• Ze setkani 28. listopadu 2008
  • Pavel: muze zacit s experimenty
  • Jirka: Prevod koreference v tektogramatickych stromech anotovanych Anjou a kol. do povrchu - viz nize oddil Data Format for the Project Play the Language
  • Bara: najit studenty k implementaci prvnich dvou her z casti 'Ideas' a zadat je k reseni. Prvni hru jiz zacal implementovat student Jan Kohout.
  • Trac system - jak to s nim je?
    • Documentation
  • Pamatovat si:
    • Pracovat s texty v kodovani utf-8.

• images, tunes
• ontologies (semantic web)
• text (náš LGame)

• Open Mind
• Carolina Parada with Fred Jelinek
  • Comments sent to Carolina: TBA

• (Snow et al., 2008) Cheap and Fast - But is it Good? ... , Proceedings of the Conference on Empirical Methods in Natural Language Processing, Waikiki, Honolulu, Hawaii, 2008, pp. TBA.
• Coling 2008 workshop on Human judgments in Computational Linguistics

Date: Fri, 10 Oct 2008 09:42:43 +0200
From: Jiří Mírovský

napadly me dve dalsi jazykove hry, ale bohuzel nejsou lingvisticky uzitecne
(nenapada mne, jak ta data vyuzit) - jen by mohly byt zabavne pro hrace a
naladit je na jine, mene zabavne lingvisticke hry.
Plus jedna, ktera by uzitecna byt mohla.

1. Hraci dostanou vetu bez mezer mezi slovy a jejich ukolem je nadelat tam mezery, tedy provest tokenizaci. Jediny mozny uplatneni vidim na jazycich jako je thajstina, kde se mezery mezi slovy opravdu nepisou a na konferencich se prednasi o tom, jak to automaticky delat.
2. Hraci dostanou vetu s prehazenejma slovama (kazdy jinak, nahodne). Jejich cilem je sestavit puvodni vetu. Hraji, dokud se neshodnou, vyhrava ten, kdo to mel driv. Tady uz vubec nevidim zadne vyuziti vlastnich dat, ale mohlo by to fungovat jako reklama na lingvisticke hry, protoze bych rekl, ze tohle hrace bude bavit. Aby to bylo spravedlive, algoritmus na nahodne prehazeni slov by musel byt chytry, aby to prehazel pro oba hrace ruzne, ale stejne obtizne.
3. Speech reconstruction (nebo jak se tomu odborne rika) - hraci dostanou vetu z rozpoznavace reci a jejich ukolem je udelat z toho standardni ceskou vetu - bez koktani, opakovani apod.

• Google TechTalks July 26, 2006 Luis von Ahn
• Google Technology RoundTable, Mike Cohen, Franz Josef Och

• Cvičebnice STYX
• My word coach

/net/work/projects/playlang/

• podadresář playcoref

Date: Wed, 24 Dec 2008, updated Tue, 6 Jan 2009
From: Jiří Mírovský

Důvody:

• automatická lemmatizace a morfologická disambiguace textů je uspokojivě zvládnutý problém, pro nás téměř zadarmo
• rozdělení textu na věty je až na morfologické rovině
• automatické procedury pro předzpracování textů (např. detekce kandidátů pro koreferenci) budou lemmatizaci a morfologii nejspíš potřebovat
• morfologická rovina jde dobře zobrazit v Tredu

/net/work/projects/playlang/playcoref/tred_extension/mdata_schema_playlang.xml

• obsahuje rozšíření o seznam struktur pro anotaci textové koreference; o strukturu jde proto, aby šly snadno přidat další atributy (podobně jako v projektu anotování rozšířené textové koreference)

V adresáři /net/work/projects/playlang/playcoref/data/scripts jsou skripty pro převod textové koreference z tektogramatické roviny do rozšířené m-roviny:

• _change_mschema_to_playlang.sh - změní schéma m-souborů na mdata_schema_playlang.xml
• new_textual_coreference_extract.ntred - prochází textovou koreferenci na t-rovině z projektu anotování rozšířené textové koreference a vypíše seznam textově koreferenčních dvojic - identifikátorů příslušných koreferenčních lemmat na m-rovině; koreference mezi uzly, které nemají povrchový protějšek, se nebere v úvahu
• textual_coreference_add.ntred - ze seznamu bere dvojice identifikátorů koreferenčních lemmat na m-rovině a tyto koreference vkládá do rozšířené m-roviny

Převedl jsem data z projektu anotování rozšířené koreference do rozšířené m-roviny. K dispozici jsou data train-1:
/net/work/projects/playlang/playcoref/data/files/02_bridging_playcoref/train-1

Pro Tred existuje rozšíření Play the Language (playlang), nainstalovat lze přes Session→Manage Extensions.
Umožňuje otevřít rozšířené m-soubory a zobrazit koreferenční šipky. Nastavuje zobrazení kontextových vět a v nich zvýrazňuje prvky koreferenčních řetízků, ve kterých se účastní aktuální slovo.
Pozor, při otvírání souborů s maskou *.m.gz v souborovém dialogu v Tredu je potřeba přepnout filtr souborů na “všechny soubory”, aby byly soubory s touto maskou vidět.

Ovládání:
Ctrl+t - zapne/vypne zobrazení šipek textové koreference a zvýraznění prvků koreferenčních řetízků aktuálního slova v kontextových větách
Alt+p - přepne do čistě morfologického módu - nejsou zobrazeny kontextové “stromy” a věty, nezobrazují se koreferenční šipky
Alt+c - přepne do módu playcoref - zobrazují se kontextové “stromy” a věty, zobrazují se koreferenční šipky i slova

Aktuální uzel lze měnit jak kliknutím na uzel, tak i jednoduchým kliknutím na slovo v kontextových větách.