[ 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 [2008/03/28 12:42]
zeman Statistická významnost.
user:zeman:dz-parser:conll [2008/04/25 11:49]
zeman Parametr vypsat_tabulku.pl
Line 31: Line 31:
  
  
 +===== 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. Má parametr ''INI'', který říká, jaké výsledky (získané s 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).+==== Výchozí nastavení ==== 
 + 
 +Následující tabulka ukazuje úspěšnost DZ parseru s výchozím nastavením na průběžných testovacích datech CoNLL, s původními neupravenými značkami CoNLL (tabulátory, rysy oddělené svislítky). 
 + 
 +| 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<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) | 
 +| 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) | 
  
-| Jazyk | Rok | A | G | B | P | +==== 03: navíc zapnuté modelování pseudovalence ====
-| 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 PDTData jsou dtestNastavení parseru je výchozí, tjznačky nejsou upravovány a selektivní lexikalizace není zapnutaPoslední 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 | 
 +| 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.
 +| en | 2007 | 64.2 | 
 +| eu | 2007 | 58.4 | 
 +| hu | 2007 | 62.
 +| 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 | Značky | A | G | B | P | SV | +| Jazyk | Rok | P(CoNLLP(PDT) Změna McNemar 
-| ar | 2006 | CoNLL | 3955 2555 1400 | 64,6 +| ar | 2006 | 64.4 67.6 lepší ano (23.953216) 
-| ar | 2006 | PDT   3955 2595 1360 | 65,6 | ne +| ar | 2007 | 59.8 67.0 | lepší ano (165.491130) 
-| ar | 2007 | CoNLL 5873 | 3757 | 2116 | 64,0 | +| bg | 2006 | 67.6 71.0 lepší | ano (45.224638) 
-ar | 2007 | PDT   | 5873 | 3793 | 2080 | 64,6 | ne +| cs | 2006 | 49.2 62.7 | lepší | ano (7.529412) 
-| bg | 2006 | CoNLL | 4677 | 3178 | 1499 | 67,9 | +| cs | 2007 | 58.7 74.3 lepší | ano (627.063764) 
-bg | 2006 | PDT   | 4677 | 3338 | 1339 | 71,4 | ano | +| da | 2006 | 68.3 | 69.8 lepší ano (8.878214) 
-| cs | 2006 | CoNLL 5643 | 3822 | 1821 | 67,7 | +| en | 2007 | 64.2 67.9 lepší | ano (110.976037) 
-| cs | 2006 | PDT   | 5643 | 4050 | 1593 | 71,8 | ano | +| sv | 2006 | 71.0 73.2 lepší | ano (27.717540) 
-| cs | 2007 | CoNLL 5760 4061 | 1699 | 70,5 | +| zh | 2006 | 67.5 68.8 lepší | ne (2.042553) 
-| cs | 2007 | PDT   | 5760 | 4294 | 1466 | 74,5 | ano | +| zh | 2007 | 64.6 64.6 stejná ne (0.000000) |
-| 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 možná změna nebyla statisticky významnáU čínštiny lze zhoršení snadno vysvětlitČínská 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 | 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 ]