[ Skip to the content ]

Institute of Formal and Applied Linguistics Wiki

[ Back to the navigation ]

You are here: start » user » zeman » dz-parser » conll

Differences

This shows you the differences between two versions of the page.

Link to this comparison view

Both sides previous revision Previous revision
Next revision 		Previous revision
Next revision Both sides next revision
user:zeman:dz-parser:conll [2008/03/27 20:44]
zeman 		user:zeman:dz-parser:conll [2008/03/28 16:44]
zeman Zapnutá úprava morfologických značek a selektivní lexikalizace.
Line 28: Line 28:
 $PARSER/train.pl < $DATA/$ROK/$JAZYK/dtrain.csts > $JAZYK.stat $PARSER/train.pl < $DATA/$ROK/$JAZYK/dtrain.csts > $JAZYK.stat
 ($PARSER/parse.pl -m $JAZYK.stat < $DATA/$ROK/$JAZYK/dtest.csts > $JAZYK.dtest.dz.csts) >& $JAZYK.dtest.log</code> ($PARSER/parse.pl -m $JAZYK.stat < $DATA/$ROK/$JAZYK/dtest.csts > $JAZYK.dtest.dz.csts) >& $JAZYK.dtest.log</code>
 +
 +
 +
 +
 +
 +
 +
 +
 +
 +
 +
 +===== Výsledky =====
 +
 +Následující tabulka ukazuje úspěšnost DZ parseru s výchozím nastavením na průběžných testovacích datech CoNLL, s původními značkami CoNLL (tabulátory, rysy oddělené svislítky).
 +
 +| Jazyk | Rok | A | G | B | P |
 +| ar | 2006 | 3955 | 2527 | 1428 | 63,9 |
 +| ar | 2007 | 5873 | 3813 | 2060 | 64,9 |
 +| bg | 2006 | 4677 | 3380 | 1297 | 72,3 |
 +| ca | 2007 | 10971 | 7978 | 2993 | 72,7 |
 +| cs | 2006 | 5643 | 3617 | 2026 | 64,1 |
 +| cs | 2007 | 5760 | 3981 | 1779 | 69,1 |
 +| da | 2006 | 5470 | 3825 | 1645 | 69,9 |
 +| de | 2006 | 5403 | 3877 | 1526 | 71,8 |
 +| el | 2007 | 4874 | 3170 | 1704 | 65,0 |
 +| en | 2007 | 9529 | 6725 | 2804 | 70,6 |
 +| eu | 2007 | 4334 | 2538 | 1796 | 58,6 |
 +| hu | 2007 | 5995 | 3733 | 2262 | 62,3 |
 +| it | 2007 | 7643 | 5467 | 2176 | 71,5 |
 +| ja | 2006 | 3384 | 2953 | 431 | 87,3 |
 +| nl | 2006 | 6187 | 4561 | 1626 | 73,7 |
 +| pt | 2006 | 6719 | 4959 | 1760 | 73,8 |
 +| sl | 2006 | 4307 | 2529 | 1778 | 58,7 |
 +| sv | 2006 | 7140 | 5071 | 2069 | 71,0 |
 +| tr | 2007 | 6210 | 4011 | 2199 | 64,6 |
 +| zh | 2006 | 1839 | 1286 | 553 | 69,9 |
 +| zh | 2007 | 2277 | 1570 | 707 | 69,0 |
 +
 +Následující tabulka srovnává výsledky s původními značkami CoNLL a výsledky se značkami PDT. Data jsou dtest. Nastavení parseru je výchozí, tj. selektivní lexikalizace není zapnuta, ale úprava (zkracování) značek ve výchozí konfiguraci omylem zapnuté bylo. I tak se občas dostal do značky tabulátor a takové značky se pak chybně ukládají ve statistice. Poslední sloupec říká, zda je změna úspěšnosti statisticky významná podle McNemarova testu na úrovni 0,05 (χ<html><sup>2</sup></html> ≥ 3,84).
 +
 +| Jazyk | Rok | Značky | A | G | B | P | SV |
 +| ar | 2006 | CoNLL | 3955 | 2555 | 1400 | 64,6 |
 +| ar | 2006 | PDT   | 3955 | 2595 | 1360 | 65,6 | ne |
 +| ar | 2007 | CoNLL | 5873 | 3757 | 2116 | 64,0 |
 +| ar | 2007 | PDT   | 5873 | 3793 | 2080 | 64,6 | ne |
 +| bg | 2006 | CoNLL | 4677 | 3178 | 1499 | 67,9 |
 +| bg | 2006 | PDT   | 4677 | 3338 | 1339 | 71,4 | ano |
 +| cs | 2006 | CoNLL | 5643 | 3822 | 1821 | 67,7 |
 +| cs | 2006 | PDT   | 5643 | 4050 | 1593 | 71,8 | ano |
 +| cs | 2007 | CoNLL | 5760 | 4061 | 1699 | 70,5 |
 +| cs | 2007 | PDT   | 5760 | 4294 | 1466 | 74,5 | ano |
 +| da | 2006 | CoNLL | 5470 | 3792 | 1678 | 69,3 |
