Institute of Formal and Applied Linguistics Wiki

• 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)
  • lemma se mění na t-rovině u: #PersPron, possesiv, (číslovek, deadjektivních adverbií, neurčitých zájmen – jen opravdová, ne automatická)
• 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 ~ '^V' ], a/lex.rf a-node [ m/tag ~ '^V' ] ];

• Jeden model na všechny POSy? Spíš asi dělené, na různá políčka různý, určování zleva doprava
  • časem může být použit interset
• zřejmě tři bloky:
  1. určení slovního druhu
  2. doplnění konstant (podle formému a slovníku)
  3. 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

• SubPOS podle č. morfologie
• vynechat slovesné formy – bude se určovat čas
• vynechat vokalizaci předložek, bude se určovat zvlášť
• u většiny slov jednoznačné, je pár složitých, nejhorší je #PersPron
  • 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

• drop – přidá se k vyhození, negeneruje se nic
• substantiva: jen číslo a negace (pád z formému, rod ze slovníku)
• 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, aby to nedělalo bordel
• slovesa: osoba, číslo, čas, rod (v tagu samotném), modální sloveso, negace
• předložky: vokalizace ?

• IsSubject – MarkSubject, featury od subjectu pro agreement, hl. sloves, ale i adjektivních komplementů
  • tj. mít subject→ v LayerAttributes !!
• z+2, featury od toho, co na tom visí pro adjektiva: “každý z mužů, každá z žen”

t-node [ a/lex.rf a-node [ m/lemma ~ '^každý$' ], t-node [ a/aux.rf a-node [ m/form ~ '^z(e)?$' ] ] ];

• Koreference (gramatická) pro “který”, vztažná zájmena
• rodič a jeho featury pro adjektiva: governors gender
• formém ovlivňuje gramatický slovesný čas – v:že+fin, v:aby+fin, negaci: v:dokud+fin, v:než+fin

• Reflexiva tantum, Subconjs, DropSubjPersProns (?), MoveCliticsToWackernagel, Expletiva (?)
• AddPrepos, AddParentheses, AddPunctuation – hodně obecné, asi by se dalo generaliozvat!
• GenerateWordForms – nutné pročistit, je v tom bordel
• Vokalizace ?

• Generování slovesných forem – jednoduché ML na závorkový zápis
• Výsledky: varianty pokusů:

• nastavit nějak líp cost – asi menší regularizaci, víc overtraining, aby se i řídké příklady zohlednily
  • 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 “by/bychom”