Differences
This shows you the differences between two versions of the page.
Both sides previous revision Previous revision Next revision | Previous revision Next revision Both sides next revision | ||
user:mirovsky:poznamky-k-automatickemu-urcovani-koreference [2009/09/25 17:45] mirovsky |
user:mirovsky:poznamky-k-automatickemu-urcovani-koreference [2009/09/25 18:39] mirovsky |
||
---|---|---|---|
Line 1: | Line 1: | ||
===== Automatické určování koreference ===== | ===== Automatické určování koreference ===== | ||
- | === __poznámky__ | + | ==== poznámky |
Line 10: | Line 10: | ||
- | ** Co budou markables? | + | ==== Co budou markables? |
Podle mne všechna podstatná jména a všechna osobní zájmena. Přinejmenším zpočátku, pak se to může vylepšovat či rozšiřovat. Řídil bych se především potřebami projektu PlayCoref a tím, co je anotováno v projektu Bridging. | Podle mne všechna podstatná jména a všechna osobní zájmena. Přinejmenším zpočátku, pak se to může vylepšovat či rozšiřovat. Řídil bych se především potřebami projektu PlayCoref a tím, co je anotováno v projektu Bridging. | ||
Line 16: | Line 16: | ||
Na pojmenované entity bych se vykašlal, alespoň zatím. V datech bridging stejně máme šipky mezi jednotlivými uzly. Sice na tekto rovině, ale projekce do analytické roviny a zpět (tedy i na povrch) je podle mne jednoznačná. | Na pojmenované entity bych se vykašlal, alespoň zatím. V datech bridging stejně máme šipky mezi jednotlivými uzly. Sice na tekto rovině, ale projekce do analytické roviny a zpět (tedy i na povrch) je podle mne jednoznačná. | ||
- | ** Jak poznat nové uvedení slova do diskurzu od slova, které koreferuje už s něčím dříve zmíněným? | + | ==== Jak poznat nové uvedení slova do diskurzu od slova, které koreferuje už s něčím dříve zmíněným? |
Vidím dvě možnosti: | Vidím dvě možnosti: | ||
Line 22: | Line 22: | ||
2) V rankingu určit mez, kterou musí vítězný kandidát překročit, | 2) V rankingu určit mez, kterou musí vítězný kandidát překročit, | ||
- | ** Jaká metoda, jaké features? ** | + | ==== Kdo budou kandidáti? ==== |
- | Ranking | + | Předchozí osobní zájmena a podstatná jména, tedy tytéž markables. Předchozí až do nějaké vzdálenosti nebo všichni až do začátku textu? Respektive přesněji: předchozí diskurzní entity |
+ | Narozdíl od některých přístupů bych za antecedent vždy volil nejbližší prvek budoucího koref. řetězce - tzn. i zájmeno může být antecedentem podstatného jména - to je možné právě díky posuzování kandidátů včetně jejich existujícího koref. řetězce. | ||
- | Co bude ranker posuzovat v jednom kroku? | + | ==== Jaká metoda, jaké features? ==== |
+ | |||
+ | Supervised ranking. Unsupervised metody bych zvážil později, pokud by mohly přispět ke zvýšení úspěšnosti supervised metod, např. při adaptaci na jinou doménu apod. | ||
+ | |||
+ | **Ranking - ale jaký?** | ||
+ | |||
+ | Co bude ranker posuzovat v jednom kroku? | ||
+ | Další možností je využít už existující koreferenční řetězec - neposuzuju kandidáta samostatně, | ||
+ | |||
+ | ==== Features ==== | ||
Features pro ranking (a jejich váhy) budou různé pro různé typy anaphor (pozná se podle tagu), nejméně tyto tři typy: | Features pro ranking (a jejich váhy) budou různé pro různé typy anaphor (pozná se podle tagu), nejméně tyto tři typy: | ||
Line 33: | Line 43: | ||
- ostatní podstatná jména | - ostatní podstatná jména | ||
- | Features bych vzal z různých článků, např. Denis and Baldridge (2008?), Soon et al. (2001) | + | Features bych pro začátek |
+ | |||
+ | === Linguistic Form === | ||
+ | |||
+ | Sleduje, zda kandidát je vlastní jméno, obecné jméno nebo zájmeno. | ||
+ | |||
+ | Dále: | ||
+ | |||
+ | ** Demonstrative Noun Phrase ** - visí na podstatném jménu anaphoru něco jako " | ||
+ | |||
+ | === Context === | ||
+ | |||
+ | POS slov kolem kandidáta (před, po, okolo) | ||
+ | |||
+ | === Distance === | ||
+ | |||
+ | ** Distance ** - vzdálenost anaphoru od kandidáta; v čem měřit? (věty, slovesa, slova - možná víc featur)) | ||
+ | |||
+ | === Morphosyntactic Agreement === | ||
+ | |||
+ | ** Number Agreement ** - shoda v čísle | ||
+ | |||
+ | ** Gender Agreement ** - shoda v rodu | ||
+ | |||
+ | ** Person Agreement ** - shoda v osobě (?) | ||
+ | |||
+ | ** Both Proper Names ** - (Soon et al. 2001) | ||
+ | |||
+ | === Semantic Similarity === | ||
+ | |||
+ | ** Semantic Similarity ** - WordNet - existuje nástroj pro měření podobnosti slov na základě Wordnetu v Perlu, je částí OpenNLP Toolkitu. | ||
+ | |||
+ | === String Similarity === | ||
+ | |||
+ | ** String Match ** - na lemmatech (bez přípon) - binární (0/1) nebo editační vzdálenost? | ||
+ | |||
+ | ** Left substring ** | ||
+ | |||
+ | ** Right substring ** | ||
+ | |||
+ | ** Head word match ** - to je featura z Denise, ale co to je? | ||
+ | |||
+ | === Apposition === | ||
+ | |||
+ | ** Apposition ** - Anja tam možná nedělá šipky? | ||
+ | === Acronym === | ||
+ | ** Acronym ** - např. " | ||