[ 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 22:58]
zeman Komentář k výsledkům se značkami PDT. 		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 29: Line 31:
 ($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, s původními značkami CoNLL (tabulátory, rysy oddělené svislítky): 
  
-| Jazyk | Rok | A | G | B | P | +==== 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 | P | 
-| 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 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). 
 + 
 +| 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 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 ==== 
 + 
 +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) |
  
-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.+Totéž, ale parsing s&nbsp;původními značkami použil výchozí konfiguraci místo 03. 
 +| 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 | 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) |
  
-| Jazyk | Rok | Značky | A | G | B | P | +===== Která konfigurace je nejúspěšnější pro který jazyk? =====
-| 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 | orig df | pdt df | orig 03 | pdt 03 | 
 +| ar | 2006 | 63.9 | 66.8 | 64.4 | 67.6 | 
 +| ar | 2007 | 64.9 | 64.2 | 59.8 | 67.0 | 
 +| bg | 2006 | 72.3 | 71.2 | 67.6 | 71.0 | 
 +| ca | 2007 | 72.7 |      | 69.9 |      | 
 +| cs | 2006 | 64.1 | 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 | 65.0 |      | 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 ]