[ Skip to the content ]

Institute of Formal and Applied Linguistics Wiki


[ Back to the navigation ]

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 21:51]
zeman Výsledky 2006.
user:zeman:dz-parser:conll [2009/03/03 16:28]
zeman Makefile.
Line 20: Line 20:
  
 ===== Zpracování ===== ===== Zpracování =====
 +
 +Zpracování má dvě části. První se týká přípravy dat, jejich převodu do formátu CSTS apod. Tato část není bezprostředně závislá na konkrétním parseru a odehrává se přímo ve složce s daty (''$DATA''). Druhá část zahrnuje natrénování parseru, otestování parseru na testovacích datech a vyhodnocení výsledků. Může se opakovat s různými parsery a s různým nastavením parametrů. Tato část se odehrává v pracovní složce (''$OUTPUT''). Na zpracování jsem si vytvořil i Makefile, ale bylo to v době, kdy jsem ještě obě části provozoval přímo ve složce s daty, takže cesty uvnitř Makefilu je nutné upravit. Makefile se nachází v ''/net/data/conll/2007/Makefile''.
  
 Každý jazyk zkouším zpracovat jednak s původními značkami, jednak se značkami převedenými do české sady PDT. Základní zpracování (bez přiřazování syntaktických značek) předpokládá pouze dva kroky: natrénování modelu na průběžných trénovacích datech a jeho otestování na průběžných testovacích datech. U základního zpracování používáme výchozí, jazykově nezávislé nastavení parseru. Každý jazyk zkouším zpracovat jednak s původními značkami, jednak se značkami převedenými do české sady PDT. Základní zpracování (bez přiřazování syntaktických značek) předpokládá pouze dva kroky: natrénování modelu na průběžných trénovacích datech a jeho otestování na průběžných testovacích datech. U základního zpracování používáme výchozí, jazykově nezávislé nastavení parseru.
Line 28: Line 30:
 $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) >& $JAZYK.dtest.log</code>
 +
 +===== Zpracování na clusteru =====
 +
 +V&nbsp;''$OUTPUT/bin'' mám několik skriptů, které odesílají parsovací úlohy na cluster:
 +  * ''qtp2006.csh'' ... přetrénování a rozbor všech jazyků 2006 bez machinací se značkami
 +  * ''qtp2007.csh'' ... přetrénování a rozbor všech jazyků 2007 bez machinací se značkami
 +  * ''qtppdt.csh'' ... přetrénování a rozbor dat se značkami převedenými do sady PDT u jazyků, u kterých to umíme, z&nbsp;obou let
 +  * ''trainparse.csh ROK JAZYK VAR INI'' ... přetrénování a rozbor jednoho korpusu (rok a jazyk jsou jasné parametry, var je varianta dat, třeba "''pdttags''", a ini je název konfiguračního souboru bez přípony .ini, třeba "''03''")
 +  * ''harvest.csh'' ... pro všechny roky a jazyky (a u korpusů, u kterých to umíme, i pro data se značkami převedenými do PDT) zavolá ''porovnat.pl'' na zlatý standard a výstup parseru, čímž kromě úspěšnosti získáme i McNemarův test statistické významnosti zlepšení nebo zhoršení, které přinesl převod značek oproti datům s&nbsp;původními značkami
 +  * ''vypsat_tabulku.pl'' dělá podobnou věc jako ''harvest.csh'', ale výsledky rovnou formátuje jako tabulku, kterou můžeme uložit v&nbsp;této wiki. Má parametr ''INI'', který říká, jaké výsledky (získané s&nbsp;jakým konfiguračním souborem) se mají sbírat.
  
 ===== Výsledky ===== ===== Výsledky =====
  
-Následující tabulka ukazuje úspěšnost DZ parseru s výchozím nastavením na průběžných testovacích datech CoNLL 2007, s původními značkami CoNLL (tabulátory, rysy oddělené svislítky): 
  