 +| da | 2006 | PDT   | 5470 | 3804 | 1666 | 69,5 | ne |
 +| en | 2007 | CoNLL | 9529 | 6163 | 3366 | 64,7 |
 +| en | 2007 | PDT   | 9529 | 6254 | 3275 | 65,6 | ano |
 +| sv | 2006 | CoNLL | 7140 | 5075 | 2065 | 71,1 |
 +| sv | 2006 | PDT   | 7140 | 5232 | 1908 | 73,3 | ano |
 +| zh | 2006 | CoNLL | 1839 | 1269 | 570 | 69,0 |
 +| zh | 2006 | PDT   | 1839 | 1252 | 587 | 68,1 | ne |
 +| zh | 2007 | CoNLL | 2277 | 1506 | 771 | 66,1 |
 +| zh | 2007 | PDT   | 2277 | 1449 | 828 | 63,6 | ano |
 +
 +Převod značek do sady PDT pomohl všude kromě čínštiny, i když u některých jazyků změna nebyla statisticky významná. 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.
 +
 +Následující tabulka je opravou té předchozí. Značky obsahující tabulátory už se ukládají správně, úprava značek je opravdu vypnutá.
 +
 +| Jazyk | Rok | Značky | A | G | B | P | SV |
 +| ar | 2006 | CoNLL | 3955 | 2527 | 1428 | 63,9 |
 +| ar | 2006 | PDT   | 3955 | 2640 | 1315 | 66,8 | ano |
 +| ar | 2007 | CoNLL | 5873 | 3813 | 2060 | 64,9 |
 +| ar | 2007 | PDT   | 5873 | 3771 | 2102 | 64,2 | ne |
 +| bg | 2006 | CoNLL | 4677 | 3380 | 1297 | 72,3 |
 +| bg | 2006 | PDT   | 4677 | 3331 | 1346 | 71,2 | ne |
 +| cs | 2006 | CoNLL | 5643 | 3617 | 2026 | 64,1 |
 +| cs | 2006 | PDT   | 5643 | 3618 | 2025 | 64,1 | ne |
 +| cs | 2007 | CoNLL | 5760 | 3981 | 1779 | 69,1 |
 +| cs | 2007 | PDT   | 5760 | 3952 | 1808 | 68,6 | ano |
 +| da | 2006 | CoNLL | 5470 | 3825 | 1645 | 69,9 |
 +| da | 2006 | PDT   | 5470 | 3858 | 1612 | 70,5 | ne |
 +| en | 2007 | CoNLL | 9529 | 6725 | 2804 | 70,6 |
 +| en | 2007 | PDT   | 9529 | 6236 | 3293 | 65,4 | ano |
 +| sv | 2006 | CoNLL | 7140 | 5071 | 2069 | 71,0 |
 +| sv | 2006 | PDT   | 7140 | 5181 | 1959 | 72,6 | ano |
 +| zh | 2006 | CoNLL | 1839 | 1286 | 553 | 69,9 |
 +| zh | 2006 | PDT   | 1839 | 1258 | 581 | 68,4 | ne |
 +| zh | 2007 | CoNLL | 2277 | 1570 | 707 | 69,0 |
 +| zh | 2007 | PDT   | 2277 | 1450 | 827 | 63,7 | ano |
 +
 +Následující tabulka ukazuje úspěšnost DZ parseru se zapnutou úpravou morfologických značek a selektivní lexikalizací na průběžných testovacích datech CoNLL, s původními značkami CoNLL (tabulátory, rysy oddělené svislítky).
 +
 +| Jazyk | Rok | A | G | B | P |
 +| ar | 2006 | 3955 | 2543 | 1412 | 64,3 |
 +| ar | 2007 | 5873 | 3512 | 2361 | 59,8 |
 +| bg | 2006 | 4677 | 3178 | 1499 | 67,9 |
 +| ca | 2007 | 10971 | 7670 | 3301 | 69,9 |
 +| cs | 2006 | 5643 | 3158 | 2485 | 56,0 |
 +| cs | 2007 | 5760 | 3379 | 2381 | 58,7 |
 +| da | 2006 | 5470 | 3792 | 1678 | 69,3 |
 +| de | 2006 | 5403 | 3702 | 1701 | 68,5 |
 +| el | 2007 | 4874 | 3292 | 1582 | 67,5 |
 +| en | 2007 | 9529 | 6163 | 3366 | 64,7 |
 +| eu | 2007 | 4334 | 2531 | 1803 | 58,4 |
 +| hu | 2007 | 5995 | 3962 | 2033 | 66,1 |
 +| it | 2007 | 7643 | 5608 | 2035 | 73,4 |
 +| ja | 2006 | 3384 | 2524 | 860 | 74,6 |
 +| nl | 2006 | 6187 | 4519 | 1668 | 73,0 |
 +| pt | 2006 | 6719 | 4941 | 1778 | 73,5 |
 +| sl | 2006 | 4307 | 2748 | 1559 | 63,8 |
 +| sv | 2006 | 7140 | 5073 | 2067 | 71,1 |
 +| tr | 2007 | 6210 | 4040 | 2170 | 65,1 |
 +| zh | 2006 | 1839 | 1269 | 570 | 69,0 |
 +| zh | 2007 | 2277 | 1506 | 771 | 66,1 |
  
 ===== Starší poznámky ===== ===== Starší poznámky =====

[ Back to the navigation ] [ Back to the content ]