[ Skip to the content ]

Institute of Formal and Applied Linguistics Wiki

• ÚFAL Wiki Home
• ÚFAL Home
• Sitemap
• RSS
• ÚFAL calendar
• Recent changes
• Login
• Hledat:

[ Back to the navigation ]

Differences

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

View differences: Side by SideInline Go

Link to this comparison view

Both sides previous revision Previous revision 2009/03/26 08:21 zeman Úvod.2009/03/13 18:25 zeman A pak ještě Makefile.2009/03/13 18:24 zeman Sémantika.2009/03/03 16:28 zeman Makefile.2009/03/02 11:38 zeman Výsledky CoNLL 2009 (zatím bez úprav značek).2008/04/29 13:04 zeman Srovnání konfigurací parseru.2008/04/29 12:56 zeman Doplnění německých a portugalských výsledků s výchozí konfigurací parseru.2008/04/29 12:23 zeman Tvar parametru VAR.2008/04/29 10:12 zeman Výsledky němčiny a portugalštiny.2008/04/25 11:49 zeman Parametr vypsat_tabulku.pl2008/04/25 11:42 zeman Upřesnění parametrů.2008/04/25 11:30 zeman Dokumentace skriptů.2008/04/01 10:03 zeman Dodatečně ještě němčina.2008/03/28 18:57 zeman 2008/03/28 18:57 zeman 02 a 03.2008/03/28 18:23 zeman Srovnání výchozího nastavení CoNLL s nastavením 01 PDT.2008/03/28 18:15 zeman 2008/03/28 17:56 zeman 2008/03/28 16:44 zeman Zapnutá úprava morfologických značek a selektivní lexikalizace.2008/03/28 15:49 zeman Oprava výchozích výsledků. Nyní se opravdu neupravují morfologické značky a správně se ukládají události s tabulátory.2008/03/28 15:43 zeman 2008/03/28 15:20 zeman Opravný experiment.2008/03/28 12:45 zeman 2008/03/28 12:42 zeman Statistická významnost.2008/03/28 12:28 zeman Statistická významnost.2008/03/27 22:58 zeman Komentář k výsledkům se značkami PDT.2008/03/27 22:49 zeman Čeština 2006.2008/03/27 22:38 zeman Výsledky se značkami PDT.2008/03/27 21:51 zeman Výsledky 2006.2008/03/27 21:10 zeman Výsledky dtest původní značky.2008/03/27 20:44 zeman 2008/03/26 16:35 zeman Výsledky rozboru češtiny.2008/03/26 16:05 zeman Ještě výstup.2008/03/26 16:01 zeman Rozbor češtiny.2008/03/26 13:30 zeman Trénování se značkami PDT.2008/03/26 11:56 zeman Trénování parseru na češtině z CoNLL 2006.2008/03/26 09:49 zeman Čeština 2006.2008/03/05 18:53 zeman Parsing korpusu s převedenými značkami.2008/03/05 18:49 zeman Převod značek do sady PDT.2008/03/05 14:32 zeman Nefunguje.2007/03/29 23:13 zeman vytvořeno Go Next revision		Previous revision 2009/03/26 08:21 zeman Úvod.2009/03/13 18:25 zeman A pak ještě Makefile.2009/03/13 18:24 zeman Sémantika.2009/03/03 16:28 zeman Makefile.2009/03/02 11:38 zeman Výsledky CoNLL 2009 (zatím bez úprav značek).2008/04/29 13:04 zeman Srovnání konfigurací parseru.2008/04/29 12:56 zeman Doplnění německých a portugalských výsledků s výchozí konfigurací parseru.2008/04/29 12:23 zeman Tvar parametru VAR.2008/04/29 10:12 zeman Výsledky němčiny a portugalštiny.2008/04/25 11:49 zeman Parametr vypsat_tabulku.pl2008/04/25 11:42 zeman Upřesnění parametrů.2008/04/25 11:30 zeman Dokumentace skriptů.2008/04/01 10:03 zeman Dodatečně ještě němčina.2008/03/28 18:57 zeman 2008/03/28 18:57 zeman 02 a 03.2008/03/28 18:23 zeman Srovnání výchozího nastavení CoNLL s nastavením 01 PDT.2008/03/28 18:15 zeman 2008/03/28 17:56 zeman 2008/03/28 16:44 zeman Zapnutá úprava morfologických značek a selektivní lexikalizace.2008/03/28 15:49 zeman Oprava výchozích výsledků. Nyní se opravdu neupravují morfologické značky a správně se ukládají události s tabulátory.2008/03/28 15:43 zeman 2008/03/28 15:20 zeman Opravný experiment.2008/03/28 12:45 zeman 2008/03/28 12:42 zeman Statistická významnost.2008/03/28 12:28 zeman Statistická významnost.2008/03/27 22:58 zeman Komentář k výsledkům se značkami PDT.2008/03/27 22:49 zeman Čeština 2006.2008/03/27 22:38 zeman Výsledky se značkami PDT.2008/03/27 21:51 zeman Výsledky 2006.2008/03/27 21:10 zeman Výsledky dtest původní značky.2008/03/27 20:44 zeman 2008/03/26 16:35 zeman Výsledky rozboru češtiny.2008/03/26 16:05 zeman Ještě výstup.2008/03/26 16:01 zeman Rozbor češtiny.2008/03/26 13:30 zeman Trénování se značkami PDT.2008/03/26 11:56 zeman Trénování parseru na češtině z CoNLL 2006.2008/03/26 09:49 zeman Čeština 2006.2008/03/05 18:53 zeman Parsing korpusu s převedenými značkami.2008/03/05 18:49 zeman Převod značek do sady PDT.2008/03/05 14:32 zeman Nefunguje.2007/03/29 23:13 zeman vytvořeno Go Next revision Both sides next revision