-| Jazyk | Rok | +==== Výchozí nastavení ==== 
-| ar | 2006 | 3955 2555 1400 | 64,6 | + 
-ar | 2007 | 5873 3757 2116 | 64,0 | +Následující tabulka ukazuje úspěšnost DZ parseru s výchozím nastavením na průběžných testovacích datech CoNLL, s původními neupravenými značkami CoNLL (tabulátory, rysy oddělené svislítky). 
-| bg | 2006 | 4677 3178 1499 | 67,9 | +Úspěšnost parsingu s&nbsp;původními značkami CoNLL: 
-| ca | 2007 | 10971 7670 3301 | 69,9 | +| Jazyk | Rok | | 
-| cs | 2006 | 5643 3822 1821 | 67,7 | +ar 2006 | 63.9 
-| cs | 2007 | 5760 4061 1699 70,5 +| ar | 2007 | 64.9 | 
-| da | 2006 | 5470 3792 1678 | 69,3 | +| bg | 2006 | 72.3 | 
-de | 2006 | 5403 3704 1699 | 68,6 +ca | 2007 | 72.7 | 
-| el | 2007 | 4874 3132 1742 | 64,3 | +| ca | 2009 | 73.6 | 
-| en | 2007 | 9529 6163 3366 | 64,7 +| cs | 2006 | 64.1 | 
-eu | 2007 | 4334 2477 1857 57,2 | +| cs | 2007 | 69.1 | 
-hu | 2007 | 5995 4088 1907 | 68,2 | +| cs | 2009 | 65.8 | 
-it | 2007 | 7643 5556 2087 | 72,7 +| da | 2006 | 69.9 | 
-| ja | 2006 | 3384 2524 860 | 74,6 | +| de | 2006 | 71.8 | 
-nl | 2006 | 6187 4579 1608 | 74,0 | +| de | 2009 | 72.3 | 
-| pt | 2006 | 6719 4941 1778 | 73,5 +| el | 2007 | 65.0 | 
-sl | 2006 | 4307 2765 1542 | 64,2 | +| en | 2007 | 70.6 | 
-sv | 2006 | 7140 5075 2065 | 71,1 +en | 2009 | 69.5 | 
-tr | 2007 | 6210 3920 2290 63,1 | +| es | 2009 | 71.8 | 
-zh | 2006 | 1839 1269 570 | 69,0 | +| eu | 2007 | 58.6 | 
-| zh | 2007 | 2277 1506 771 66,1 |+hu | 2007 | 62.3 | 
 +| it | 2007 | 71.5 | 
 +| ja | 2006 | 87.3 | 
 +| ja | 2009 | 83.2 | 
 +| 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 | 
 +| zh | 2009 | 57.7 | 
 + 
 +Následující tabulka srovnává výsledky s původními značkami CoNLL a výsledky se značkami PDT. Data jsou dtest. Nastavení parseru je výchozítj. úprava značek ani selektivní lexikalizace není zapnuta. 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 | 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) | 
 +| de | 2006 | 71.8 | 67.5 | horší | ano (61.301887) | 
 +| en | 2007 | 70.6 | 65.4 | horší | ano (227.951382) | 
 +| pt | 2006 | 73.8 | 76.4 | lepší | ano (44.312588) | 
 +| 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 ostatníchdo 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, rysy oddělené svislítky). 
 + 
 +| 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.| 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.| 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.| 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 ==== 
 + 
 +Úspěšnost parsingu s&nbsp;původními značkami CoNLL: 
 +| 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 | 
 + 
 +Srovnání úspěšnosti parsingu s&nbsp;původními značkami a se značkami PDT: 
 +| 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 | 56.0 | 71.4 | lepší | ano (587.655280) | 
 +| cs | 2007 | 58.7 | 74.3 | lepší | ano (627.063764) | 
 +| da | 2006 | 68.3 | 69.8 | lepší | ano (8.878214) | 
 +| de | 2006 | 69.5 | 67.7 | horší | ano (9.841876) | 
 +| en | 2007 | 64.2 | 67.9 | lepší | ano (110.976037) | 
 +| pt | 2006 | 73.5 | 76.4 | lepší | ano (42.581187) | 
 +| 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) | 
 + 
 +Totéžale parsing s&nbsp;původními značkami použil výchozí konfiguraci místo 03. 
 +| Jazyk | Rok | P(CoNLL) | P(PDT) | Změna | McNemar | 
 +| ar | 2006 | 63.9 | 67.| 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 | 64.1 | 71.4 | lepší | ano (167.052632) | 
 +| cs | 2007 | 69.1 | 74.3 | lepší | ano (87.422200) | 
 +| da | 2006 | 69.9 | 69.8 | horší | ne (0.046272) | 
 +| de | 2006 | 71.8 | 67.7 | horší | ano (54.691057) | 
 +| en | 2007 | 70.6 | 67.9 | horší | ano (55.470000) 
 +| pt | 2006 | 73.8 76.4 lepší | ano (34.848721) | 
 +| 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) | 
 + 
 +===== Která konfigurace je nejúspěšnější pro který jazyk? ===== 
 + 
 +| Jazyk | Rok | orig df | pdt df | orig 03 | pdt 03 | 
 +| ar | 2006 | 63.9 | 66.8 | 64.4 | 67.6 | 
 +| ar | 2007 | 64.9 | 64.| 59.8 | 67.0 
 +bg | 2006 | 72.3 71.2 67.6 | 71.0 
 +ca | 2007 | 72.7      69.9      | 
 +| cs | 2006 | 64.| 64.1 | 56.0 | 71.4 
 +cs | 2007 | 69.1 | 68.6 | 58.7 | 74.3 | 
 +| da | 2006 | 69.9 70.5 68.3 | 69.8 | 
 +| de | 2006 | 71.8 | 67.5 | 69.5 | 67.7 | 
 +| el | 2007 | 65.|      | 67.2 |      | 
 +| en | 2007 | 70.6 | 65.4 | 64.2 | 67.9 | 
 +| eu | 2007 | 58.6 |      | 58.4 |      | 
 +| hu | 2007 | 62.3 |      | 62.3 |      | 
 +| it | 2007 | 71.5 |      | 72.2 |      | 
 +| ja | 2006 | 87.3 |      | 74.9 |      | 
 +| nl | 2006 | 73.7 |      | 73.2 |      | 
 +| pt | 2006 | 73.8 | 76.4 | 73.5 | 76.4 | 
 +| sl | 2006 | 58.7 |      | 63.8 |      | 
 +| sv | 2006 | 71.0 | 72.6 | 71.0 | 73.2 | 
 +| tr | 2007 | 64.6 |      | 65.2 |      | 
 +| zh | 2006 | 69.9 | 68.4 | 67.5 | 68.8 
 +| zh | 2007 | 69.0 63.7 64.6 64.6 |
  
 ===== Starší poznámky ===== ===== Starší poznámky =====

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