Differences
This shows you the differences between two versions of the page.
| Both sides previous revision Previous revision Next revision | Previous revision | ||
|
user:mirovsky:poznamky-k-automatickemu-urcovani-koreference [2009/09/25 18:37] mirovsky |
user:mirovsky:poznamky-k-automatickemu-urcovani-koreference [2009/10/13 15:18] (current) mirovsky |
||
|---|---|---|---|
| Line 1: | Line 1: | ||
| ===== Automatické určování koreference ===== | ===== Automatické určování koreference ===== | ||
| - | === 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? === | ||
| - | 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?) | + | ==== 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? | ||
| 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 40: | ||
| 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: | ||
| - | - zájmena | + | - zájmena |
| - vlastní jména | - vlastní jména | ||
| + | - demonstrative noun phrase? | ||
| - ostatní podstatná jména | - ostatní podstatná jména | ||
| - | 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. |
| + | Další features mohou přibýt díky např. stromové struktuře a ohodnocení uzlů analytickými funkcemi. | ||
| + | |||
| + | === Linguistic Form === | ||
| + | |||
| + | ** (Personal?) Pronoun (0/1) ** - je kandidát (osobní?) zájmeno? | ||
| + | |||
| + | ** Proper Name (0/1) ** - je kandidát vlastní jméno? | ||
| + | |||
| + | ** General Name (0/1) ** - je kandidát obecné jméno? | ||
| + | |||
| + | ** Demonstrative Noun Phrase (0/1) ** - visí na podstatném jménu anaphoru něco jako " | ||
| + | |||
| + | === Context === | ||
| + | |||
| + | ** POS Left (10 hodnot -> 10 features) ** - POS slova vlevo od kandidáta | ||
| - | == Linguistic Form == | + | ** POS Right (10 hodnot -> 10 features) ** - POS slova vpravo od kandidáta |
| - | Sleduje, zda kandidát je vlastní jméno, obecné jméno nebo zájmeno. | + | ** POS Surr (10x10 hodnot -> 100 features) ** - POS slova vlevo a slova vpravo od kandidáta |
| - | Dále: | + | === Distance === |
| - | ** Demonstrative Noun Phrase | + | ** Distance (více hodnot, řádově desítky až stovky features) |
| - | == Context | + | === Morphosyntactic Agreement === |
| - | POS slov kolem kandidáta | + | ** Number Agreement |
| - | == Distance == | + | ** Gender Agreement (0/1) ** - shoda v rodu |
| - | ** Distance | + | ** Person Agreement (0/1) ** - shoda v osobě (?) |
| - | == Morphosyntactic Agreement == | + | ** Both Proper Names (0/1) ** - (Soon et al. 2001) |
| - | ** Number Agreement ** - shoda v čísle | + | === Semantic Similarity === |
| - | ** Gender Agreement | + | ** Semantic Similarity |
| - | ** Person Agreement ** - shoda v osobě (?) | + | === String Similarity === |
| - | ** Both Proper Names ** - (Soon et al. 2001) | + | ** String Match (0/1) ** - na lemmatech |
| - | == Semantic Similarity == | + | ** Left substring (0/1) ** |
| - | ** Semantic Similarity | + | ** Right substring (0/1) ** |
| - | == String Similarity | + | === Apposition === |
| - | ** String Match ** - na lemmatech (bez přípon) - binární | + | ** Apposition |
| - | ** Left substring ** | + | === Acronym === |
| - | ** Right substring | + | ** Acronym (0/1) ** - např. " |
| - | ** Head word match ** - to je featura z Denise, ale co to je? | + | === Salience === |
| - | == Apposition == | + | ** Salience (více hodnot - řádově do deseti features) ** - pro antecedenty zájmen - aktivovanost v diskurzu (podle Hajičové? |
| - | ** Apposition ** - Anja tam možná nedělá šipky? | + | === Vynecháno ze zmíněných článků, co se nehodí pro češtinu (nebo z jiných důvodů) === |
| - | == Acronym == | + | - kandidát je definite/ |
| + | - Semantic Class Agreement - (female, male, person, organization, | ||
| + | - Head word match - to je featura z Denise, ale co to je? | ||
| - | ** Acronym ** - např. " | ||