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:zeman:dz-parser:conll [2008/03/26 16:05] zeman Ještě výstup. |
user:zeman:dz-parser:conll [2008/03/28 18:57] zeman |
||
---|---|---|---|
Line 1: | Line 1: | ||
====== Pokusy s DZ Parserem pro CoNLL ====== | ====== Pokusy s DZ Parserem pro CoNLL ====== | ||
- | Tato stránka původně vznikla jako záznam o tom, jakým způsobem jsem spouštěl parser během soutěže v parsingu CoNLL 2007, abych tyto pokusy dokázal zopakovat. Postupně se mění na stránku o pokusech s daty CoNLL obecně (nejen 2007). | + | Tato stránka původně vznikla jako záznam o tom, jakým způsobem jsem spouštěl parser během soutěže v parsingu CoNLL 2007, abych tyto pokusy dokázal zopakovat. Postupně se mění na stránku o pokusech s& |
===== Proměnné ===== | ===== Proměnné ===== | ||
Line 13: | Line 13: | ||
Kromě toho mám ve své '' | Kromě toho mám ve své '' | ||
+ | |||
+ | Další proměnné, určené přímo pro rozbor dat CoNLL mým parserem: | ||
+ | |||
+ | < | ||
+ | setenv OUTPUT / | ||
+ | |||
+ | ===== Zpracování ===== | ||
+ | |||
+ | Každý jazyk zkouším zpracovat jednak s& | ||
+ | |||
+ | < | ||
+ | setenv ROK 2007 | ||
+ | setenv JAZYK cs | ||
+ | $PARSER/ | ||
+ | ($PARSER/ | ||
+ | |||
+ | ===== Výsledky ===== | ||
+ | |||
+ | ==== Výchozí nastavení ==== | ||
+ | |||
+ | Následující tabulka ukazuje úspěšnost DZ parseru s výchozím nastavením na průběžných testovacích datech CoNLL, s původními neupravenými značkami CoNLL (tabulátory, | ||
+ | |||
+ | | Jazyk | Rok | P | | ||
+ | | ar | 2006 | 63.9 | | ||
+ | | ar | 2007 | 64.9 | | ||
+ | | bg | 2006 | 72.3 | | ||
+ | | ca | 2007 | 72.7 | | ||
+ | | cs | 2006 | 64.1 | | ||
+ | | cs | 2007 | 69.1 | | ||
+ | | da | 2006 | 69.9 | | ||
+ | | de | 2006 | 71.8 | | ||
+ | | el | 2007 | 65.0 | | ||
+ | | en | 2007 | 70.6 | | ||
+ | | eu | 2007 | 58.6 | | ||
+ | | hu | 2007 | 62.3 | | ||
+ | | it | 2007 | 71.5 | | ||
+ | | ja | 2006 | 87.3 | | ||
+ | | nl | 2006 | 73.7 | | ||
+ | | pt | 2006 | 73.8 | | ||
+ | | sl | 2006 | 58.7 | | ||
+ | | sv | 2006 | 71.0 | | ||
+ | | tr | 2007 | 64.6 | | ||
+ | | zh | 2006 | 69.9 | | ||
+ | | zh | 2007 | 69.0 | | ||
+ | |||
+ | Následující tabulka srovnává výsledky s původními značkami CoNLL a výsledky se značkami PDT. Data jsou dtest. Nastavení parseru je výchozí, tj. úprava značek ani selektivní lexikalizace není zapnuta. Poslední sloupec říká, zda je změna úspěšnosti statisticky významná podle McNemarova testu na úrovni 0,05 (χ< | ||
+ | |||
+ | | Jazyk | Rok | P(CoNLL) | P(PDT) | Změna | McNemar | | ||
+ | | ar | 2006 | 63.9 | 66.8 | lepší | ano (19.858476) | | ||
+ | | ar | 2007 | 64.9 | 64.2 | horší | ne (1.497453) | | ||
+ | | bg | 2006 | 72.3 | 71.2 | horší | ne (3.205607) | | ||