user:zeman:dz-parser:conll [2008/03/27 22:58] zeman Komentář k výsledkům se značkami PDT.		user:zeman:dz-parser:conll [2008/04/25 11:42] zeman Upřesnění parametrů.
Line 30:		Line 30:
		+	===== Zpracování na clusteru =====
		+	V ''$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 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 původními značkami
		+	* ''vypsat_tabulku.pl'' dělá podobnou věc jako ''harvest.csh'', ale výsledky rovnou formátuje jako tabulku, kterou můžeme uložit v této wiki
	===== Výsledky =====		===== Výsledky =====
-	Následující tabulka ukazuje úspěšnost DZ parseru s výchozím nastavením na průběžných testovacích datech CoNLL, s původními značkami CoNLL (tabulátory, rysy oddělené svislítky):	+	==== Výchozí nastavení ====
-	| Jazyk | Rok | A | G | B | P |	+	Následující tabulka ukazuje úspěšnost DZ parseru s výchozím nastavením na průběžných testovacích datech CoNLL, s původními neupravenými značkami CoNLL (tabulátory, rysy oddělené svislítky).
-	| ar | 2006 | 3955 | 2555 | 1400 | 64,6 |	+
-	| ar | 2007 | 5873 | 3757 | 2116 | 64,0 |	+
-	| bg | 2006 | 4677 | 3178 | 1499 | 67,9 |	+
-	| ca | 2007 | 10971 | 7670 | 3301 | 69,9 |	+
-	| cs | 2006 | 5643 | 3822 | 1821 | 67,7 |	+
-	| cs | 2007 | 5760 | 4061 | 1699 | 70,5 |	+
-	| da | 2006 | 5470 | 3792 | 1678 | 69,3 |	+
-	| de | 2006 | 5403 | 3704 | 1699 | 68,6 |	+
-	| el | 2007 | 4874 | 3132 | 1742 | 64,3 |	+
-	| en | 2007 | 9529 | 6163 | 3366 | 64,7 |	+
-	| eu | 2007 | 4334 | 2477 | 1857 | 57,2 |	+
-	| hu | 2007 | 5995 | 4088 | 1907 | 68,2 |	+
-	| it | 2007 | 7643 | 5556 | 2087 | 72,7 |	+
-	| ja | 2006 | 3384 | 2524 | 860 | 74,6 |	+
-	| nl | 2006 | 6187 | 4579 | 1608 | 74,0 |	+
-	| pt | 2006 | 6719 | 4941 | 1778 | 73,5 |	+
-	| sl | 2006 | 4307 | 2765 | 1542 | 64,2 |	+
-	| sv | 2006 | 7140 | 5075 | 2065 | 71,1 |	+
-	| tr | 2007 | 6210 | 3920 | 2290 | 63,1 |	+
-	| zh | 2006 | 1839 | 1269 | 570 | 69,0 |	+
-	| zh | 2007 | 2277 | 1506 | 771 | 66,1 |	+
-	Následující tabulka srovnává výsledky s původními značkami CoNLL a výsledky se značkami PDT. Data jsou dtest. Nastavení parseru je výchozí, tj. značky nejsou upravovány a selektivní lexikalizace není zapnuta.	+	| 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 |
-	| Jazyk | Rok | Značky | A | G | B | P |	+	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<html><sup>2</sup></html> ≥ 3,84).
-	| ar | 2006 | CoNLL | 3955 | 2555 | 1400 | 64,6 |	+
-	| ar | 2006 | PDT   | 3955 | 2595 | 1360 | 65,6 |	+
-	| ar | 2007 | CoNLL | 5873 | 3757 | 2116 | 64,0 |	+
-	| ar | 2007 | PDT   | 5873 | 3793 | 2080 | 64,6 |	+
-	| bg | 2006 | CoNLL | 4677 | 3178 | 1499 | 67,9 |	+
-	| bg | 2006 | PDT   | 4677 | 3338 | 1339 | 71,4 |	+
-	| cs | 2006 | CoNLL | 5643 | 3822 | 1821 | 67,7 |	+
-	| cs | 2006 | PDT   | 5643 | 4050 | 1593 | 71,8 |	+
-	| cs | 2007 | CoNLL | 5760 | 4061 | 1699 | 70,5 |	+
-	| cs | 2007 | PDT   | 5760 | 4294 | 1466 | 74,5 |	+
-	| da | 2006 | CoNLL | 5470 | 3792 | 1678 | 69,3 |	+
-	| da | 2006 | PDT   | 5470 | 3804 | 1666 | 69,5 |	+
-	| en | 2007 | CoNLL | 9529 | 6163 | 3366 | 64,7 |	+
-	| en | 2007 | PDT   | 9529 | 6254 | 3275 | 65,6 |	+
-	| sv | 2006 | CoNLL | 7140 | 5075 | 2065 | 71,1 |	+
-	| sv | 2006 | PDT   | 7140 | 5232 | 1908 | 73,3 |	+
-	| zh | 2006 | CoNLL | 1839 | 1269 | 570 | 69,0 |	+
-	| zh | 2006 | PDT   | 1839 | 1252 | 587 | 68,1 |	+
-	| zh | 2007 | CoNLL | 2277 | 1506 | 771 | 66,1 |	+
-	| zh | 2007 | PDT   | 2277 | 1449 | 828 | 63,6 |	+
-	Převod značek do sady PDT pomohl všude kromě čínštiny, i když u některých jazyků možná 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.	+	| 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, 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 | 67.9 | 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) |
		+	| de | 2006 | 68.5 | 67.5 | horší | ne (2.892894) |
		+	| 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 =====

---

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