velký model, který by ošetřil všechny triviální případy -- bude nutné si udělat pls.gz | ||
| + | * modely: pro každé slovo zvlášť, tj. určení jen těch pár tříd | ||
| === POSy a generované věci === | === POSy a generované věci === | ||
| * drop -- přidá se k vyhození, negeneruje se nic | * drop -- přidá se k vyhození, negeneruje se nic | ||
| - | * | + | * substantiva: |
| + | * adjektiva: číslo, negace, rod, pád (pokud není dán z formému) | ||
| + | * zájmena: číslo, negace, rod, pád (není-li dán z formému), possesivnost (v určení lemmatu? -- //svůj// apod.) | ||
| + | * číslovky: pád (není-li z formému), rod (není-li konstantní) | ||
| + | * možná až potom dát ReverseNounNumberDependendency, | ||
| + | * slovesa: osoba, číslo, čas, rod (v tagu samotném), modální sloveso, negace | ||
| + | * předložky: | ||
| === Potřebné featury === | === Potřebné featury === | ||
| + | * IsSubject -- MarkSubject, | ||
| + | * tj. mít '' | ||
| + | * z+2, featury od toho, co na tom visí //pro adjektiva: " | ||
| + | |||
| + | t-node [ a/lex.rf a-node [ m/lemma ~ ' | ||
| + | |||
| + | * Koreference (gramatická) //pro " | ||
| + | * rodič a jeho featury //pro adjektiva: governors gender// | ||
| + | * formém ovlivňuje gramatický slovesný čas -- v:že+fin, v:aby+fin, negaci: v: | ||
| === Zůstává ruční / původní === | === Zůstává ruční / původní === | ||
| * Reflexiva tantum, Subconjs, DropSubjPersProns (?), MoveCliticsToWackernagel, | * Reflexiva tantum, Subconjs, DropSubjPersProns (?), MoveCliticsToWackernagel, | ||
| * AddPrepos, AddParentheses, | * AddPrepos, AddParentheses, | ||
| + | * **GenerateWordForms -- nutné pročistit**, | ||
| + | * Vokalizace ? | ||
| + | |||
| + | ==== Slovesa ==== | ||
| + | * Generování slovesných forem -- jednoduché ML na závorkový zápis | ||
| + | * Výsledky: varianty pokusů: | ||
| + | |||
| + | ^ pokus ^ popis ^ datum ^ accuracy ^ | ||
| + | | verbal | ||
| + | | verbal-person | ||
| + | | verbal-persfeat | ||
| + | | verbal-normalized | ||
| + | | verbal-inf_mod_fix | normalizované pořadí v targetu, sjednocené modály, deontmod + is_modal | ||
| + | | verbal-uni_mod | ||
| + | |||
| + | * Výsledky nejsou úplně porovnatelné, | ||
| + | * aktuálně se používá verbal-uni_mod (proč?) | ||
| + | |||
| + | === TODO === | ||
| + | * nastavit nějak líp cost -- asi menší regularizaci, | ||
| + | * přitom zřejmě chyby budou výjimečné (protože prostor featur je hodně hustý a ke každé chybě bude existovat i správný příklad) | ||
| + | * možná filtrovat nemožné příklady (neshodné aux.rf se zlatými? kolik to bude %?) | ||
| + | * váhy příkladům (čím delší string, tím větší váha :-)) | ||
| + | * opravit nějak generování " | ||
| + | |||