Differences
This shows you the differences between two versions of the page.
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 [2008/04/29 12:23] zeman Tvar parametru VAR. |
||
---|---|---|---|
Line 29: | Line 29: | ||
($PARSER/ | ($PARSER/ | ||
+ | ===== Zpracování na clusteru ===== | ||
+ | V& | ||
+ | * '' | ||
+ | * '' | ||
+ | * '' | ||
+ | * '' | ||
+ | * '' | ||
+ | * '' | ||
+ | ===== Výsledky ===== | ||
+ | ==== Výchozí nastavení ==== | ||
+ | Následující tabulka ukazuje úspěšnost DZ parseru s výchozím nastavením na průběžných testovacích datech CoNLL, s původními neupravenými značkami CoNLL (tabulátory, | ||
+ | | 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< | ||
- | ===== Výsledky | + | | 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, | ||
+ | |||
+ | | 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) | | ||
- | Následující tabulka ukazuje úspěšnost DZ parseru s výchozím nastavením na průběžných testovacích datech CoNLL, s původními značkami | + | | 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 | | ||
- | | 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. 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< | ||
- | | 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 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. | + | Úspěšnost parsingu s& |
+ | | 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 | | ||
- | Následující tabulka je opravou té předchozí. Značky obsahující tabulátory už se ukládají správně, úprava | + | Srovnání úspěšnosti parsingu s 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) | | ||
- | | Jazyk | Rok | Značky | + | Totéž, ale parsing s& |
- | | ar | 2006 | CoNLL | 3955 | 2527 | 1428 | 63,9 | | + | | Jazyk | Rok | P(CoNLL) |
- | | ar | 2006 | PDT | 3955 | 2640 | 1315 | 66,8 | ano | | + | | ar | 2006 | 63.9 | 67.6 | lepší |
- | | ar | 2007 | CoNLL | 5873 | 3813 | 2060 | 64,9 | | + | | ar | 2007 | 64.9 | 67.0 | lepší |
- | | ar | 2007 | PDT | 5873 | 3771 | 2102 | 64,2 | ne | | + | | bg | 2006 | 72.3 | 71.0 | horší |
- | | bg | 2006 | CoNLL | 4677 | 3380 | 1297 | 72,3 | | + | | cs | 2006 | 64.1 | 71.4 | lepší |
- | | bg | 2006 | PDT | 4677 | 3331 | 1346 | 71,2 | ne | | + | | cs | 2007 | 69.1 | 74.3 | lepší |
- | | cs | 2006 | CoNLL | 5643 | 3617 | 2026 | 64,1 | | + | | da | 2006 | 69.9 | 69.8 | horší |
- | | cs | 2006 | PDT | 5643 | 3618 | 2025 | 64,1 | ne | | + | | de | 2006 | 71.8 | 67.7 | horší |
- | | cs | 2007 | CoNLL | 5760 | 3981 | 1779 | 69,1 | | + | | en | 2007 | 70.6 | 67.9 | horší |
- | | cs | 2007 | PDT | 5760 | 3952 | 1808 | 68,6 | ano | | + | | pt | 2006 | 73.8 | 76.4 | lepší |
- | | da | 2006 | CoNLL | 5470 | 3825 | 1645 | 69,9 | | + | | sv | 2006 | 71.0 | 73.2 | lepší |
- | | da | 2006 | PDT | 5470 | 3858 | 1612 | 70,5 | ne | | + | | zh | 2006 | 69.9 | 68.8 | horší |
- | | en | 2007 | CoNLL | 9529 | 6725 | 2804 | 70,6 | | + | | zh | 2007 | 69.0 | 64.6 | horší |
- | | 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 ===== |