+ | | cs | 2006 | 64.1 | 64.1 | lepší | ne (0.007519) | | ||
+ | | cs | 2007 | 69.1 | 68.6 | horší | ano (3.948357) | | ||
+ | | da | 2006 | 69.9 | 70.5 | lepší | ne (2.082218) | | ||
+ | | en | 2007 | 70.6 | 65.4 | horší | ano (227.951382) | | ||
+ | | sv | 2006 | 71.0 | 72.6 | lepší | ano (12.763713) | | ||
+ | | zh | 2006 | 69.9 | 68.4 | horší | ne (1.574297) | | ||
+ | | zh | 2007 | 69.0 | 63.7 | horší | ano (22.360248) | | ||
+ | |||
+ | U čínštiny lze zhoršení snadno vysvětlit. Čínská sada značek se velmi liší od ostatních, do Intersetu se vejde jen nepatrný zlomek informace, kterou značky nesou, takže ztráta informace při převodu značek je mimořádně veliká. | ||
+ | |||
+ | ==== 01: zapnuté upravování značek a selektivní lexikalizace ==== | ||
+ | |||
+ | Následující tabulka ukazuje úspěšnost DZ parseru se zapnutou úpravou morfologických značek a selektivní lexikalizací na průběžných testovacích datech CoNLL, s původními značkami CoNLL (tabulátory, | ||
+ | |||
+ | | Jazyk | Rok | P | | ||
+ | | ar | 2006 | 64.3 | | ||
+ | | ar | 2007 | 59.8 | | ||
+ | | bg | 2006 | 67.9 | | ||
+ | | ca | 2007 | 69.9 | | ||
+ | | cs | 2006 | 56.0 | | ||
+ | | cs | 2007 | 58.7 | | ||
+ | | da | 2006 | 69.3 | | ||
+ | | de | 2006 | 68.5 | | ||
+ | | el | 2007 | 67.5 | | ||
+ | | en | 2007 | 64.7 | | ||
+ | | eu | 2007 | 58.4 | | ||
+ | | hu | 2007 | 66.1 | | ||
+ | | it | 2007 | 73.4 | | ||
+ | | ja | 2006 | 74.6 | | ||
+ | | nl | 2006 | 73.0 | | ||
+ | | pt | 2006 | 73.5 | | ||
+ | | sl | 2006 | 63.8 | | ||
+ | | sv | 2006 | 71.1 | | ||
+ | | tr | 2007 | 65.1 | | ||
+ | | zh | 2006 | 69.0 | | ||
+ | | zh | 2007 | 66.1 | | ||
+ | |||
+ | | Jazyk | Rok | P(CoNLL) | P(PDT) | Změna | McNemar | | ||
+ | | ar | 2006 | 64.3 | 67.3 | lepší | ano (20.855670) | | ||
+ | | ar | 2007 | 59.8 | 66.7 | lepší | ano (149.962142) | | ||
+ | | bg | 2006 | 67.9 | 71.4 | lepší | ano (44.137931) | | ||
+ | | cs | 2006 | 56.0 | 71.6 | lepší | ano (597.483871) | | ||
+ | | cs | 2007 | 58.7 | 74.2 | lepší | ano (616.602151) | | ||
+ | | da | 2006 | 69.3 | 69.5 | lepší | ne (0.114286) | | ||
+ | | en | 2007 | 64.7 | 65.6 | lepší | ano (8.781548) | | ||
+ | | sv | 2006 | 71.1 | 73.1 | lepší | ano (24.144134) | | ||
+ | | zh | 2006 | 69.0 | 68.1 | horší | ne (1.000000) | | ||
+ | | zh | 2007 | 66.1 | 63.6 | horší | ano (8.950413) | | ||
+ | |||
+ | === Srovnání výchozího nastavení CoNLL s nastavením 01 PDT === | ||
+ | |||
+ | | Jazyk | Rok | P(CoNLL) | P(PDT) | Změna | McNemar | | ||
+ | | ar | 2006 | 63.9 | 67.3 | lepší | ano (21.670630) | | ||
+ | | ar | 2007 | 64.9 | 66.7 | lepší | ano (9.078534) | | ||
+ | | bg | 2006 | 72.3 | 71.4 | horší | ne (1.904968) | | ||
+ | | cs | 2006 | 64.1 | 71.6 | lepší | ano (170.571020) | | ||
