[ 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 15:20]
zeman Opravný experiment.
user:zeman:dz-parser:conll [2008/04/01 10:03]
zeman Dodatečně ještě němčina.
Line 29: Line 29:
 ($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 =====
  
 +==== 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.
  
-===== Výsledky =====+==== 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 |
  
-Následující tabulka ukazuje úspěšnost DZ parseru s výchozím nastavením na průběžných testovacích datech CoNLL, s původními značkami CoNLL (tabulátory, rysy oddělené svislítky).+| 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 | +| Jazyk | Rok | P(CoNLL) P(PDT) Změna McNemar 
-| ar | 2006 | 3955 2555 1400 64,6 +| ar | 2006 | 63.9 67.6 lepší ano (26.578554) 
-| ar | 2007 | 5873 3757 2116 64,0 +| ar | 2007 | 64.9 66.9 lepší ano (12.122523) 
-| bg | 2006 | 4677 3178 1499 67,9 | +| bg | 2006 | 72.3 71.3 horší ne (2.198697) 
-| ca | 2007 | 10971 | 7670 | 3301 | 69,9 +| cs | 2006 | 64.1 71.4 lepší ano (163.208696) 
-| cs | 2006 | 5643 3822 1821 67,7 +| cs | 2007 | 69.1 74.0 lepší ano (78.750246) 
-| cs | 2007 | 5760 4061 1699 70,5 +| da | 2006 | 69.9 | 69.8 horší ne (0.065772) 
-| da | 2006 | 5470 | 3792 | 1678 | 69,3 | +en | 2007 | 70.6 67.3 | horší ano (80.847587) 
-de | 2006 | 5403 | 3704 | 1699 | 68,6 +sv | 2006 | 71.0 | 73.5 | lepší ano (35.800000) 
-el | 2007 | 4874 3132 | 1742 | 64,3 | +zh | 2006 | 69.9 68.0 horší ne (2.623482) 
-en | 2007 | 9529 | 6163 | 3366 | 64,7 +zh | 2007 | 69.0 | 63.5 horší ano (23.875776) |
-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,+
-| 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. 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 | +==== 03: navíc zapnuté modelování pseudovalence ====
-| 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 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 | 
 +| 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 |
  
-Následující tabulka je opravou té předchozí. Značky obsahující tabulátory už se ukládají správně, úprava značek je opravdu vypnutá.+| 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 | Značky B | P | SV +| Jazyk | Rok | P(CoNLL) P(PDT) Změna McNemar 
-| ar | 2006 | CoNLL | 3955 | 2527 | 1428 | 63,9 | +| ar | 2006 | 63.9 | 67.6 lepší | ano (27.380000) 
-ar | 2006 | PDT   | 3955 | 2640 | 1315 | 66,8 | ano | +| ar | 2007 | 64.9 | 67.0 lepší ano (12.949640) 
-| ar | 2007 | CoNLL | 5873 | 3813 | 2060 | 64,9 | +| bg | 2006 | 72.3 | 71.0 horší | ne (3.688525) 
-ar 2007 | PDT   | 5873 | 3771 | 2102 | 64,2 | ne +| cs | 2006 | 55.9 62.7 lepší | ne (2.666667) 
-| bg | 2006 | CoNLL | 4677 | 3380 | 1297 | 72,3 | +| cs | 2007 | 69.1 | 74.3 lepší | ano (87.422200) 
-bg | 2006 | PDT   | 4677 | 3331 | 1346 | 71,2 | ne | +| da | 2006 | 69.9 69.8 horší ne (0.046272) 
-| cs | 2006 | CoNLL 5643 3617 | 2026 | 64,1 | +de | 2006 | 68.5 67.5 horší | ne (2.892894) 
-| cs | 2006 | PDT   | 5643 | 3618 | 2025 | 64,1 | ne | +| en | 2007 | 70.6 | 67.9 horší | ano (55.470000) 
-| cs | 2007 | CoNLL | 5760 | 3981 | 1779 | 69,1 | +| sv | 2006 | 71.0 | 73.2 lepší | ano (22.530318) 
-cs | 2007 | PDT   | 5760 | 3952 | 1808 | 68,6 | ano | +| zh | 2006 | 69.9 | 68.8 horší | ne (0.757576) 
-| da | 2006 | CoNLL 5470 3825 1645 | 69,9 +| zh | 2007 | 69.0 | 64.6 horší | ano (14.266376) |
-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 |+
  
 ===== Starší poznámky ===== ===== Starší poznámky =====

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