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 18:37] mirovsky |
user:mirovsky:poznamky-k-automatickemu-urcovani-koreference [2009/09/25 18:49] mirovsky |
||
|---|---|---|---|
| Line 1: | Line 1: | ||
| ===== Automatické určování koreference ===== | ===== Automatické určování koreference ===== | ||
| - | === poznámky ke schůzce 29. září === | + | ==== poznámky ke schůzce 29. září |
| 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? | ||
| + | |||
| + | Neboli: Má z daného markable vést někam šipka? Je anaphorem nějakého antecedentu? | ||
| Vidím dvě možnosti: | Vidím dvě možnosti: | ||
| Line 22: | Line 25: | ||
| 2) V rankingu určit mez, kterou musí vítězný kandidát překročit, | 2) V rankingu určit mez, kterou musí vítězný kandidát překročit, | ||
| - | === Kdo budou kandidáti? === | + | ==== Kdo budou kandidáti? |
| 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 - již existující koreferenční řetězec by měl vystupovat jako jeden kandidát. (Nebudou se tím šířit předchozí chyby?) | 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 - již existující koreferenční řetězec by měl vystupovat jako jeden kandidát. (Nebudou se tím šířit předchozí chyby?) | ||
| 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. | 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. | ||
| - | === Jaká metoda, jaké features? === | + | ==== 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. | Supervised ranking. Unsupervised metody bych zvážil později, pokud by mohly přispět ke zvýšení úspěšnosti supervised metod, např. při adaptaci na jinou doménu apod. | ||
| Line 36: | Line 39: | ||
| Další možností je využít už existující koreferenční řetězec - neposuzuju kandidáta samostatně, | Další možností je využít už existující koreferenční řetězec - neposuzuju kandidáta samostatně, | ||
| - | === Features === | + | |
| + | |||
| + | ==== 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 45: | Line 50: | ||
| Features bych pro začátek vzal z různých článků, např. Denis and Baldridge (2008?), Soon et al. (2001); Denis and Baldridge je pěkně rozdělují do skupin podle typu: | Features bych pro začátek vzal z různých článků, např. Denis and Baldridge (2008?), Soon et al. (2001); Denis and Baldridge je pěkně rozdělují do skupin podle typu: | ||
| - | == Linguistic Form == | + | === Linguistic Form === |
| Sleduje, zda kandidát je vlastní jméno, obecné jméno nebo zájmeno. | Sleduje, zda kandidát je vlastní jméno, obecné jméno nebo zájmeno. | ||
| Line 53: | Line 58: | ||
| ** Demonstrative Noun Phrase ** - visí na podstatném jménu anaphoru něco jako " | ** Demonstrative Noun Phrase ** - visí na podstatném jménu anaphoru něco jako " | ||
| - | == Context == | + | === Context |
| - | POS slov kolem kandidáta | + | ** POS Left ** - POS slova vlevo od kandidáta |
| - | == Distance == | + | ** POS Right ** - POS slova vpravo od kandidáta |
| + | |||
| + | ** POS Surr ** - POS slova vlevo a slova vpravo od kandidáta | ||
| + | |||
| + | === Distance | ||
| ** Distance ** - vzdálenost anaphoru od kandidáta; v čem měřit? (věty, slovesa, slova - možná víc featur)) | ** Distance ** - vzdálenost anaphoru od kandidáta; v čem měřit? (věty, slovesa, slova - možná víc featur)) | ||
| - | == Morphosyntactic Agreement == | + | === Morphosyntactic Agreement |
| ** Number Agreement ** - shoda v čísle | ** Number Agreement ** - shoda v čísle | ||
| Line 71: | Line 80: | ||
| ** Both Proper Names ** - (Soon et al. 2001) | ** Both Proper Names ** - (Soon et al. 2001) | ||
| - | == Semantic Similarity == | + | === Semantic Similarity |
| ** Semantic Similarity ** - WordNet - existuje nástroj pro měření podobnosti slov na základě Wordnetu v Perlu, je částí OpenNLP Toolkitu. | ** Semantic Similarity ** - WordNet - existuje nástroj pro měření podobnosti slov na základě Wordnetu v Perlu, je částí OpenNLP Toolkitu. | ||
| - | == String Similarity == | + | === String Similarity |
| ** String Match ** - na lemmatech (bez přípon) - binární (0/1) nebo editační vzdálenost? | ** String Match ** - na lemmatech (bez přípon) - binární (0/1) nebo editační vzdálenost? | ||
| Line 83: | Line 92: | ||
| ** Right substring ** | ** Right substring ** | ||
| - | ** Head word match ** - to je featura z Denise, ale co to je? | + | === Apposition |
| - | + | ||
| - | == Apposition == | + | |
| ** Apposition ** - Anja tam možná nedělá šipky? | ** Apposition ** - Anja tam možná nedělá šipky? | ||
| - | == Acronym == | + | === Acronym |
| ** Acronym ** - např. " | ** Acronym ** - např. " | ||
| + | |||
| + | === Vynecháno ze zmíněných článků, co se nehodí pro češtinu (nebo z jiných důvodů) === | ||
| + | |||
| + | - kandidát je definite/ | ||
| + | - Semantic Class Agreement - (female, male, person, organization, | ||
| + | - Head word match - to je featura z Denise, ale co to je? | ||
| + | |||