[ Skip to the content ]

Institute of Formal and Applied Linguistics Wiki


[ Back to the navigation ]

Table of Contents

Motivace

Neformalne

Je to skoro rok a pul, co se vzalo nekolik t-souboru z PDT 2.0 a provedla se na nich studie anotace rozsirene koreference (vzhledem k PDT 2.0), ktera se vyuzila pro sledovani aktivovanosti objektu diskurzu. Pak se vzaly zase jine soubory z PDT 2.0 a provedla se na nich studie anotace bridging anafory. Mezi tim se anotovala data z PDT 2.0 z pohledu ACV. Protoze algoritmus pro sledovani aktivovanosti potrebuje informaci o T a F, tak se nachystaly pro dalsi anotaci rozsirene koreference soubory, ktere jiz prosly anotaci ACV. Na tyto soubory zatim nedoslo.

Po Lucce prevzala anotaci koreference Anja. Po nekolika e-mailech jsme s Anjou dokonvergovaly k tomu, ze je jasne, ktere soubory a jak byly zpracovane, a ze je lze otevrit v TrEdu (tj. mj. ze sedi t-schemata). Aby k podobnemu patrani uz v budoucnu nedoslo, tak vznikla dokumentace - viz dale.

Formalne

Dat do poradku vse kolem dat, na kterych se zacala anotovat rozsirena koreference (vzhledem k PDT 2.0) a zacalo se smerovat k bridging anafore. Data, na kterych bylo bud jiz neco provedeno, nebo byla pouze nachystana, jsou rozdelena do tri skupin (rikam jim varky;-)). Pro kazdou varku jsou uvedeny udaje, ktere varku jednoznacne charakterizuji. Vsechny soubory, o kterych se pise, mam zatim lokalne u sebe (i kdyz je vlastne asi maji nekteri zainteresovani taky nekde).

Protoze anotace koreference jde ruku v ruce s anotaci ACV, tak v dokumentaci myslim i na spolecne uloziste vysledku obou typu anotaci.

Data

  1. VARKA
    1. Popis dat
      • 40 souboru z PDT 2.0, ktere byly barevne anotovany na papire
      • seznam souboru varka_1_soubory.txt
      • schema pro t-soubory: tdata-schema-bh.xml
    2. Anotace ceho
      • rozsirena koreference
    3. Anotator
      • Lucka
    4. Dokumentace
      • Hajicova, Hladka, Kucova: An annotated corpus as a test bed for discourse structure analysis. In Proceedings of the Workshop on Constraints in Discourse. National University of Ireland, Maynooth, Ireland, pp. 82-89, 2006. (salienceirsko06.pdf)
  2. VARKA
    1. Popis dat
      • 9 souboru nahodne vybranych z PDT 2.0
      • seznam souboru varka_2_soubory.txt
      • schema pro t-soubory: tdata-schema-bridging.xml
    2. Anotace ceho
      • bridging anafora
    3. Anotator
      • Lucka, predano Anje
    4. Dokumentace
  3. VARKA
    1. Popis dat
      • vyber 15 souboru z PDT 2.0, u kterych jiz bylo rucne anotovane ACV (viz Sarka)
      • seznam souboru varka_3_soubory.txt
    2. Anotace ceho
      • zatim nezpracovano
    3. Anotator
      • nachystano puvodne pro Lucku, predano Anje
    4. Dokumentace
  4. Bonus
    1. Popis dat
      • “Dvorak”, uryvek z Veseleho snu o Dvorakovi J. Skvoreckeho (41 vet, dvoraksentencesencz.pdf)
      • 'raw' text prosel temito procedurami
        • run-it-all ## AUTOMATICKA procedura z PDT 2.0 (tokenizace, tagger, parser, konverze do t-souboru)
        • na t-datech zapracovala Jana Vejvodova (oprava, doplneni nodetype)
    2. Anotace ceho
      • tfc
      • rozsirena koreference
    3. Anotator
      • Bara Smrckova
      • Lucka
    4. Dokumentace

Nastroje

Adresar

Bylo by dobre soustredit data, ktera se anotuji z pohledu ACV a koreference, na jednom miste. Pisi zcela zamerne pouze o datech, protoze ty jsou v tomto okamziku primarni. Nasledne se muzeme pobavit o jemnejsim deleni adresare i vzhledem k naplni projektu, ktery podavala Sarka na GACR.

Nyni tedy navrhuji

  1. v adresari /net/projects/ zalozit adresar se jmenem (treba) ACV_Coref (nemela jsi, Sarko, vymysleny hezci akronym pro ten GACR projekt?) a jeho podadresar Data/; nadale budu tedy brat jako domovsky adresar /net/projects/ACV_Coref/Data a cesty budu uvadet relativne k tomuto adresari. Zalozeni projektoveho adresare musi jit pres Milana. Pro zacatek navrhuji, aby prava pristupu do tohoto adresare meli jen zainteresovani - viz nize.
    1. mkdir Coref/ - protoze soubory, na kterych uz se pracovalo, bude potreba zrevidovat, tak by tento adresar obsahoval podadresare odpovidajici jednotlivym varkam (viz vyse), proto (adresare varka* mam jiz nachystane.)
      • mkdir Coref/varka_1_A_Dvorak/
      • mkdir Coref/varka_2/
      • mkdir Coref/varka_3/
    2. mkdir ACV/ - k obsahu nemam co rict - prosim doplnte!
  2. s SVN (prip. CVS) nemam vubec zadnou zkusenost, ale jednoznacne jsem pro to, abychom s tim pracovali.
  3. nevim, jestli ma cenu stale za sebou tahat [wma]-soubory, protoze predpokladam, ze se s nimi na urovni ACV a koreferencnich anotaci nic deje. Proto by mozna stacilo vest linky do prislusneho podadresare projektoveho adresare PDT (/net/projects/pdt/pdt20/data/full/tamw). Stalo by za to se poptat, jak to resi v jinych projektech.

Komu urceno

Eva Hajicova
Bara Hladka
Anja Nedoluzko
Petr Nemec
Pavel Schlesinger
Mirek Tynovsky
Sarka Zikanova


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