+ | | cs | 2007 | 69.1 | 74.2 | lepší | ano (85.242604) | | ||
+ | | da | 2006 | 69.9 | 69.5 | horší | ne (0.821288) | | ||
+ | | en | 2007 | 70.6 | 65.6 | horší | ano (176.765737) | | ||
+ | | sv | 2006 | 71.0 | 73.1 | lepší | ano (24.369923) | | ||
+ | | zh | 2006 | 69.9 | 68.1 | horší | ne (2.330645) | | ||
+ | | zh | 2007 | 69.0 | 63.6 | horší | ano (22.769829) | | ||
+ | |||
+ | |||
+ | ==== 02: navíc zakázané přeskakování bezdětných předložek ==== | ||
+ | | Jazyk | Rok | P | | ||
+ | | ar | 2006 | 64.3 | | ||
+ | | ar | 2007 | 59.8 | | ||
+ | | bg | 2006 | 68.0 | | ||
+ | | ca | 2007 | 69.9 | | ||
+ | | cs | 2006 | 56.1 | | ||
+ | | cs | 2007 | 58.7 | | ||
+ | | da | 2006 | 68.3 | | ||
+ | | de | 2006 | 68.5 | | ||
+ | | el | 2007 | 67.1 | | ||
+ | | en | 2007 | 63.8 | | ||
+ | | eu | 2007 | 58.4 | | ||
+ | | hu | 2007 | 62.3 | | ||
+ | | it | 2007 | 72.1 | | ||
+ | | ja | 2006 | 74.6 | | ||
+ | | nl | 2006 | 73.0 | | ||
+ | | pt | 2006 | 73.5 | | ||
+ | | sl | 2006 | 63.8 | | ||
+ | | sv | 2006 | 71.0 | | ||
+ | | tr | 2007 | 65.1 | | ||
+ | | zh | 2006 | 69.0 | | ||
+ | | zh | 2007 | 66.1 | | ||
+ | |||
+ | | Jazyk | Rok | P(CoNLL) | P(PDT) | Změna | McNemar | | ||
+ | | ar | 2006 | 64.3 | 67.6 | lepší | ano (24.635569) | | ||
+ | | ar | 2007 | 59.8 | 66.9 | lepší | ano (162.665108) | | ||
+ | | bg | 2006 | 68.0 | 71.3 | lepší | ano (41.317073) | | ||
+ | | cs | 2006 | 56.1 | 71.4 | lepší | ano (583.183944) | | ||
+ | | cs | 2007 | 58.7 | 74.0 | lepší | ano (611.467919) | | ||
+ | | da | 2006 | 68.3 | 69.8 | lepší | ano (9.116809) | | ||
+ | | en | 2007 | 63.8 | 67.3 | lepší | ano (97.889876) | | ||
+ | | sv | 2006 | 71.0 | 73.5 | lepší | ano (38.126126) | | ||
+ | | zh | 2006 | 69.0 | 68.0 | horší | ne (1.249135) | | ||
+ | | zh | 2007 | 66.1 | 63.5 | horší | ano (9.836066) | | ||
+ | |||
+ | | Jazyk | Rok | P(CoNLL) | P(PDT) | Změna | McNemar | | ||
+ | | ar | 2006 | 63.9 | 67.6 | lepší | ano (26.578554) | | ||
+ | | ar | 2007 | 64.9 | 66.9 | lepší | ano (12.122523) | | ||
+ | | bg | 2006 | 72.3 | 71.3 | horší | ne (2.198697) | | ||
+ | | cs | 2006 | 64.1 | 71.4 | lepší | ano (163.208696) | | ||
+ | | cs | 2007 | 69.1 | 74.0 | lepší | ano (78.750246) | | ||
+ | | da | 2006 | 69.9 | 69.8 | horší | ne (0.065772) | | ||
+ | | en | 2007 | 70.6 | 67.3 | horší | ano (80.847587) | | ||
+ | | sv | 2006 | 71.0 | 73.5 | lepší | ano (35.800000) | | ||
+ | | zh | 2006 | 69.9 | 68.0 | horší | ne (2.623482) | | ||
+ | | zh | 2007 | 69.0 | 63.5 | horší | ano (23.875776) | | ||
+ | |||
+ | ==== 03: navíc zapnuté modelování pseudovalence ==== | ||
+ | |||
+ | | Jazyk | Rok | P | | ||
+ | | ar | 2006 | 64.4 | | ||
+ | | ar | 2007 | 59.8 | | ||
+ | | bg | 2006 | 67.6 | | ||
+ | | ca | 2007 | 69.9 | | ||
+ | | cs | 2006 | 56.0 | | ||
+ | | cs | 2007 | 58.7 | | ||
+ | | da | 2006 | 68.3 | | ||
+ | | de | 2006 | 69.5 | | ||
+ | | el | 2007 | 67.2 | | ||
+ | | en | 2007 | 64.2 | | ||
+ | | eu | 2007 | 58.4 | | ||
+ | | hu | 2007 | 62.3 | | ||
+ | | it | 2007 | 72.2 | | ||
+ | | ja | 2006 | 74.9 | | ||
+ | | nl | 2006 | 73.2 | | ||
+ | | pt | 2006 | 73.5 | | ||
+ | | sl | 2006 | 63.8 | | ||
+ | | sv | 2006 | 71.0 | | ||
+ | | tr | 2007 | 65.2 | | ||
+ | | zh | 2006 | 67.5 | | ||
+ | | zh | 2007 | 64.6 | | ||
+ | |||
+ | | Jazyk | Rok | P(CoNLL) | P(PDT) | Změna | McNemar | | ||
+ | | ar | 2006 | 64.4 | 67.6 | lepší | ano (23.953216) | | ||
+ | | ar | 2007 | 59.8 | 67.0 | lepší | ano (165.491130) | | ||
+ | | bg | 2006 | 67.6 | 71.0 | lepší | ano (45.224638) | | ||
+ | | cs | 2006 | 49.2 | 62.7 | lepší | ano (7.529412) | | ||
+ | | cs | 2007 | 58.7 | 74.3 | lepší | ano (627.063764) | | ||
+ | | da | 2006 | 68.3 | 69.8 | lepší | ano (8.878214) | | ||
+ | | en | 2007 | 64.2 | 67.9 | lepší | ano (110.976037) | | ||
+ | | sv | 2006 | 71.0 | 73.2 | lepší | ano (27.717540) | | ||
+ | | zh | 2006 | 67.5 | 68.8 | lepší | ne (2.042553) | | ||
+ | | zh | 2007 | 64.6 | 64.6 | stejná | ne (0.000000) | | ||
+ | |||
+ | | Jazyk | Rok | P(CoNLL) | P(PDT) | Změna | McNemar | | ||
+ | | ar | 2006 | 63.9 | 67.6 | lepší | ano (27.380000) | | ||
+ | | ar | 2007 | 64.9 | 67.0 | lepší | ano (12.949640) | | ||
+ | | bg | 2006 | 72.3 | 71.0 | horší | ne (3.688525) | | ||
+ | | cs | 2006 | 55.9 | 62.7 | lepší | ne (2.666667) | | ||
+ | | cs | 2007 | 69.1 | 74.3 | lepší | ano (87.422200) | | ||
+ | | da | 2006 | 69.9 | 69.8 | horší | ne (0.046272) | | ||
+ | | en | 2007 | 70.6 | 67.9 | horší | ano (55.470000) | | ||
+ | | sv | 2006 | 71.0 | 73.2 | lepší | ano (22.530318) | | ||
+ | | zh | 2006 | 69.9 | 68.8 | horší | ne (0.757576) | | ||
+ | | zh | 2007 | 69.0 | 64.6 | horší | ano (14.266376) | | ||
===== Starší poznámky ===== | ===== Starší poznámky ===== | ||
Line 42: | Line 253: | ||
$parser/ | $parser/ | ||
$parser/ | $parser/ | ||
+ | |||
Line 55: | Line 267: | ||
$PARSER/ | $PARSER/ | ||
$PARSER/ | $PARSER/ | ||
+ | |||
+ | Výsledky (365 vět, které CoNLL dodalo jako testovací): | ||
+ | |||
+ | Parser (i trénování) byl spuštěn s výchozími parametry bez konfiguračního souboru. Neměl tušení, že zpracovává svůj rodný jazyk. Kromě toho, že testovací data jsou jiná (a podstatně menší), než jsem měl přímo při práci s PDT, také chybí přídavné informace u lemmat (protože je CoNLL částečně přesunulo do atributu Sem, jehož hodnotu jsem při převádění značek zpět na PDT zahodil). Parser z nich využíval informace o křestním jménu a příjmení. Na druhou stranu parseru mohlo pomoct, že pracujeme s ručně přiřazenými značkami. |